如何使用 Gemini 4 Carbon：API 设置、参数与费用

Gemini 4 Carbon 是 Gemini 4 系列中 Google 的多模态模型，而在 OrcaRouter 上，只需一个密钥即可访问它：模型 ID 是 google/gemini-4-carbon，标价为每百万输入 token 2.00 美元、每百万输出 token 10.00 美元，Gemini 4 Carbon API 页面会显示实时数据。下面给出的是实际可行的配置流程，按你会遇到的顺序展开：端点、请求结构、参数集、成本，然后是在把模型放到用户面前之前应当预留的延迟数据。

模型接受的内容

上下文窗口为 1,048,576 个 token，每次响应的输出上限为 65K 个 token，这是首先需要牢记的一点：超大文档可以放进提示词中，但回答长度远低于输入上限。输入模态包括文本、图像、音频、视频和文档；输出为文本。支持原生工具使用和函数调用，也支持结构化 JSON 输出，这正是它能在智能体循环中使用、而不只是作为聊天框的原因。

此模型支持零数据保留（Zero Data Retention）。启用 ZDR 后，请求只会发送给签订零保留协议的上游提供商；因此，如果贵方采购团队需要书面确认，这属于路由设置，而不是单独的合同。

端点一：OpenAI 兼容路径

如果你已经有代码在对接任意 OpenAI 客户端，那就走这条路径。把 SDK 指向 OrcaRouter，保留模型 id，请求中的其他内容一概不用改。下面的示例就是完整的程序：

将基础 URL 设置为 https://api.orcarouter.ai/v1，从环境变量而不是字面量中读取密钥，并传入 google/gemini-4-carbon 作为模型。同样的三行代码在 Python、TypeScript 和 Go SDK 中都能用，因为其传输格式是 Chat Completions。

端点二：原生 generateContent

如果你的技术栈基于 Gemini SDK 而不是 OpenAI 客户端构建，Carbon 仍会在同一主机的 /v1beta/models/{model}:generateContent 上原生响应。有意思的结果是，你可以按请求逐个迁移工作负载：对与其他供应商共享代码的服务，运行 OpenAI 兼容路径；而在已经依赖 Gemini 特有字段的地方，使用原生路径。两者都计入同一个密钥和同一个余额，这正是用网关替代一组供应商账户的理由。

被遵循的参数

模型页面明确列出了支持的集合：include_reasoning、max_tokens、reasoning、response_format、seed、stop、structured_outputs、temperature、tool_choice、tools 和 top_p。这份清单就是契约。如果你要从其他提供商移植请求，请在发布前检查，因为你习惯性会想到的那些参数——惩罚项、logit 偏置、十几个采样旋钮——并不在清单上。

其中有两个比其他更重要。structured_outputs 加上 response_format，能把一份 200,000 token 的文档变成下游代码可直接读取的记录，而无需你自己编写解析器。而include_reasoning 则能让你了解模型在作答之前做了什么；在生产环境中关闭它，就等于把你的 schema 交给一个不透明的步骤。

一次请求的成本

输入为每百万 token $2.00，输出为每百万 $10.00，缓存读取为每百万 $0.100。一个示例：一份 40,000 token 的合同加上一次 2,000 token 的结构化提取，计费为 $0.08 的输入和 $0.02 的输出，因此每份文档十美分。同样这 40,000 个 token 从缓存读取则改为按 $0.004 计费，这就是为什么对于任何会重复读取同一语料库的工作流，缓存这一项都很重要。

作为参照，同一份 40,000 token 的文档，用 Gemini 3.1 Pro 处理时输入成本相同，但输出成本高 20%；用 Gemini 3 Flash 处理时，输入和输出成本都只有四分之一——两者之间的选择取决于模态和上下文，而不是输入价格，因为 Carbon 和 3.1 Pro 的输入价格完全相同。免费 LLM API 对比明细正是将其与目录中其余产品进行比较的地方。

两个含义不同的延迟数字

OrcaRouter 自己的模型页面报告了过去七天实时流量的数据：首个 token 的 p50 时间为 6.89 秒，p95 为 10.00 秒，输出速度为每秒 226 个 token，已服务超过 960 万个 token。这就是交互式调用方通过该网关获得的体验。

Artificial Analysis 报告称，同一模型的首个 token 耗时为 64.7 秒，每个任务的实际耗时为 28.4 分钟。二者并不矛盾；它们衡量的是不同的指标。AA 运行一套固定的评估框架，在九项高难度基准测试中让模型自行决定思考多久，因此计时包含推理时间，而不仅仅是网络和预填充。如果你只引用其中一个数字而不提另一个，要么会过度承诺交互性，要么会吓跑原本可以接受的买家。

坦率的运营警示是错误率：在那七天窗口期内，所有上游提供商的请求中有 39.7% 返回非 2xx 状态，而同期 Claude Fable 5.2 为 10.8%。请在发布前构建重试和回退路径，而不是在第一次事故之后，并阅读 Gemini 4 Carbon 发布说明，了解它上线时有哪些变化。

Carbon 运行起来后适用于哪些场景

真正值得采用它的工作负载，是那些需要 100 万上下文窗口且不止一种模态的场景：整个代码库、带说话人标记的长篇转录文本、扫描版 PDF 及其提取出的文本。如果你是在 Google 的模型之间做选择，Gemini 4 Carbon 与 Gemini 3.1 Pro 对比就是直接的比较；如果备选方案完全来自另一家厂商，GPT-6.1 Sol 与 Gemini 4 Carbon 对比则从另一侧覆盖同一个决策。

如果你还在组装一套技术栈，而不是迁移单个工作负载，那么LLM 模型列表提供了包含 ID 和价格的当前目录；在硬编码任何内容之前，应查看顶部链接的模型页面——价格和端点会变动。

检查清单

将密钥存储在环境变量中，而不是仓库里。选择与你已交付的 SDK 相匹配的端点。只发送受支持列表中的参数，并在输出要供代码使用时使用 response_format 加 structured_outputs。将输出预算设为 65K 个 token，并缓存任何超过 20K 且你读取超过两次的内容。预期 p50 接近七秒，并为少数返回错误的调用做好规划。然后在你自己的流量上进行测量，因为基准图表只是起点，而你的请求分布才是决定这是否是正确选择的唯一因素。