Gemini 4 Carbon so với Grok 4.7: Bảng giá nói gấp 3 lần, hóa đơn chẳng nói gì

Gemini 4 Carbon niêm yết ở mức 10 USD mỗi triệu token đầu ra. Grok 4.7 niêm yết ở mức 6 USD. Ở hai con số mà mọi trang giá đều in đậm, Carbon tốn hơn hai phần ba để “nói” và gấp đôi để “đọc”, và kết luận hiển nhiên là Grok 4.7 mới là lựa chọn đáng giá. Rồi bạn đo chi phí cho một tác vụ đã hoàn thành, và hai mô hình chỉ chênh nhau đúng một xu: 7,76 USD cho Gemini 4 Carbon so với 7,77 USD cho Grok 4.7 trên Chỉ số Thông minh của Artificial Analysis. Cùng một hóa đơn, cách nhau hai mươi lăm điểm chỉ số về năng lực. Đó là toàn bộ luận điểm của so sánh này, và đó không phải điều mà bảng giá của bất kỳ nhà cung cấp nào có thể cho bạn thấy.

Thời điểm rất quan trọng đối với cách bạn đọc phần còn lại. Gemini 4 Carbon trở nên có thể gọi được trên Gemini API trả phí vào ngày 10 tháng 11 năm 2026, mười hai ngày sau khi Google công bố nó với một nhóm kín. Grok 4.7 được xAI phát hành vào ngày 21 tháng 9 năm 2026 và đã có thể định tuyến kể từ đó. Một cái mới chỉ được một tuần trong tay công chúng; cái kia đã có bảy tuần sử dụng trong môi trường sản xuất.

Hai bảng giá trông có vẻ chênh lệch hơn so với thực tế

Bắt đầu với cấu trúc thô, vì phân tầng chính là chỗ hai bên khác nhau trên thực tế.

• Giá đầu ra — Carbon 10 USD mỗi triệu cho đến ngày 30 tháng 11 năm 2026, sau đó là 20 USD. Grok 4.7 6 USD mỗi triệu với đầu vào dưới 200.000 token, sau đó là 12 USD.

• Giá đầu vào — Carbon 2 đô, sau đó 4 đô từ ngày 1 tháng 12. Grok 4.7 2 đô, tăng lên 4 đô khi vượt mốc 200k. Cấu trúc giống hệt, con số giống hệt, chỉ khác ngày áp dụng.

• Đầu vào được lưu đệm — Carbon $0,10 mỗi triệu hiện nay, $0,20 sau ngày 1 tháng 12, chỉ áp dụng lưu đệm ngầm. Grok 4.7 $0,50, tăng lên $1,00 với prompt dài, kèm mức giảm giá 75% trên mức giá mới.

• Ngữ cảnh — Carbon 1.048.576 token. Grok 4.7 500.000. Carbon có cửa sổ lớn hơn gấp đôi.

• Trần đầu ra — Carbon 65.536 token đồng bộ, lên đến 1.048.576 với giải mã dài. Grok 4.7 lên đến 450.000. Trên thực tế, Grok viết câu trả lời dài hơn trong một lần gọi so với Carbon theo mặc định.

• Phương thức đầu vào — Carbon nhận văn bản, hình ảnh, âm thanh, video và PDF. Grok 4.7 nhận văn bản, hình ảnh và tệp.

• Trọng số — cả hai đều đóng. Không bên nào có thể tự triển khai, nên cả hai đều có cùng mức rủi ro phụ thuộc nhà cung cấp.

• Mức độ suy luận — Carbon thinking ở mức thấp, trung bình và cao; Grok 4.7 ở mức thấp, cao và xhigh. Các con số được công bố được trích dẫn tương ứng ở mức high và xhigh, đây là điều đầu tiên cần kiểm tra trước khi sao chép bất kỳ điểm số nổi bật nào.

Hai điểm bất đối xứng trong danh sách đó thực sự đóng vai trò quan trọng. Ngữ cảnh 1M của Carbon gấp đôi của Grok, điều này quan trọng với công việc trên toàn bộ kho mã hoặc nhiều tài liệu. Mức trần đầu ra 450K của Grok gấp bảy lần giới hạn đồng bộ của Carbon, điều này quan trọng nếu bản thân sản phẩm bàn giao dài — một báo cáo được tạo, một tệp được di trú, một chuỗi bản vá dài. Một mô hình có thể chứa một triệu token đầu vào nhưng chỉ ghi lại 65K thì không phải là mô hình đầu ra dài, bất kể cửa sổ ngữ cảnh được ghi thế nào trên bảng thông số.

Con số dung hòa hai mức giá

Artificial Analysis đo cả hai mô hình trên cùng một chỉ số gồm chín bài đánh giá, phiên bản v5.0.1, và công bố chi phí cho mỗi tác vụ trong chỉ số, có tính đến số token mà mỗi mô hình thực sự dùng để hoàn thành công việc. Chính phép đo này là lý do khiến so sánh này không diễn ra theo cách mà bảng giá niêm yết gợi ý.

• Chỉ số thông minh — Gemini 4 Carbon 60 ở mức nỗ lực cao, đứng thứ tư trong số 74. Grok 4.7 35 ở xhigh, đứng thứ bốn mươi mốt trong số 74. Các cài đặt trung bình và thấp của Carbon đạt 58 và 54; các cài đặt cao và thấp của Grok lần lượt đạt 35 và 31.

• Chi phí cho mỗi tác vụ lập chỉ mục — Carbon $7.76, Grok $7.77. Chênh nhau một xu, nghiêng về mô hình đắt tiền hơn.

• Token đầu ra trên chỉ số — Carbon 205 triệu, Grok 148 triệu, so với mức trung vị 72,8 triệu.

• Thời gian mỗi tác vụ index — Carbon 25,6 phút, Grok 25,9 phút. Vẫn ngang nhau.

• Tốc độ đầu ra — Carbon 80 token mỗi giây, Grok 67. Carbon là bộ tạo nhanh hơn mặc dù là lựa chọn đắt hơn.

• Thời gian đến token trả lời đầu tiên — Carbon 66,85 giây, Grok 53,64 giây. Cả hai đều vượt xa mức trung vị 12 giây cho phân khúc giá của chúng, và Grok là bên khởi đầu nhanh hơn trong hai.

Sự hòa giải nằm ở độ dài dòng chữ, không phải ở mức giảm giá. Carbon phát ra nhiều hơn 39% token đầu ra cho mỗi tác vụ so với Grok, và giá đầu ra của nó cao hơn 67%, vậy mà tổng chi phí tác vụ vẫn chênh lệch trong vòng một xu, bởi giá token của Grok không phải là đầu vào duy nhất của hóa đơn — khối lượng đầu vào, token suy luận và cấu trúc của từng tác vụ đều góp phần. Dù cách phân rã chính xác là gì, cách hiểu thực tế vẫn là cách hiểu sẽ đứng vững qua bất kỳ lần tái tính toán nào: so sánh theo từng token giữa hai mô hình này hầu như không cho bạn biết gì về chi phí của một khối lượng công việc, và giá niêm yết của hai nhà cung cấp chênh nhau nhiều hơn mức chênh lệch chi phí đo được trên mỗi kết quả của họ.

Hai mươi lăm điểm không phải là hai mươi lăm điểm ở mọi nơi

Một khoảng cách tổng hợp cỡ này thường vẫn tồn tại sau khi phân rã; câu hỏi là nó tồn tại ở đâu và không tồn tại ở đâu. Ba lưu ý trước khi bất kỳ ai lập ngân sách dựa trên con số 60 so với 35.

Đầu tiên là mức nỗ lực. Carbon đạt 60 ở mức nỗ lực cao, Grok đạt 35 ở xhigh. Cả hai đều là cài đặt ưa thích của nhà cung cấp chứ không phải cài đặt được khớp bằng nhau, nên phép so sánh là giữa mỗi mô hình được chạy theo cách nhà sản xuất muốn, không phải ở cùng mức tính toán. Hạ một trong hai xuống và khoảng cách sẽ thu hẹp hoặc mở rộng tùy vào việc bạn dịch chuyển đầu nào: Carbon ở mức low là 54, Grok ở mức low là 31.

Điều thứ hai là chỉ số v5.0.1 được tổng hợp từ chín đánh giá, và bảng xếp hạng không công bố điểm theo từng benchmark cho cả hai mô hình — mọi biểu đồ phụ trên cả hai trang đều ghi "Không có API công khai." Vì vậy, nhận định trung thực là Carbon thắng chỉ số tổng hợp với cách biệt 25 điểm và hiện không ai bên ngoài Artificial Analysis có thể nói đánh giá nào trong chín đánh giá đã tạo ra mức chênh lệch đó. Bất kỳ ai công bố phân tích chi tiết theo từng benchmark của cặp mô hình này đều đang trích dẫn một nhà cung cấp hoặc tự bịa ra.

{{1}}Điều thứ ba{{/1}} là chỉ số chỉ là một công cụ. Đây là một công cụ tốt, mới được sửa đổi gần đây và được áp dụng nhất quán cho cả hai mô hình, nhưng nó không phải là một quyết định sản phẩm. Một mô hình mất 25 điểm tổng hợp vẫn có thể giành chiến thắng trong nhiệm vụ bạn đang có, và hai phần tiếp theo nói về những trường hợp nó làm được như vậy.

Nơi Grok 4.7 giành chiến thắng tuyệt đối

Có ba cái, và cái đầu tiên không phải là benchmark.

Độ chín muồi. Grok 4.7 đã chính thức khả dụng được bảy tuần. Gemini 4 Carbon mới có thể gọi được một ngày sau một đợt triển khai đã thay đổi hình thức hai lần trong vòng hai tuần — công bố có giới hạn vào ngày 28 tháng 10, API trả phí vào ngày 10 tháng 11, giá tăng gấp đôi vào ngày 1 tháng 12. Một đội ngũ cần một mô hình giữ nguyên như cũ trong quý tới, ở thời điểm này, chỉ có đúng một lựa chọn trong cặp này là có thành tích đã được chứng minh.

Đầu ra dài trong một lần gọi. 450.000 token so với 65.536 token đồng bộ. Nếu tác vụ là "viết toàn bộ tệp" chứ không phải "trả lời câu hỏi", thì giới hạn trần sẽ quyết định trước cả chỉ mục.

Tính chắc chắn về chi phí đối với các prompt dài, nếu đầu vào của bạn nhỏ. Việc Grok chuyển sang mức $4/$12 chỉ kích hoạt khi đầu vào vượt quá 200.000 token, và dưới ngưỡng đó, mức $6 cho đầu ra của nó chỉ bằng một phần ba mức $20 sau tháng 12 của Carbon. Với một khối lượng công việc có đầu vào vừa phải và đầu ra lớn — tóm tắt, soạn thảo, chuyển đổi — phép tính đúng là nghiêng về Grok, và chi phí gần như giống hệt cho mỗi tác vụ lập chỉ mục là một nhận định về tổ hợp chín đánh giá cụ thể đó, chứ không phải một quy luật phổ quát.

Ngược lại, đầu vào được lưu trong bộ nhớ đệm của Grok ở mức 0,50 đô la mỗi triệu token, cao gấp năm lần mức 0,10 đô la hiện tại của Carbon. Đối với một pipeline RAG gửi lại cùng một kho ngữ liệu 100.000 token trong mỗi lần gọi, chỉ riêng dòng đó có thể lấn át mọi điểm ở trên. Đây là cách phổ biến nhất khiến một nhóm chọn sai mô hình trong hai mô hình này: họ so sánh đơn giá đầu ra mà không bao giờ tính bài toán kinh tế của bộ nhớ đệm trên đặc điểm lưu lượng riêng của mình.

Nơi Carbon xứng đáng với số tiền bỏ ra

Lý lẽ ủng hộ Carbon hẹp hơn điểm chỉ số của nó và mạnh hơn mức giá của nó gợi ý.

Tiếp nhận đa phương thức.Đầu vào âm thanh và video là ranh giới rõ ràng nhất trong toàn bộ so sánh này. Carbon tiếp nhận cả hai; Grok 4.7 không liệt kê loại nào. Một pipeline phải xem bản ghi màn hình hoặc phiên âm rồi suy luận trên một cuộc gọi thì chỉ có một ứng viên ở đây, và bao nhiêu điểm chỉ số cũng không lấp được khoảng cách đó.

Công việc về an ninh mạng và lỗ hổng bảo mật. Google đã xây dựng Carbon cho mục đích này, giới hạn bản phát hành đầu tiên chỉ dành cho các chuyên gia phòng thủ không gian mạng, và báo cáo kết quả SEC-bench Pro đạt 88,2%, ExploitGym đạt 54,8% và CWE-bench đạt 71,0% — tất cả đều do nhà cung cấp tự công bố và chưa được tái lập, nhưng hướng đi này nhất quán với mục đích đã nêu của mô hình và với việc Google đã chọn phát hành nó cho các chuyên gia phòng thủ trước các nhà phát triển. xAI không đưa ra bất kỳ tuyên bố tương đương nào về an ninh mạng cho Grok 4.7.

Ngữ cảnh toàn bộ kho mã. Cửa sổ 1M so với 500K. Gấp đôi giới hạn trần là một khác biệt thực sự đối với các tác vụ quy mô monorepo, và đối với trường hợp cụ thể là “giữ toàn bộ dịch vụ trong ngữ cảnh và suy luận xuyên suốt nó”, Grok không thể theo kịp.

Và một đối trọng trung thực: lợi thế của Carbon có được nhờ đánh đổi bằng độ trễ. Với 66,85 giây để có token đầu tiên và 25,6 phút cho mỗi tác vụ lập chỉ mục, đây không phải là mô hình để đặt sau một giao diện yêu cầu–phản hồi nếu không có sự kiên nhẫn đáng kể. Grok với 53,64 giây cũng vậy. Nếu sản phẩm của bạn cần phản hồi dưới 10 giây, thì so sánh này là giữa hai mô hình cùng thua, và câu trả lời là một mô hình nhỏ hơn, nhanh hơn ở bất kỳ phía nào.

Chạy cả hai thì cái nào mới là câu trả lời thực sự?

Lý do cuộc so kè này khó đưa ra phán quyết là hai mô hình được định hình cho những giai đoạn khác nhau của cùng một pipeline. Carbon dành cho phía đầu vào, nơi phương thức và ngữ cảnh chiếm ưu thế và khối lượng thấp. Grok dành cho phía đầu ra dài, nơi công việc là tạo ra nhiều văn bản từ một lời nhắc có giới hạn, và nơi mức giá đầu ra $6 tốt hơn mức $20. Hầu hết các đội cần một trong hai đều cần cả hai, và sai lầm là ký hai hợp đồng, hai SDK và hai mối quan hệ thanh toán để có được chúng.

Một endpoint tương thích OpenAI là lối tắt, và nó đã có sẵn ngay hôm nay cho nửa có thể định tuyến của cặp này: grok/grok-4.7 nằm trên OrcaRouter với mức $2/$6 của chính xAI — cùng giá niêm yết, được chuyển nguyên giá với mức cộng thêm 0%, bao gồm mức $4/$12 khi vượt quá 200.000 token đầu vào — song song với google/gemini-4-argon ở mức $2/$10 cho phần công việc phía Gemini không cần đến bộ phương thức của Carbon. Bản thân Gemini 4 Carbon không có trong danh mục; nó được truy cập qua API trả phí của Google, và chặng đó của pipeline là một tích hợp trực tiếp.

DSL định tuyến là phần khiến việc phân tách trở nên thực tế chứ không chỉ là mong muốn: cùng một yêu cầu có thể được kết hợp để thử đường rẻ và nâng cấp khi xác thực thất bại, với chuyển đổi dự phòng tự động nếu một nhà cung cấp bị suy giảm. Điều này ở đây quan trọng hơn bình thường, vì mô hình đắt tiền trong cặp này đã thay đổi điều khoản truy cập hai lần trong mười bốn ngày. Một pipeline có thể chuyển một nhánh sang mô hình khác mà không cần triển khai lại là phiên bản duy nhất của kiến trúc này có thể tồn tại qua lộ trình của chính nhà cung cấp nó.

Hãy chọn dựa trên ràng buộc mà bạn thực sự đang có.

• Nếu sản phẩm bàn giao là đầu ra dài từ một lời nhắc có giới hạn — Grok 4.7, và hãy kiểm tra dung lượng bộ nhớ đệm của bạn trước.

• Nếu đầu vào bao gồm âm thanh, video hoặc PDF quét — Carbon, vì không có lựa chọn thay thế nào trong cặp này.

• Nếu nhiệm vụ là phân tích bảo mật hoặc phân loại lỗ hổng — Carbon, dựa trên các số liệu an ninh mạng do Google báo cáo và lựa chọn gating của chính công ty, kèm lưu ý rằng chưa có số liệu nào trong số đó được tái lập độc lập.

• Nếu bạn cần toàn bộ kho lưu trữ trong ngữ cảnh — cửa sổ 1M của Carbon, chấp nhận độ trễ.

• Nếu bạn cần một mô hình mà các điều khoản của nó sẽ không thay đổi vào tháng tới — Grok 4.7, và đây là một lập luận mạnh hơn vẻ ngoài của nó.

• Nếu bạn không thể quyết định — hãy chạy cả hai. Chi phí đo được trên mỗi tác vụ nằm trong khoảng một xu, vì vậy một cuộc so tài kéo dài hai tuần tốn gần bằng chi phí của một mô hình, và nó tạo ra câu trả lời tốt hơn bất kỳ điểm tổng hợp nào.

Điều mà không danh sách nào trong số này có thể cho bạn biết là mô hình nào thông minh hơn, bởi ở khoảng cách này, "thông minh hơn" không phải là đại lượng đúng để đo. Hai mươi lăm điểm chỉ số là một khoảng cách lớn khi được đo đạc đúng cách, và nó vẫn để mô hình rẻ hơn trên giấy tờ ngang bằng về chi phí trên mỗi kết quả đầu ra và dẫn trước về giới hạn đầu ra, độ trưởng thành và thời gian đến token đầu tiên. Đó không phải là mâu thuẫn trong các bài đánh giá. Đó là điều xảy ra khi hai mô hình được xây dựng cho những công việc khác nhau nhưng lại được quảng bá bằng cùng một từ.