Gemini 4 Carbon vs Grok 4.7: Prislistan säger 3x, fakturan säger ingenting

Gemini 4 Carbon har ett listpris på $10 per miljon utdatatokens. Grok 4.7 ligger på $6. Med de två siffror som varje prissida fetmarkerar kostar Carbon två tredjedelar mer att prata och dubbelt så mycket att läsa, och den självklara slutsatsen är att Grok 4.7 är det prisvärda valet. Men när man mäter vad en slutförd uppgift kostar hamnar de två modellerna en cent ifrån varandra: $7.76 för Gemini 4 Carbon mot $7.77 för Grok 4.7 på Artificial Analysis Intelligence Index. Samma nota, med tjugofem indexpoängs kapacitetsskillnad mellan dem. Det är hela argumentet i den här jämförelsen, och det är inget som någon av leverantörernas prislistor kan visa dig.

Tidpunkten spelar roll för hur du läser resten. Gemini 4 Carbon blev anropbar via det betalda Gemini API:et den 10 november 2026, tolv dagar efter att Google aviserade det för en sluten krets. Grok 4.7 släpptes av xAI den 21 september 2026 och har kunnat routas sedan dess. Den ena har varit tillgänglig för allmänheten i en vecka; den andra har sju veckors produktionsanvändning bakom sig.

Två prislistor som ser ut att ligga längre ifrån varandra än de gör

Börja med den råa strukturen, eftersom det är i nivåindelningen som de två skiljer sig åt i praktiken.

• Pris för utdata — Carbon 10 USD per miljon fram till den 30 november 2026, därefter 20 USD. Grok 4.7 6 USD per miljon under 200 000 indatatoken, därefter 12 USD.

• Indatapris — Carbon 2 USD, sedan 4 USD från 1 december. Grok 4.7 2 USD, som stiger till 4 USD över 200k-gränsen. Identisk struktur, identiska siffror, olika datum kopplade.

• Cachad indata – Carbon $0.10 per miljon nu, $0.20 efter 1 december, endast implicit cachning. Grok 4.7 $0.50, höjs till $1.00 vid långa prompter, med 75 % rabatt på färskpriset.

• Kontext — Carbon 1 048 576 tokens. Grok 4.7 500 000. Carbon har det större kontextfönstret, dubbelt så stort.

• Utdatatak — Carbon 65 536 token synkront, upp till 1 048 576 med lång avkodning. Grok 4.7 upp till 450 000. I praktiken skriver Grok längre svar i ett enda anrop än Carbon gör som standard.

• Inmatningsmodalitet — Carbon tar emot text, bild, ljud, video och PDF. Grok 4.7 tar emot text, bild och fil.

• Vikter — båda stängda. Ingen av dem kan självhostas, så båda har samma exponering för leverantörsrisk.

• Resonemangsinsats — Carbon-tänkande på låg, medel och hög; Grok 4.7 på låg, hög och xhigh. Publicerade siffror anges vid hög respektive xhigh, vilket är det första att kontrollera innan man kopierar något huvudresultat.

Två asymmetrier i den listan har verklig betydelse. Carbons 1M-kontext är dubbelt så stor som Groks, vilket spelar roll för arbete med hela repon eller flera dokument. Groks utdatatak på 450K är sju gånger Carbons synkrona gräns, vilket spelar roll om själva leveransen är lång — en genererad rapport, en migrerad fil, en lång serie patchar. En modell som kan ta emot en miljon tokens indata men bara skriva tillbaka 65K är inte en modell för långa utdata, hur kontextfönstret än ser ut på ett datablad.

Siffran som avstämmer de två priserna

Artificial Analysis mäter båda modellerna på samma index med nio utvärderingar, version v5.0.1, och publicerar en kostnad per indexuppgift som inkluderar hur många tokens varje modell faktiskt gör av med för att slutföra arbetet. Den mätningen är anledningen till att den här jämförelsen inte går som prislistan antyder.

• Intelligensindex — Gemini 4 Carbon 60 vid hög ansträngning, fjärde av 74. Grok 4.7 35 vid xhigh, fyrtioförsta av 74. Carbons medel- och låginställningar får 58 och 54; Groks hög- och låginställningar landar båda på 35 och 31.

• Kostnad per indexuppgift — Carbon 7,76 $, Grok 7,77 $. En cent ifrån varandra, till den dyrare modellens fördel.

• Utmatningstoken på indexet — Carbon 205 miljoner, Grok 148 miljoner, mot ett medianvärde på 72,8 miljoner.

• Tid per indexuppgift — Carbon 25,6 minuter, Grok 25,9 minuter. Återigen jämnt.

• Utdatashastighet — Carbon 80 tokens per sekund, Grok 67. Carbon är den snabbare generatorn trots att den är den dyrare.

• Tid till första svarstoken – Carbon 66,85 sekunder, Grok 53,64 sekunder. Båda ligger långt utanför medianen på 12 sekunder för sin prisnivå, och Grok är den snabbare av de två att komma igång.

Avstämningen är ordrikedom, inte rabatt. Carbon genererar 39 % fler utdatatoken per uppgift än Grok, och dess utdatapris är 67 % högre, men den totala uppgiftskostnaden landar inom en cent eftersom Groks tokenpris inte är den enda posten på fakturan – indatavolym, resonemangstoken och uppgiftens utformning bidrar också. Oavsett den exakta uppdelningen är den praktiska tolkningen den som skulle stå sig vid vilken återberäkning som helst: en jämförelse per token mellan dessa två modeller säger nästan ingenting om vad en arbetsbelastning kostar, och de två leverantörernas annonserade priser skiljer sig mer än deras uppmätta kostnad per utfall gör.

Tjugofem poäng är inte tjugofem poäng överallt

Ett sammansatt gap av den här storleken överlever vanligtvis en uppdelning; frågan är var det gör det och var det inte gör det. Tre förbehåll innan någon räknar med 60 mot 35.

Den första är ansträngning. Carbons 60 ligger på hög ansträngning, Groks 35 på xhigh. Båda är leverantörernas föredragna inställningar snarare än matchade, så jämförelsen är mellan varje modell körd som dess tillverkare avser, inte vid lika beräkningskraft. Skruva ner någon av dem och gapet minskar eller ökar beroende på vilken ände du flyttar: Carbon på låg är 54, Grok på låg är 31.

Det andra är att v5.0.1-indexet är en sammanslagning av nio utvärderingar, och resultattavlan publicerar inte poäng per benchmark för någon av modellerna – varje deldiagram på båda sidorna anger "Inget offentligt tillgängligt API." Så det ärliga påståendet är att Carbon vinner sammanställningen med 25 poäng, och ingen utanför Artificial Analysis kan för närvarande säga vilken av de nio utvärderingarna som gav den marginalen. Den som publicerar en uppdelning per benchmark för detta par citerar antingen en leverantör eller hittar på en.

Det tredje är att indexet är ett instrument. Det är ett bra sådant, nyligen reviderat och tillämpat konsekvent på båda modellerna, men det är inte ett produktbeslut. En modell som tappar 25 sammansatta poäng kan fortfarande vinna den uppgift du har, och de kommande två avsnitten handlar om de fall där den gör det.

Där Grok 4.7 vinner ohotat

Tre av dem, och den första är inte ett riktmärke.

Mognad. Grok 4.7 har varit allmänt tillgänglig i sju veckor. Gemini 4 Carbon har gått att anropa i en dag efter en utrullning som ändrade form två gånger på en fjorton dagar – stängd announcement den 28 oktober, betald API den 10 november, pris som fördubblades den 1 december. Ett team som behöver att en modell är samma sak nästa kvartal har i detta ögonblick exakt ett alternativ i detta par med en dokumenterad historik.

Lång utdata från ett enda anrop. 450 000 tokens mot 65 536 synkront. Om jobbet är att "skriva hela filen" snarare än att "svara på frågan" avgör taket det innan indexet gör det.

Kostnadssäkerhet för långa promptar, om din indata är liten. Groks steg till $4/$12 slår bara in över 200 000 indatatokens, och under den gränsen är utdatapriset på $6 en tredjedel av Carbons $20 efter december. För en arbetsbelastning med måttlig indata och tung utdata – sammanfattning, utkastskrivning, transformering – talar räkningen faktiskt för Grok, och den nästan identiska kostnaden per indextask säger något om just den specifika mixen av nio utvärderingar, inte om en universell lag.

Mot det står Grok:s cachade indata på 0,50 USD per miljon, vilket är fem gånger Carbon:s nuvarande 0,10 USD. För en RAG-pipeline som skickar samma 100 000-tokenkorpus vid varje anrop kan den enda raden väga tyngre än allt ovan. Det här är det vanligaste sättet ett team väljer fel modell av dessa två: de jämför utdatapriser och beräknar aldrig cacheekonomin utifrån sitt eget trafikmönster.

Där Carbon är värt pengarna

Argumentet för Carbon är snävare än dess indexpoäng och starkare än dess pris antyder.

Multimodalt intag. Ljud- och videoinmatning är den tydligaste avgränsaren i hela den här jämförelsen. Carbon tar in båda; Grok 4.7 listar inte något av dem. En pipeline som måste titta på en skärminspelning eller transkribera och resonera kring ett samtal har bara en kandidat här, och ingen mängd indexpoäng stänger det gapet.

Cyber- och sårbarhetsarbete. Google byggde Carbon för det, begränsade den första utgåvan till cyberförsvarare och uppger 88,2 % för SEC-bench Pro, 54,8 % för ExploitGym och 71,0 % för CWE-bench – allt rapporterat av leverantören och inte reproducerat, men riktningen är förenlig med modellens angivna syfte och med att Google valde att släppa det till försvarare före utvecklare. xAI gör inget jämförbart cyberpåstående för Grok 4.7.

Kontext för hela repot. Ett fönster på 1M mot 500K. Ett dubbelt så högt tak är en verklig skillnad för uppgifter i monorepo-skala, och för det specifika fallet att "hålla hela tjänsten i kontext och resonera över den i sin helhet" kan Grok inte hänga med.

Och en ärlig motvikt: Carbons fördel köps till priset av latens. Med 66,85 sekunder till första token och 25,6 minuter per indexuppgift är det inte en modell att sätta bakom ett förfrågan-svar-gränssnitt utan betydande tålamod. Det är inte heller Grok med 53,64 sekunder. Om din produkt behöver svar på under 10 sekunder är den här jämförelsen mellan två modeller som båda förlorar, och svaret är en mindre, snabbare modell på endera sidan.

Att köra båda, vilket är det egentliga svaret

Anledningen till att den här jämförelsen inte låter sig avgöras är att de två modellerna är formade för olika steg i samma pipeline. Carbon för intagsänden, där modalitet och kontext dominerar och volymen är låg. Grok för långutdataänden, där uppgiften är att producera mycket text från en avgränsad prompt, och där en utdatakostnad på $6 slår en på $20. De flesta team som behöver den ena behöver båda, och misstaget är att teckna två avtal, två SDK:er och två faktureringsrelationer för att få dem.

En OpenAI-kompatibel endpoint är genvägen, och den är tillgänglig redan i dag för den dirigerbara hälften av det här paret: grok/grok-4.7 finns på OrcaRouter till xAI:s eget $2/$6 – samma listpris, vidarebefordrat med 0 % påslag, inklusive steget $4/$12 över 200 000 indatatokens – tillsammans med google/gemini-4-argon till $2/$10 för det Gemini-sidiga arbete som inte behöver Carbons modalitetsuppsättning. Gemini 4 Carbon självt finns inte i katalogen; det nås via Googles betalda API, och den delen av pipelinen är en direkt integration.

Routnings-DSL:en är den del som gör uppdelningen praktisk snarare än visionär: samma förfrågan kan sammansättas för att prova den billiga vägen och eskalera vid ett valideringsfel, med automatisk failover om en leverantör försämras. Det spelar större roll här än vanligt, eftersom den dyra modellen i det här paret har ändrat sina åtkomstvillkor två gånger på fjorton dagar. En pipeline som kan flytta en gren till en annan modell utan en omdeployering är den enda versionen av den här arkitekturen som överlever sin egen leverantörs färdplan.

Välj utifrån den begränsning du faktiskt har

• Om det som levereras är lång utdata från en avgränsad prompt – Grok 4.7, och kontrollera din cachevolym först.

• Om indata innehåller ljud, video eller skannade PDF-filer – Carbon, eftersom det inte finns något alternativ i det här paret.

• Om uppgiften är säkerhetsanalys eller sårbarhetstriage — Carbon, med stöd av Googles rapporterade cybersiffror och företagets eget gatingbeslut, med förbehållet att ingen av dessa siffror har oberoende reproducerats.

• Om du behöver hela kodförrådet i kontext — Carbons 1M-fönster, acceptera latensen.

• Om du behöver en modell vars villkor inte ändras nästa månad — Grok 4.7, och det är ett starkare argument än det låter.

• Om du inte kan avgöra saken — kör båda. Den uppmätta kostnaden per uppgift ligger inom en cent, så ett tvåveckorsprov kostar ungefär lika mycket som en modell och ger ett bättre svar än någon sammansatt poäng.

Det ingen av dessa listor kan berätta är vilken modell som är smartare, eftersom "smartare" är fel storhet på det här avståndet. Tjugofem indexpoäng är en stor skillnad när den mäts ordentligt, och ändå lämnar den den på papperet billigare modellen jämbördig i kostnad per utfall och före när det gäller utdatatak, mognad och tid till första token. Det är ingen motsägelse i benchmarkresultaten. Det är vad som händer när två modeller byggs för olika uppgifter och marknadsförs med samma ord.