วิธีใช้ Gemini 4 Carbon: การตั้งค่า API พารามิเตอร์ และค่าใช้จ่าย
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 226 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 101 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0717 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 82 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 182 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 46 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 139 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 63 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 96 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 182 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 138 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 111 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 319 tok/s
Gemini 4 Carbon คือโมเดลมัลติโหมดของ Google ในตระกูล Gemini 4 และบน OrcaRouter คุณสามารถเข้าถึงได้ด้วยคีย์เดียว โดยไอดีโมเดลคือ google/gemini-4-carbon ราคาตามประกาศคือ $2.00 ต่อหนึ่งล้านโทเค็นอินพุต และ $10.00 ต่อหนึ่งล้านโทเค็นเอาต์พุต และGemini 4 Carbon APIคือหน้าที่แสดงตัวเลขล่าสุด ต่อไปนี้คือการตั้งค่าที่ใช้งานได้จริง ตามลำดับที่คุณจะพบ: เอนด์พอยต์ โครงสร้างคำขอ ชุดพารามิเตอร์ ค่าใช้จ่าย จากนั้นคือตัวเลขความหน่วงที่คุณควรเผื่อไว้ก่อนนำไปใช้งานกับผู้ใช้
สิ่งที่โมเดลยอมรับ
หน้าต่างบริบทมีขนาด 1,048,576 โทเค็น และเพดานเอาต์พุตอยู่ที่ 65K โทเค็นต่อการตอบหนึ่งครั้ง ซึ่งเป็นสิ่งแรกที่ต้องทำความเข้าใจให้ชัด: เอกสารขนาดใหญ่มากสามารถใส่ในพรอมป์ต์ได้ แต่คำตอบถูกจำกัดไว้ต่ำกว่าขนาดอินพุตอย่างชัดเจน รูปแบบอินพุตที่รองรับคือข้อความ รูปภาพ เสียง วิดีโอ และเอกสาร ส่วนเอาต์พุตเป็นข้อความ รองรับการใช้เครื่องมือแบบเนทีฟและการเรียกฟังก์ชัน รวมถึงเอาต์พุต JSON แบบมีโครงสร้าง ซึ่งเป็นสิ่งที่ทำให้มันใช้งานได้ภายในลูปของเอเจนต์ ไม่ใช่แค่กล่องแชทเท่านั้น
Zero Data Retention ใช้งานได้บนโมเดลนี้ เมื่อเปิด ZDR คำขอจะถูกส่งไปยังผู้ให้บริการต้นทางที่มีข้อตกลงไม่เก็บข้อมูลเท่านั้น ดังนั้นหากทีมจัดซื้อจัดจ้างของคุณต้องการสิ่งนั้นเป็นลายลักษณ์อักษร นี่เป็นการตั้งค่าการกำหนดเส้นทางมากกว่าสัญญาแยกต่างหาก
Endpoint หนึ่ง: เส้นทางที่เข้ากันได้กับ OpenAI
นี่คือเส้นทางที่ควรใช้หากคุณมีโค้ดที่ทำงานกับไคลเอนต์ OpenAI ใดๆ อยู่แล้ว เพียงชี้ SDK ไปที่ OrcaRouter เก็บ model id ไว้ และไม่มีสิ่งอื่นในคำขอของคุณเปลี่ยนแปลง ตัวอย่างด้านล่างคือโปรแกรมทั้งหมด:
ตั้งค่า base URL เป็น https://api.orcarouter.ai/v1 อ่านคีย์จากตัวแปรสภาพแวดล้อมแทนการใส่ค่าโดยตรง และส่งgoogle/gemini-4-carbonเป็นโมเดล สามบรรทัดเดียวกันนี้ใช้ได้จาก SDK ของ Python, TypeScript และ Go เนื่องจากรูปแบบการรับส่งข้อมูลคือ Chat Completions
เอนด์พอยต์ที่สอง: generateContent แบบเนทีฟ
หากสแต็กของคุณสร้างบน Gemini SDK แทนที่จะเป็นไคลเอนต์ OpenAI Carbon ก็ยังตอบกลับแบบเนทีฟที่ /v1beta/models/{model}:generateContent บนโฮสต์เดียวกัน ผลลัพธ์ที่น่าสนใจคือคุณสามารถย้ายเวิร์กโหลดทีละคำขอได้ ใช้เส้นทางที่เข้ากันได้กับ OpenAI สำหรับบริการที่แชร์โค้ดกับผู้ให้บริการรายอื่น และใช้เส้นทางเนทีฟในจุดที่คุณพึ่งพาฟิลด์เฉพาะของ Gemini อยู่แล้ว ทั้งสองเส้นทางคิดเงินกับคีย์เดียวกันและยอดคงเหลือเดียวกัน ซึ่งเป็นเหตุผลสนับสนุนการใช้เกตเวย์แทนการมีชุดบัญชีผู้ให้บริการหลายบัญชี
พารามิเตอร์ที่ได้รับการปฏิบัติตาม
หน้ารายละเอียดของโมเดลระบุชุดที่รองรับไว้อย่างชัดเจน ได้แก่ include_reasoning, max_tokens, reasoning, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools และ top_p รายการนี้คือข้อกำหนด ถ้าคุณกำลังย้ายคำขอจากผู้ให้บริการรายอื่น ให้ตรวจสอบก่อนส่งมอบ เพราะพารามิเตอร์ที่คุณมักหยิบมาใช้จนติดเป็นนิสัย — เงื่อนไขการลงโทษ, ค่า bias ของ logit, ปุ่มปรับการสุ่มตัวอย่างนับสิบ — ไม่ได้อยู่ในรายการนี้
สองตัวในนั้นสำคัญกว่าตัวอื่น ๆ structured_outputs บวกกับ response_format คือสิ่งที่เปลี่ยนเอกสาร 200,000 โทเคนให้เป็นเรกคอร์ดที่โค้ดปลายทางของคุณอ่านได้โดยไม่ต้องมีพาร์เซอร์ที่คุณเขียนเอง และ include_reasoning คือวิธีที่คุณจะรู้ว่าโมเดลทำอะไรก่อนจะตอบ ถ้าปิดมันในโปรดักชัน คุณก็กำลังไว้วางใจขั้นตอนที่มองไม่เห็นด้วยสคีมาของคุณ
ค่าใช้จ่ายของคำขอ
อินพุตอยู่ที่ $2.00 ต่อล้านโทเคน และเอาต์พุตอยู่ที่ $10.00 ต่อล้านโทเคน โดยการอ่านจากแคชอยู่ที่ $0.100 ต่อล้าน ตัวอย่างการคำนวณ: สัญญา 40,000 โทเคนบวกกับการสกัดโครงสร้าง 2,000 โทเคน คิดเป็นอินพุต $0.08 และเอาต์พุต $0.02 ดังนั้นจึงเป็นสิบเซนต์ต่อเอกสาร โทเคน 40,000 รายการเดียวกันเมื่ออ่านจากแคชจะถูกคิดเพียง $0.004 แทน ซึ่งเป็นเหตุผลว่าทำไมรายการแคชจึงสำคัญสำหรับเวิร์กโฟลว์ใดๆ ที่อ่านคลังข้อมูลเดิมซ้ำ
เพื่อให้เห็นขนาด ในเอกสาร 40,000 โทเค็นเดียวกัน เมื่อเทียบกับ Gemini 3.1 Pro จะมีต้นทุนอินพุตเท่ากันแต่เอาต์พุตแพงกว่า 20 เปอร์เซ็นต์ และเมื่อเทียบกับ Gemini 3 Flash จะมีต้นทุนเพียงหนึ่งในสี่ในทั้งสองด้าน — ตัวเลือกระหว่างทั้งสองขึ้นอยู่กับมอดาลิตีและบริบท มากกว่าราคาอินพุต ซึ่งเท่ากันระหว่าง Carbon และ 3.1 Pro ส่วน รายละเอียดการเปรียบเทียบ API LLM ฟรีคือจุดที่ใช้เปรียบเทียบเรื่องนั้นกับส่วนที่เหลือของแคตตาล็อก
ตัวเลขความหน่วงสองค่าที่มีความหมายต่างกัน
หน้าโมเดลของ OrcaRouter เองรายงานข้อมูลการรับส่งจริงในช่วงเจ็ดวันที่ผ่านมา: p50 ของเวลาถึงโทเคนแรกอยู่ที่ 6.89 วินาที p95 อยู่ที่ 10.00 วินาที และความเร็วเอาต์พุต 226 โทเคนต่อวินาที จากจำนวนโทเคนที่ให้บริการ 9.6 ล้านโทเคน นี่คือสิ่งที่ผู้เรียกแบบอินเทอร์แอกทีฟได้รับผ่านเกตเวย์
Artificial Analysis รายงานว่า 64.7 วินาทีถึงโทเคนแรก และ 28.4 นาทีของเวลาตามนาฬิกาต่อหนึ่งงาน สำหรับโมเดลเดียวกัน สิ่งเหล่านี้ไม่ได้ขัดแย้งกัน แต่เป็นการวัดที่แตกต่างกัน AA ใช้ชุดทดสอบการประเมินแบบคงที่ที่ขอให้โมเดลคิดนานเท่าที่ต้องการบนเกณฑ์มาตรฐานยากเก้ารายการ ดังนั้นเวลาจึงรวมการคิดวิเคราะห์ ไม่ใช่แค่เครือข่ายและการประมวลผลล่วงหน้า (prefill) หากคุณอ้างตัวเลขหนึ่งโดยไม่อีกตัว คุณจะสัญญาเรื่องการโต้ตอบเกินจริง หรือทำให้ผู้ซื้อที่จริงก็รับได้อยู่แล้วหวาดกลัว
ข้อควรระวังด้านการดำเนินงานอย่างตรงไปตรงมาคืออัตราข้อผิดพลาด: 39.7 เปอร์เซ็นต์ของคำขอที่ส่งคืนสถานะที่ไม่ใช่ 2xx จากผู้ให้บริการต้นทางทั้งหมดในช่วงเจ็ดวันนั้น เทียบกับ 10.8 เปอร์เซ็นต์สำหรับ Claude Fable 5.2 ในช่วงเวลาเดียวกัน สร้างเส้นทาง retry และ fallback ก่อนเปิดตัว ไม่ใช่หลังเหตุการณ์แรก และอ่านบันทึกประจำรุ่น Gemini 4 Carbonเพื่อดูสิ่งที่เปลี่ยนแปลงเมื่อเปิดตัว
ตำแหน่งของ Carbon เมื่อเริ่มทำงาน
เวิร์กโหลดที่ทำให้สิ่งนี้สมเหตุสมผลคือสิ่งที่ต้องใช้หน้าต่าง 1M และมากกว่าหนึ่งโมดัล: โค้ดเบสทั้งหมด, ทรานสคริปต์ยาวที่มีผู้พูด, PDF ที่สแกนพร้อมข้อความที่สกัดออกมา หากคุณกำลังเลือกระหว่างโมเดลของ Google, Gemini 4 Carbon vs Gemini 3.1 Pro คือการเปรียบเทียบโดยตรง; หากทางเลือกคือผู้ให้บริการรายอื่นโดยสิ้นเชิง, GPT-6.1 Sol vs Gemini 4 Carbon ครอบคลุมการตัดสินใจเดียวกันจากอีกด้านหนึ่ง
หากคุณยังคงประกอบสแต็กอยู่แทนที่จะย้ายเวิร์กโหลดเพียงรายการเดียว รายการโมเดล LLM มีแคตตาล็อกปัจจุบันพร้อม id และราคา และหน้าโมเดลที่ลิงก์ไว้ด้านบนคือหน้าที่ควรตรวจสอบก่อนที่คุณจะฮาร์ดโค้ดสิ่งใด ๆ — ราคาและเอนด์พอยต์มีการเปลี่ยนแปลง
รายการตรวจสอบ
เก็บคีย์ไว้ในตัวแปรสภาพแวดล้อม ไม่ใช่ในรีโพซิทอรี เลือก endpoint ที่ตรงกับ SDK ที่คุณใช้งานอยู่แล้ว ส่งเฉพาะพารามิเตอร์จากรายการที่รองรับ และใช้ response_format ร่วมกับ structured_outputs เมื่อเอาต์พุตต้องป้อนให้โค้ด กำหนดงบเอาต์พุตที่ 65K โทเค็น และแคชสิ่งใดก็ตามที่เกิน 20K ซึ่งคุณอ่านมากกว่าสองครั้ง คาดว่า p50 จะอยู่ใกล้เจ็ดวินาที และวางแผนรองรับส่วนน้อยของการเรียกที่คืนค่าข้อผิดพลาด จากนั้นวัดผลกับทราฟฟิกของคุณเอง เพราะแผนภูมิ benchmark เป็นเพียงจุดเริ่มต้น และการกระจายของคำขอของคุณเท่านั้นที่ตัดสินว่ามันเป็นตัวเลือกที่ถูกต้องหรือไม่
การเปรียบเทียบในบทความนี้2
ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
