Gemini 4 Carbon 评测：指数排名第四，回答缓慢
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 226 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 101 tok/s
- orca新Orca: OrcaC2 1.02026-11-0717 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 82 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 182 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 每百万 tokens · 46 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 139 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 63 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 96 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 182 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 138 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百万 tokens · 111 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百万 tokens · 319 tok/s
Gemini 4 Carbon 在独立榜单上排名第四，定价却像中端模型，如实评测时这是个不寻常的组合：Gemini 4 Carbon API页面标价为每百万输入 token 2.00 美元、每百万输出 10.00 美元，而它公布的成绩是 Artificial Analysis Intelligence Index v5.0.1 上的 60 分，在 78 个模型中排名第四。评测必须回答的问题不是 60 分好不好，而是为了得到它，你在实际耗时和失败率上付出了什么。
它是什么
Google Gemini 4 系列中的一款多模态模型，上下文窗口为 1,048,576 个 token，输出上限为 65K。它可接收文本、图像、音频、视频和文档，并返回文本，原生支持工具调用和结构化 JSON 输出。它既可通过 OpenAI 兼容端点作答，也可通过原生 Gemini generateContent API 作答，并且提供零数据保留（Zero Data Retention）。
参数集说明了它想成为什么样的模型：reasoning、include_reasoning、structured_outputs、tools、tool_choice、seed、temperature、top_p。同一份列表中同时出现 seed 和响应格式，这正是面向抽取与智能体流水线、而非创意写作的模型所具备的特征。
分数，以及该分数所对应的版本
60 无法与你会看到其他模型被引用的旧数值相提并论，而这是本月发布的对比中最常见的一个错误。Intelligence Index v5.0.1 与 v4.3 和 v4.3.2 是 different evaluation sets，因此 v4.3 的分数和 v5.0.1 的分数不应出现在同一张表里。在 v5.0.1 队列中，Carbon 的 60 使其在 78 个模型中排名第四，落后于得分为 65 的 Claude Fable 5.2，并领先于所有其他已重新评分的模型。
那个数字背后的九项评测是 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 和 Terminal-Bench-Science 0.1。这是一个兼顾智能体与科学任务的组合——终端操作、自动化、文档 grounding、高难度推理——而不是编程排行榜式的组合。模型可以在这里得分很高，却仍可能在仓库级重构上失手，所以在对自己的用例下任何结论之前，先看细分结果。
头条数字所掩盖的部分
Carbon 在 AA 测试框架中的首 token 时间为 64.7 秒，在 77 个有延迟数据的模型中排名第 69。九项评测中，每个任务的总实际耗时为 28.4 分钟。开始输出后的生成速度为每秒 72 个 token，这虽不出众，但并非问题所在；问题在于首个 token 之前的思考时间。
对 Carbon 运行该索引在提供商支出上花费了 $5.48，按每百万 token 2.70 美元的混合均价折算，单次基准测试就消耗了大量 token。AA 还报告本次运行的冗长率为 2.69%，同时输出 token 达 2.05 亿。不要把该百分比当作简洁度得分来解读：Claude Fable 5.2 的冗长率低得多，仅为 0.97%，但输出 token 更高，达 2.75 亿，可见这两个数字各自独立变化。
如果价格是你读到这里的原因，那么LLM API 定价对比将每百万 2.70 美元的混合价格与目录中的其余选项并列展示，包括比它更便宜的模型，以及为获得相当评分而贵出数倍的模型。
通过网关，数字看起来不一样
AA 的 64.7 秒是一个让模型思考难题的基准测试框架。在 OrcaRouter 过去七天的实时流量中，Carbon 的首 token p50 时间为6.89 秒，p95 为 10.00 秒，在已服务的 960 万个 token 中，输出速度为每秒 226 个 token。两者都是真的。聊天产品看到的结果接近第一个数字；批量评估克隆看到的结果接近第二个。
比这两者都更值得关注的数据是错误率：在那个七天窗口内，所有上游提供商共有 39.7% 的请求返回非 2xx，而 Claude Fable 5.2 为 10.8%。无论原因是什么——容量、速率限制、提供商轮换——一个调用 Carbon 却没有重试预算和备用模型的产品，向用户呈现的失败率将是任何基准图表都无法预测的。这是一个路由问题，也是第二周之前最该测试的一件事。
它在目录中应属的位置
与自家兄弟型号相比，Carbon 是 Gemini 4 系列中的多模态成员，而非廉价之选：输入价格与 Gemini 3.1 Pro 完全相同，均为 $2.00，输出价格则便宜 $2.00，而真正关键的差异在于，Carbon 支持音频和视频，而 3.1 Pro 仅支持文本和图像。如果你的处理流程从不涉及视频文件，那你就是在为一项用不到的能力付费。
与其余候选模型相比，最终决策通常归结为两个问题。如果这是 Google 内部的选择，Gemini 4 Carbon 与 Gemini 3.1 Pro的对比才是关键。如果涉及跨厂商，GPT-6.1 Sol 与 Gemini 4 Carbon以及Claude Opus 5.5 与 Gemini 4 Carbon涵盖了两种最常见的备选方案；如果你考虑的并非其中之一，LLM 模型列表中提供了完整的目录。
判决
Carbon 凭借每美元输入所对应的能力位居第四，而它赢得这一位置的方式，更适合长时间、多模态、结构化的工作，而不是对话。价格表里没有体现的两项成本，才决定它是否适合你：在基准测试框架下，首个 token 输出前要思考 64.7 秒；在真实流量中，错误率接近 40%。把这两点都绕开——用回退链、重试预算，以及为非交互场景准备异步队列——它的价格与得分之比确实很难被超越。如果把它放在没有回退的同步 UI 后面，你就会得出这个模型比实际更差的结论。
