Gemini 4 Carbon 対 Grok 4.7：価格表は3倍と言うが、請求書は何も語らない

Gemini 4 Carbonは100万出力トークンあたり$10で掲載されている。Grok 4.7は$6だ。どの料金ページも太字で示すこの2つの数字を見ると、Carbonは話すのに3分の2多く、読むのに2倍のコストがかかり、明白な結論はGrok 4.7がお得な選択肢だということになる。だが、完了したタスクにかかるコストを測ると、両モデルの差は1セントになる。Artificial AnalysisのIntelligence Indexで、Gemini 4 Carbonは$7.76、Grok 4.7は$7.77だ。請求額は同じで、その間に25インデックスポイントの能力差がある。これがこの比較の論点のすべてであり、どちらのベンダーの料金表にも示せないものだ。

タイミングは、以降の内容をどう読むかに影響する。Gemini 4 Carbonが有料のGemini APIで呼び出し可能になったのは2026年11月10日で、Googleが非公開の限定グループに発表してから12日後のことだった。Grok 4.7は2026年9月21日にxAIから提供開始され、それ以来ルーティング可能だ。一方は一般利用の場に出てから1週間、もう一方は本番利用で7週間の実績がある。

実際より差が大きく見える2つの料金表

まず生の構造から見ていきましょう。というのも、実際に両者が食い違うのはティア分けの部分だからです。

• 出力価格 — Carbon は2026年11月30日まで100万トークンあたり10ドル、その後は20ドル。Grok 4.7 は入力トークン20万未満で100万トークンあたり6ドル、その後は12ドル。

• 入力価格 — Carbon は $2、12月1日から $4。Grok 4.7 は $2、200k ラインを超えると $4 にステップアップ。構造は同一、数値も同一、付随する日付だけが異なる。

• キャッシュ入力 — Carbon は現在100万トークンあたり$0.10、12月1日以降は$0.20、暗黙的キャッシュのみ。Grok 4.7 は$0.50、長いプロンプトでは$1.00へと段階的に引き上げられ、新規レートには75%の割引が適用されます。

• コンテキスト — Carbon 1,048,576トークン。Grok 4.7 500,000。Carbonのコンテキストウィンドウは2倍大きいです。

• 出力上限 — Carbon は同期で 65,536 トークン、ロングデコードで最大 1,048,576 トークン。Grok 4.7 は最大 450,000。実際には、Grok の方がデフォルトの Carbon よりも 1 回の呼び出しで長い回答を書きます。

• 入力形式 — Carbon はテキスト、画像、音声、動画、PDF に対応しています。Grok 4.7 はテキスト、画像、ファイルに対応しています。

• ウェイト — どちらもクローズドです。どちらもセルフホストできないため、両方とも同じベンダーリスクに晒されます。

• 推論エフォート — Carbon thinking は low、medium、high、Grok 4.7 は low、high、xhigh。公開されている数値はそれぞれ high と xhigh で引用されており、ヘッドラインスコアをコピーする前にまず確認すべき点です。

そのリストにある二つの非対称性は、実際に効いてくる。Carbonの1MコンテキストはGrokの2倍で、リポジトリ全体や複数ドキュメントを扱う作業では重要だ。Grokの450K出力上限はCarbonの同期上限の7倍で、成果物自体が長い場合——生成レポート、移行済みファイル、長いパッチシリーズ——には重要になる。100万トークンの入力を持てても65Kしか書き戻せないモデルは、仕様表でコンテキストウィンドウがどう見えようと、長出力モデルではない。

2つの価格を一致させる数値

Artificial Analysisは両モデルを同じ9つの評価で構成されるインデックス、バージョンv5.0.1で測定し、各モデルが作業を完了するために実際に消費するトークン数を織り込んだ、インデックスタスクあたりのコストを公開している。この測定こそが、この比較が料金表の示す通りにならない理由である。

• インテリジェンス指数 — Gemini 4 Carbon は高エフォートで60、74台中4位。Grok 4.7 は xhigh で35、74台中41位。Carbon の中・低設定は58と54、Grok の高・低設定はそれぞれ35と31。

• インデックスタスクあたりのコスト — Carbon $7.76、Grok $7.77。1セント差で、高価なモデルに分がある。

• インデックス上の出力トークン — Carbon 2億500万、Grok 1億4800万、中央値7280万に対して。

• インデックスタスクあたりの所要時間 — Carbon 25.6分、Grok 25.9分。これも同水準。

• 出力速度 — Carbon は毎秒80トークン、Grok は67トークン。Carbon はより高価であるにもかかわらず、より高速な生成器です。

• 最初の回答トークンまでの時間 — Carbon 66.85秒、Grok 53.64秒。どちらも同価格帯の中央値である12秒を大きく外れており、両者のうち開始が速いのはGrokです。

この差を埋めているのは冗長さであって、割引ではない。CarbonはタスクあたりGrokより39％多い出力トークンを生成し、出力価格も67％高い。それでもタスク総コストは1セント以内に収まる。Grokのトークン価格だけが請求額を決める要素ではないからだ。入力量、推論トークン、タスクごとの構成のすべてが寄与している。正確な分解がどうであれ、実務的な読み方は再導出にも耐えるものだ。つまり、これら2モデル間のトークン単価比較は、ワークロードのコストについてほとんど何も教えてくれず、両ベンダーの公表価格の差は、成果あたりの実測コストの差より大きい。

25点はどこでも同じ25点というわけではない

この規模の複合的なギャップは通常、分解しても残る。問題は、それがどこで残り、どこで残らないかだ。60対35を前提に誰かが予算を組む前に、三つの注意点を挙げておく。

第一にエフォートです。Carbonの60は高エフォート時、Grokの35はxhigh時の値です。どちらも条件を揃えた設定ではなく各ベンダーの推奨設定なので、この比較は同一計算量での比較ではなく、各モデルをメーカーが意図する設定で動かした場合の比較です。どちらかを下げると、動かす側によって差は縮まったり広がったりします。低設定のCarbonは54、低設定のGrokは31です。

第二に、v5.0.1の指数は9つの評価を合成したものであり、リーダーボードはどちらのモデルについてもベンチマーク別スコアを公開していません。両ページのすべてのサブチャートには「公開APIはありません」と表示されています。したがって正直に言えるのは、Carbonが総合スコアで25ポイント上回っているということであり、Artificial Analysisの外部で、その差を9つの評価のうちどれが生み出したのかを現時点で言える人はいません。このペアのベンチマーク別内訳を公開している人は、ベンダーの発言を引用しているか、でっち上げているかのどちらかです。

第三に、その指標は一つの手段にすぎない。最近改訂され、両方のモデルに一貫して適用されている優れた手段ではあるが、製品に関する意思決定そのものではない。総合点を25点失ったモデルでも、目の前のタスクでは勝てる。次の2つの節では、そうなるケースについて説明する。

Grok 4.7が完全に勝利する場面

そのうち3つ、そして最初のものはベンチマークではありません。

成熟度。 Grok 4.7 は7週間にわたって一般提供されています。Gemini 4 Carbon は、2週間のうちに2度も形を変えた展開を経て、呼び出し可能になってからまだ1日しか経っていません。10月28日の限定発表、11月10日の有償API、12月1日の価格2倍化。次の四半期にも同じものであり続けるモデルを必要とするチームにとって、現時点でこの2つのうち実績を持つ選択肢はちょうど1つだけです。

単一呼び出しでの長い出力。 同期の65,536に対して450,000トークン。仕事が「質問に答える」ことではなく「ファイル全体を書く」ことなら、上限がインデックスより先に決め手となる。

入力が小さいなら、長いプロンプトでもコストは確実です。 Grokの$4/$12への移行は20万入力トークンを超えた場合にのみ発動し、そのライン以下では$6の出力レートはCarbonの12月以降の$20の3分の1です。中程度の入力と大量の出力を伴うワークロード——要約、起草、変換——では、計算上Grokが有利であり、インデックスタスクあたりのコストがほぼ同一であることは、その特定の9評価の組み合わせについての記述であって、普遍的な法則ではありません。

それに対して、Grokのキャッシュ入力は100万トークンあたり0.50ドルで、Carbonの現在の0.10ドルの5倍です。同じ100,000トークンのコーパスを呼び出しのたびに再送するRAGパイプラインでは、その一行だけで上記のすべてを上回りうるのです。チームがこの2つのうち間違ったモデルを選ぶ最も一般的な方法はこれです。つまり、出力料金を比較するだけで、自社のトラフィック形状におけるキャッシュ経済性を計算しないのです。

Carbon がお金をかける価値があるのはどこか

Carbonの投資根拠は、その指数スコアが示すよりも範囲が狭く、株価が示唆するよりも強固だ。

マルチモーダル入力。音声と動画の入力は、この比較全体の中で最も明快な分水嶺です。Carbonはその両方を取り込みますが、Grok 4.7はどちらも挙げていません。画面録画を視聴したり、通話を文字起こしして推論したりする必要があるパイプラインにとって、ここで候補となるのは1つだけで、インデックスの点数をいくら積み上げてもその差は埋まりません。

サイバーセキュリティと脆弱性に関する作業。 GoogleはそのためにCarbonを構築し、初回リリースをサイバー防御担当者に限定し、SEC-bench Proで88.2%、ExploitGymで54.8%、CWE-benchで71.0%と報告している。いずれもベンダーによる報告であり再現はされていないが、その方向性は、モデルの明示された目的や、Googleが開発者より先に防御担当者へリリースすることを選んだ事実と一致している。xAIはGrok 4.7について、同種のサイバーに関する主張を行っていない。

リポジトリ全体のコンテキスト 1Mウィンドウ対500K。上限が2倍であることはモノレポ規模のタスクにおいて実質的な差であり、「サービス全体をコンテキストに保持して横断的に推論する」という特定のケースでは、Grokは追随できない。

そして、正直な対抗軸がもう一つあります。Carbonの優位性はレイテンシと引き換えに得られたものです。最初のトークンまで66.85秒、インデックスタスクあたり25.6分かかるため、かなりの忍耐なしにリクエスト・レスポンス型インターフェースの背後に置くモデルではありません。53.64秒のGrokも同様です。製品が10秒未満の応答を必要とするなら、この比較はどちらも負ける2つのモデル同士の比較であり、答えはどちらかの側のより小さく高速なモデルです。

両方を実行して、実際の答えはどちらなのか

この対決に結論を出しにくいのは、2つのモデルが同じパイプラインの異なる段階向けに形作られているからだ。Carbonは入力側、つまりモダリティとコンテキストが支配的で量が少ない端に向いている。Grokは長い出力側、つまり限られたプロンプトから大量のテキストを生み出すことが仕事で、出力料金が$20ではなく$6で済む端に向いている。どちらかが必要なチームの大半は両方が必要であり、間違いはそれらを得るために2つの契約、2つのSDK、2つの請求関係に申し込んでしまうことだ。

OpenAI 互換のエンドポイントを 1 つ使うのが近道で、このペアのルーティング可能な片方については今日から利用できます: grok/grok-4.7 は OrcaRouter 上で xAI 自身の $2/$6 — 同じ定価で、0% のマークアップでパススルーされ、入力トークン 200,000 超では $4/$12 の段階も含む — で提供されており、google/gemini-4-argon は Carbon のモダリティセットを必要としない Gemini 側の作業向けに $2/$10 で並んでいます。Gemini 4 Carbon 自体はカタログにはなく、Google の有料 API を通じて利用され、パイプラインのその区間は直接統合です。

ルーティングDSLは、この分割を理想論ではなく実用的なものにする部分です。同じリクエストを、安価なパスを試し、検証失敗時にエスカレーションするように構成でき、加えて自動フェイルオーバープロバイダーが劣化した場合に発動します。これは通常以上に重要です。なぜなら、このペアの高価なモデルは14日間に2回もアクセス条件を変更しているからです。再デプロイなしでブランチを別のモデルに移せるパイプラインだけが、自社ベンダーのロードマップを生き延びるこのアーキテクチャの唯一のバージョンです。

実際に自分が抱えている制約で選んでください

• 成果物が限定的なプロンプトからの長い出力である場合 — Grok 4.7、そしてまずキャッシュボリュームを確認してください。

• 入力に音声、動画、またはスキャンしたPDFが含まれる場合 — Carbon。この組み合わせでは他に選択肢がないためです。

• タスクがセキュリティ分析または脆弱性トリアージである場合 — Googleが報告したサイバー関連の数値と同社自身のゲーティング選択を根拠とする。ただし、これらの数値はいずれも独立に再現されていないという留保付きで。

• リポジトリ全体をコンテキストに含める必要がある場合 — Carbon の 1M ウィンドウを使い、レイテンシーを受け入れます。

• 来月に条件が変わらないモデルが必要なら — Grok 4.7、そしてこれは聞こえ以上に強い主張だ。

• 決められない場合は、両方を実行してください。タスクあたりの実測コストは1セント以内なので、2週間の比較検証にかかる費用はモデル1つ分とほぼ同じで、どの複合スコアよりも優れた答えが得られます。

これらのリストのどれも教えてくれないのは、どのモデルがより賢いかだ。この段階では「賢い」は測るべき量ではないからだ。適切に測れば25指数ポイントは大きな差であり、それでもなお、紙の上では安いモデルは成果あたりコストで並び、出力上限、成熟度、最初のトークンまでの時間では優位に立っている。これはベンチマークにおける矛盾ではない。二つのモデルが異なる用途向けに作られ、同じ言葉で売られているときに起きることだ。