Обзор Gemini 4 Carbon: четвёртый в индексе, медленно отвечает

Gemini 4 Carbon занимает четвертое место в независимом рейтинге и стоит как модель среднего уровня — необычное сочетание для честного обзора: Gemini 4 Carbon API — страница, где указаны цены $2.00 за миллион входных токенов и $10.00 за миллион выходных, а его оценка — 60 по Artificial Analysis Intelligence Index v5.0.1, четвертое место среди 78 моделей. Вопрос, на который должен ответить обзор, не в том, хороша ли оценка 60. А в том, какую цену вы платите реальным временем и частотой сбоев, чтобы её получить.

Что это такое

Мультимодальная модель семейства Gemini 4 от Google с контекстным окном в 1 048 576 токенов и пределом вывода 65K. Она принимает текст, изображения, аудио, видео и документы и возвращает текст, с нативным использованием инструментов и структурированным выводом JSON. Она отвечает как на OpenAI-совместимой конечной точке, так и через нативный API Gemini generateContent, а также доступно Zero Data Retention.

Набор параметров подсказывает, какой моделью она хочет быть: reasoning, include_reasoning, structured_outputs, tools, tool_choice, seed, temperature, top_p. В одном и том же списке присутствуют seed и формат ответа — это признак модели, ориентированной на извлечение данных и агентные пайплайны, а не на творческое письмо.

Оценка и версия, по которой она была выставлена

Показатель 60 несопоставим с более старыми цифрами, которые вы найдёте в публикациях для других моделей, и это самая распространённая ошибка в сравнениях, опубликованных в этом месяце. Intelligence Index v5.0.1 — это другой набор оценок, чем v4.3 и v4.3.2, поэтому балл v4.3 и балл v5.0.1 не должны находиться в одной таблице. В когорте v5.0.1 балл Carbon, равный 60, ставит его на четвёртое место из 78 — после Claude Fable 5.2 с результатом 65 и впереди всего остального, что было переоценено.

Девять оценок, стоящих за этим числом, — это AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 Hard Subset и Terminal-Bench-Science 0.1. Это смесь агентных и научных задач — работа в терминале, автоматизация, привязка к документам, сложные рассуждения, — а не набор из лидерборда по программированию. Модель может показать здесь хороший результат и всё равно проиграть на рефакторинге масштаба репозитория, поэтому изучите разбивку, прежде чем делать какие-либо выводы о своём сценарии использования.

То, что скрывает цифра из заголовка

Время Carbon до первого токена в стенде AA составляет 64,7 секунды, что соответствует 69-му месту из 77 моделей с данными о задержке. Общее реальное время на задачу — 28,4 минуты по девяти оценкам. Скорость вывода, когда он начинает писать, — 72 токена в секунду; это ничем не примечательно, но не является проблемой; проблема — время размышления перед первым токеном.

На прогон индекса на Carbon ушло $5.48 расходов провайдера; при смешанной ставке $2.70 за миллион токенов это очень много токенов для одного прохода бенчмарка. AA также сообщает о многословности в 2.69 процента наряду с 205 миллионами выходных токенов за прогон. Не воспринимайте этот процент как оценку лаконичности: Claude Fable 5.2 показывает гораздо более низкий показатель — 0.97 процента — при более высоком объёме выходных токенов — 275 миллионов, поэтому эти два показателя изменяются независимо.

Если цена — это причина, по которой вы это читаете, тосравнение цен на API для LLM ставит смешанную цену в $2,70 за миллион рядом с остальным каталогом — включая модели, которые стоят дешевле, и те, что обходятся в несколько раз дороже при сопоставимом результате.

Через шлюз числа выглядят иначе

64,7 секунды у AA получены на тестовом стенде, позволяющем модели размышлять над сложными задачами. В живом трафике OrcaRouter за последние семь дней p50 времени до первого токена для Carbon составлял 6,89 секунды, а p95 — 10,00 секунды, при 226 токенах в секунду вывода на 9,6 млн обслуженных токенов. Оба утверждения верны. Чат-продукт видит нечто близкое к первому числу; клон для пакетной оценки видит нечто близкое ко второму.

Показатель, который заслуживает большего внимания, чем любой из них, — это доля ошибок: 39,7% запросов возвращали non-2xx у всех вышестоящих провайдеров в этом семидневном окне против 10,8% у Claude Fable 5.2. Какова бы ни была причина — ёмкость, лимиты запросов, ротация провайдеров — продукт, который обращается к Carbon без бюджета повторных попыток и резервной модели, будет показывать пользователям отказы с частотой, которую не предскажет ни один график бенчмарка. Это вопрос маршрутизации, и именно его стоит проверить до второй недели.

Где его место в каталоге

По сравнению со своими собратьями Carbon — это мультимодальная модель в линейке Gemini 4, а не дешёвая: цена за вход идентична Gemini 3.1 Pro и составляет $2.00, за выход — на $2.00 дешевле, а ключевое отличие в том, что Carbon принимает аудио и видео, тогда как 3.1 Pro работает с текстом и изображениями. Если ваш конвейер никогда не обращается к видеофайлам, вы платите за возможность, которой не будете пользоваться.

На фоне остальных вариантов решение обычно сводится к двум вопросам. Если выбор делается внутри Google, Gemini 4 Carbon vs Gemini 3.1 Pro — это сравнение, которое имеет значение. Если выбор между разными поставщиками, GPT-6.1 Sol vs Gemini 4 Carbon и Claude Opus 5.5 vs Gemini 4 Carbon охватывают два наиболее распространённых варианта, а список моделей LLM содержит полный каталог, если ни один из них не тот, который вы рассматривали.

Вердикт

Carbon занимает четвёртое место по возможностям на доллар входных данных — и занимает его так, что это подходит для длительной многомодальной структурированной работы, а не для разговора. Издержки, которых нет в таблице цен, — это две, что решают, подойдёт ли он вам: 64,7 секунды размышлений перед первым токеном в стенде бенчмарка и частота ошибок около 40 процентов на реальном трафике. Обойдите и то и другое — цепочка резервных вариантов, бюджет повторных попыток и асинхронная очередь для всего, что не является интерактивным, — и соотношение цены и оценки становится действительно трудно превзойти. Если поставить его за синхронный интерфейс без резервного варианта, вы решите, что модель хуже, чем есть на самом деле.