Så använder du Gemini 4 Carbon: API-konfiguration, parametrar och kostnad

Gemini 4 Carbon är Googles multimodala modell i Gemini 4-familjen, och på OrcaRouter kan den nås med en enda nyckel: modell-id:t är google/gemini-4-carbon, listpriset är $2.00 per miljon indatatoken och $10.00 per miljon utdatatoken, och sidan Gemini 4 Carbon API innehåller de aktuella siffrorna. Det som följer är den konfiguration som faktiskt fungerar, i den ordning du stöter på den: endpoint, förfrågningsformat, parameteruppsättning, kostnad och sedan latenssiffrorna som du bör räkna med innan du sätter den framför användare.

Vad modellen accepterar

Kontextfönstret är 1 048 576 tokens och taket för utdata är 65K tokens per svar, vilket är det första man bör ta till sig: ett mycket stort dokument får plats i prompten, men svaret har ett tak som ligger långt under indatans storlek. Indatamodaliteterna är text, bilder, ljud, video och dokument; utdata är text. Inbyggd verktygsanvändning och funktionsanrop stöds, liksom strukturerade JSON-utdata, vilket gör den användbar i en agentloop och inte bara som en chattruta.

Zero Data Retention är tillgängligt på den här modellen. Med ZDR aktiverat går förfrågningar endast till uppströmsleverantörer som har ett avtal om noll lagring, så om din upphandlingsavdelning behöver det skriftligt är det en dirigeringsinställning snarare än ett separat avtal.

Slutpunkt ett: den OpenAI-kompatibla sökvägen

Det här är vägen att gå om du redan har kod som körs mot en OpenAI-klient. Rikta SDK:n mot OrcaRouter, behåll modell-id:t, och inget annat i din förfrågan ändras. Exemplet nedan är hela programmet:

Ställ in bas-URL:en till https://api.orcarouter.ai/v1, läs nyckeln från en miljövariabel i stället för en literal och skicka google/gemini-4-carbon som modell. Samma tre rader fungerar från Python-, TypeScript- och Go-SDK:erna, eftersom överföringsformatet är Chat Completions.

Slutpunkt två: inbyggd generateContent

Om din teknikstack är byggd på Gemini SDK i stället för en OpenAI-klient svarar Carbon fortfarande inbyggt på /v1beta/models/{model}:generateContent på samma värd. Den intressanta konsekvensen är att du kan migrera en arbetsbelastning en begäran i taget: kör den OpenAI-kompatibla vägen för tjänster som delar kod med andra leverantörer och den inbyggda vägen där du redan är beroende av Gemini-specifika fält. Båda faktureras mot samma nyckel och samma saldo, vilket är argumentet för en gateway framför en uppsättning leverantörskonton.

Parametrarna som respekteras

Modellsidan listar explicit den uppsättning som stöds: include_reasoning, max_tokens, reasoning, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools och top_p. Den listan är kontraktet. Om du porterar en förfrågan från en annan leverantör bör du kontrollera den innan du skickar, eftersom parametrarna du tar till av vana – strafftermer, logit-biaser, ett dussin samplingsrattar – inte finns med på den.

Två av dem spelar större roll än resten. structured_outputs tillsammans med response_format är det som förvandlar ett dokument på 200 000 token till en post som din nedströmskod kan läsa utan en parser som du själv har skrivit. Och include_reasoning är hur du tar reda på vad modellen gjorde innan den svarade; lämnar du den avstängd i produktion litar du på ett ogenomskinligt steg med ditt schema.

Vad en förfrågan kostar

Indata kostar 2,00 USD per miljon tokens och utdata 10,00 USD per miljon, med cacheläsningar på 0,100 USD per miljon. Ett genomräknat exempel: ett avtal på 40 000 tokens plus en strukturerad extraktion på 2 000 tokens faktureras med 0,08 USD för indata och 0,02 USD för utdata, alltså tio cent per dokument. Samma 40 000 tokens som läses från cachen faktureras i stället med 0,004 USD, vilket är anledningen till att cache-posten spelar roll för alla arbetsflöden som läser samma korpus flera gånger.

Som jämförelse kostar samma dokument på 40 000 token mot Gemini 3.1 Pro lika mycket för indata men 20 procent mer för utdata, och mot Gemini 3 Flash en fjärdedel så mycket för båda – valet mellan dem handlar om modalitet och kontext snarare än om indatapriset, som är identiskt mellan Carbon och 3.1 Pro. Den kostnadsfria LLM-API-översikten är platsen att jämföra det mot resten av katalogen.

Två latensvärden som betyder olika saker

OrcaRouters egen modellsida rapporterar livetrafiken de senaste sju dagarna: p50-tid till första token på 6,89 sekunder, p95 på 10,00 sekunder och utdatahastighet på 226 tokens per sekund, över 9,6 miljoner tokens som hanterats. Det är vad en interaktiv anropare upplever via gatewayen.

Artificial Analysis rapporterar 64,7 sekunder till första token och 28,4 minuters väggklockstid per uppgift för samma modell. De står inte i konflikt; de är olika mätningar. AA kör ett fast utvärderingsramverk som ber modellen att tänka så länge den vill på nio svåra benchmarkar, så klockan inkluderar resonemanget, inte bara nätverket och prefill. Om du citerar en siffra utan den andra kommer du antingen att lova för mycket interaktivitet eller skrämma bort en köpare som hade varit nöjd.

Det ärliga operativa förbehållet är felfrekvensen: 39,7 procent av förfrågningarna returnerade en status som inte var 2xx hos alla uppströmsleverantörer under det sjudagarsfönstret, jämfört med 10,8 procent för Claude Fable 5.2 under samma period. Bygg retry- och fallback-vägen före lansering, inte efter den första incidenten, och läs versionsinformationen för Gemini 4 Carbon om vad som ändrades när den lanserades.

Var Carbon passar in när det är igång

De arbetsbelastningar som motiverar det är de som behöver 1M-fönstret och mer än en modalitet: hela kodbaser, långa transkript med talare, skannade PDF:er tillsammans med deras extraherade text. Om du väljer mellan Googles modeller, Gemini 4 Carbon vs Gemini 3.1 Pro är den direkta jämförelsen; om alternativet är en helt annan leverantör, GPT-6.1 Sol vs Gemini 4 Carbon belyser samma beslut från den andra sidan.

Om du fortfarande sätter ihop en stack i stället för att migrera en arbetsbelastning, LLM-modellistan har den aktuella katalogen med id:n och priser, och modellsidan som länkas högst upp är den du bör kontrollera innan du hårdkodar något – priser och slutpunkter ändras.

Checklistan

Lagra nyckeln i en miljövariabel, inte i repositoryt. Välj den endpoint som matchar det SDK du redan levererar. Skicka endast parametrar från listan som stöds, och använd response_format plus structured_outputs när utdata ska användas i kod. Budgetera utdata till 65K tokens och cacha allt över 20K som du läser mer än två gånger. Förvänta dig en p50 på nära sju sekunder och planera för den minoritet av anrop som returnerar ett fel. Mät det sedan på din egen trafik, eftersom ett benchmarkdiagram är en utgångspunkt och din fördelning av förfrågningar är det enda som avgör om det var rätt val.