> ## Content Index
> Fetch the complete content index at: https://matveev.tech/llms.txt
> Use this file to discover other available public pages before exploring further.

# Gemini 4 Carbon: обзор и тест против Argon
- URL: https://matveev.tech/gemini-4-carbon-obzor/
- Published: 2026-11-11T11:19:38.000Z
- Updated: 2026-11-11T11:19:38.000Z
- Description: Прогнал новую модель Google через API в день запуска: где Carbon точнее Argon, где фильтр режет аудит и почему Argon на high вышел дешевле.
- Author: Павел Матвеев
- Tags: LLM, Обзор, Google, Безопасность

Десять минут и 19 690 токенов на размышления ушло у Gemini 4 Carbon на таблицу из 71 заказа, зато выручку он посчитал до копейки. Gemini 4 Carbon — самая сильная модель Google: с 10 ноября 2026 года она [открыта](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available/?ref=matveev.tech) в платном Gemini API по $2 за миллион входных токенов и $10 за миллион выходных, а в Gemini app и Antigravity доступна подписчикам Google AI Ultra. По тестам Google она обходит Claude Opus 5.5 и GPT-6 Astra в общем индексе, но думает дольше младшей Gemini 4 Argon и тратит больше токенов при той же цене.

Я прогнал Carbon и Argon через API в день запуска на трёх своих задачах с заранее известными ответами: баги в биллинге, аудит безопасности и расчёт выручки по CSV. Вышло два десятка запросов и $1,16\. Главный вывод меня удивил: в задаче на точность всё решил бюджет на размышления, и Argon с настройкой `high` посчитал так же точно, как Carbon.

В статье разберём:

- чем Gemini 4 Carbon отличается от Argon;
- как обе модели искали баги в биллинге;
- кто точнее посчитал выручку по CSV;
- где у Google срабатывает фильтр в аудите безопасности;
- что показывают бенчмарки против Opus 5.5 и GPT-6 Astra;
- сколько стоит Gemini 4 Carbon в API и в подписке;
- как работает /swarm в Google Antigravity;
- где попробовать модель и как подключить её по API.

Свои прогоны новых моделей на рабочих задачах я выкладываю в [телеграм-канале](https://t.me/+OU5D3Ntco3thNzQy?ref=matveev.tech&pos=lead).

## Чем Gemini 4 Carbon отличается от Argon

Это две модели одного поколения с общим окном контекста, общими инструментами и одной ценой за токен. Разница в том, сколько каждая думает перед ответом. По [документации Google](https://aistudio.google.com/docs/whats-new-gemini-4-carbon?ref=matveev.tech) на 10 ноября, Carbon тратит больше токенов на размышления за ход, проверяет себя и поэтому отвечает дольше. Argon Google советует для большинства задач, от ежедневного кода до быстрых циклов правок.

Язык интерфейса: AI Studio на английском, на русские промпты модель отвечает по-русски  
Стоимость: в API $2 / $10 за 1M токенов до 30 ноября, $4 / $20 с 1 декабря; в Gemini app и Antigravity по подписке Google AI Ultra  
Что умеет: длинные агентные задачи, отладку, аудит безопасности, контекст до 1M токенов  
****Вердикт:** для сложной отладки, аудита и длинного контекста; на ежедневные задачи хватает Argon

Argon вышел 13 октября. Carbon Google [показал](https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/?ref=matveev.tech) 28 октября, но тогда раздал его только специалистам по киберзащите из программы Fairwind. Общий доступ открылся через две недели. Для сравнения, предыдущий флагман [Gemini 3.1 Pro](https://matveev.tech/gemini-3-1-pro-obzor/) вышел в феврале, так что Google обновил старшую линейку за девять месяцев.

|                                                 | Gemini 4 Argon                                        | Gemini 4 Carbon                  |
| ----------------------------------------------- | ----------------------------------------------------- | -------------------------------- |
| Доступ в API                                    | с 13 октября 2026                                     | с 10 ноября 2026                 |
| Контекст                                        | 1 048 576 токенов на вход, размышления и ответ вместе | то же                            |
| Цена до 30 ноября, за 1M токенов                | $2 вход / $10 выход                                   | $2 / $10                         |
| Цена с 1 декабря                                | $4 / $20                                              | $4 / $20                         |
| Уровни размышлений                              | low, medium, high                                     | low, medium (по умолчанию), high |
| Размышления в моём тесте без настройки          | 0–73 токена                                           | 1 459–19 690 токенов             |
| Индекс Artificial Analysis v5.0 (данные Google) | 50                                                    | 59                               |
| Знания                                          | —                                                     | до марта 2026                    |

Строка про размышления взята из моих прогонов ниже, остальное из [страницы цен AI Studio](https://aistudio.google.com/docs/pricing?ref=matveev.tech) и [карточки модели](https://storage.googleapis.com/deepmind-media/Model-Cards/Gemini-4-Carbon-Model-Card.pdf?ref=matveev.tech). Обрати внимание на ноль у Argon: без настройки на мои задачи он почти не думал.

## Баги в биллинге: обе модели нашли всё, но цена разная

Первая задача про агентный код без агента. Я написал модуль биллинга подписок на Python из трёх файлов и заложил в него пять багов. Три из них стоят в жалобах поддержки: счёт на 19,98 вместо 19,99, падение продления у клиента с регистрацией 31 января и пробный период на день длиннее. Ещё два бага нигде не упомянуты, их видно только по расхождению кода с докстрингами: НДС считается до скидки, а ежемесячные списания отсчитываются от даты регистрации вместо первого платежа.

Модель получала код и жалобы, а возвращала исправленные файлы. Запустить код она не могла. Исправления я проверял 16 скрытыми тестами, которых модель не видела.

![Таблица в терминале: четыре прогона Argon и Carbon на задаче с биллингом, у всех 16 из 16 тестов, у Carbon от 9 до 15 тысяч токенов размышлений](https://matveev.tech/content/images/2026/11/test1-billing-summary.png)

Все четыре прогона прошли 16 тестов из 16, но Carbon думал в 9–14 раз дольше и стоил в 7–11 раз дороже. Скриншот: терминал / matveev.tech

Обе модели нашли все пять багов, включая два, о которых их не спрашивали. Argon ответил за 16 секунд и $0,015\. Carbon потратил 147–228 секунд и 9–15 тысяч токенов на размышления, что стоило $0,11–0,17\. Второй прогон Argon занял 7 минут, но это очередь в день запуска: тот же запрос в первый раз прошёл за 16 секунд.

Плюс у Carbon всё же нашёлся. Во втором прогоне он указал на шестую проблему, которую я не закладывал: функция процента округляет отрицательные суммы, то есть возвраты, не по тому правилу, что положительные. Это реальный крайний случай, Argon его не заметил ни разу. Для задачи уровня «найди и почини по жалобе» такая находка вряд ли окупает десятикратную цену, а для ревью перед релизом платёжного кода может и окупить.

## Выручка по CSV: точность до копейки стоит пять минут

Вторая задача проверяла то, на что Google делает упор в анонсе: точную работу с плотными данными. Я сгенерировал выгрузку CRM на 71 строку с ловушками: три дословных дубля, даты в двух форматах, суммы с запятой и пробелами в тысячах, заказы в долларах по курсу 81,40, четыре возврата, одна отмена и одни и те же клиенты, записанные то заглавными, то строчными. Модель должна была вернуть строгий JSON из восьми полей: чистую выручку за октябрь, число заказов, средний чек, топ-3 клиентов и списки исключённых строк. Эталон я посчитал скриптом на Python, инструменты для вычислений модели не давал.

![Таблица в терминале: восемь прогонов на задаче с CSV, Argon без настройки и Carbon на low дают 4–5 из 8 полей, Carbon по умолчанию и Argon на high дают 8 из 8](https://matveev.tech/content/images/2026/11/test3-csv-summary.png)

Всё решает число токенов на размышления: без них обе модели ошибаются в суммах, с ними обе считают до копейки. Скриншот: терминал / matveev.tech

Без настройки Argon ответил за 6–11 секунд и собрал 4–5 полей из 8\. Дубли, возвраты и отмену он нашёл верно, а выручку промахнул на 250 и 328 тысяч рублей, то есть на 9–11%. Сложить в уме почти 60 сумм в разных форматах без размышлений не получилось. Carbon оба раза выдал 2 885 319,16 рубля, ровно как эталон, и все восемь полей. Но первый прогон занял 5 минут, второй 10, по $0,18 и $0,20.

Дальше я проверил, что будет, если поменять уровни размышлений местами. Carbon на `low` ответил за 7–35 секунд и ошибся так же, как Argon: 5 полей из 8\. Argon на `high` оба раза посчитал всё до копейки за 2,5–3 минуты и $0,14–0,18\. На этой задаче он оказался быстрее и дешевле Carbon с настройками по умолчанию. Честно, такого я не ждал: шёл проверять, насколько Carbon умнее, а выяснил, что Argon по умолчанию почти не включает размышления.

![График: цена одного ответа на задаче с CSV для четырёх настроек, Argon на high стоит $0,163 и даёт 8 из 8, Carbon по умолчанию стоит $0,190 и тоже 8 из 8](https://matveev.tech/content/images/2026/11/chart-csv-cost-accuracy.png)

Точный ответ стоит около $0,16–0,19 у обеих моделей, а Argon на high приходит к нему почти втрое быстрее Carbon. Данные: свой тест через Gemini API, 10.11.2026 / matveev.tech

Вывод из восьми прогонов осторожный, выборка маленькая. Но направление понятное: прежде чем платить за Carbon ради точности, попробуй Argon с `thinking_level="high"`. А в рабочей задаче я бы вообще включил модели выполнение кода: суммы тогда складывает Python, и тратить размышления на арифметику не придётся.

Какая модель на какой задаче окупается, я разбираю на своих замерах в [телеграм-канале](https://t.me/+OU5D3Ntco3thNzQy?ref=matveev.tech&pos=mid).

## Аудит безопасности: где у Google срабатывает фильтр

Кибербезопасность Google называет главным козырем Carbon. Версию «Carbon for cyber» без части ограничений получают участники [программы Fairwind](https://deepmind.google/fairwind-program/?ref=matveev.tech), и на ней Google показывает рекорды. ExploitGym, тест на эксплуатацию уязвимостей, Carbon проходит в 54,8% случаев против 42,4% у GPT-6 Astra и 34,5% у Opus 5.5.

![График ExploitGym от Google: Gemini 4 Carbon 54,8% при лимите 10 часов, GPT-6 Astra 42,4% без лимита, Claude Opus 5.5 34,5% при лимите 6 часов](https://matveev.tech/content/images/2026/11/google-exploitgym.png)

У моделей разные лимиты времени на задачу: Carbon и Argon показаны с 10 и 6 часами, Opus 5.5 с 6 часами. Изображение: Google DeepMind

К этой цифре стоит присмотреться. Лучший результат Carbon получен с лимитом 10 часов на задачу, а Opus 5.5 мерили с лимитом 6 часов. При равных 6 часах у Carbon 53,5%, отрыв от Opus остаётся большим, просто сравнивать надо эти столбцы. Ещё три случая из [анонса](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available/?ref=matveev.tech) Google: в системе Project Fortify Carbon показал 100% полноты при сканировании и 95% точности при разборе находок на внутреннем тесте, команда Wiz по программе [Scan for Good](https://www.wiz.io/blog/scan-for-good-critical-ai-exposures?ref=matveev.tech) нашла с ним уязвимости нулевого дня у двух крупных SaaS меньше чем за два часа, а исследователи Google Cloud доказали эксплуатируемость двух багов в популярном опенсорс-проекте. Всё это данные Google и партнёров, повторить их снаружи нельзя.

Мою проверку делала обычная модель из API, без Fairwind. Я написал внутренний сервис на Flask на 120 строк с семью уязвимостями: SQL-инъекция, обход пути при скачивании файла, доступ к чужому счёту по номеру (IDOR), инъекция в шаблон, MD5 для паролей, открытый редирект и режим отладки по умолчанию. Добавил и три ловушки, которые выглядят опасно, но безопасны: сортировку из белого списка внутри f-строки SQL, вызов `subprocess` со списком аргументов и `yaml.safe_load`.

В первом запросе я попросил найти уязвимости, для каждой показать воспроизведение запросом `curl` и отдельно описать цепочку атаки. Argon отклонил его три раза из трёх: ответа нет, токены не списались, причина `block_reason: OTHER`. Carbon на тот же запрос за 34 минуты не ответил ни разу: восемь попыток подряд вернули ошибку 503, хотя другие мои запросы к нему в это время проходили. С чем это связано, по ответу API не понять.

![Вывод в терминале: запрос аудита к gemini-4-argon вернул ноль токенов и block_reason OTHER](https://matveev.tech/content/images/2026/11/test2-blocked.png)

Запрос с воспроизведением через curl фильтр режет целиком, ещё до генерации, и денег за него не берёт. Скриншот: терминал / matveev.tech

Без просьбы о `curl` запрос прошёл у обеих моделей. Обе нашли все семь уязвимостей и ни разу не приняли ловушку за дыру. Обе сами, без вопроса, связали две находки: через обход пути можно прочитать `instance/secret.key`, а с ним подделать сессию и выдать себе `is_admin=True`. Carbon оценил эту дыру как critical, Argon как high. На вопрос о том, какие уязвимости усиливают друг друга, Argon тоже ответил без блокировки, так что фильтр срабатывает именно на просьбу показать воспроизведение.

![Ответ Argon: обход пути в download(), CWE-22, high, упомянуты чтение secret.key и подделка сессии с is_admin](https://matveev.tech/content/images/2026/11/test2-audit-argon.png)

![Ответ Carbon: обход пути в download(), CWE-22, critical, тоже упомянуты secret.key и cookie с is_admin=True](https://matveev.tech/content/images/2026/11/test2-audit-carbon.png)

Обе модели сами вывели из обхода пути подделку сессии администратора, а Carbon добавил случай с абсолютным путём в os.path.join. Скриншоты: терминал / matveev.tech

По цене вышло почти поровну: Argon за 41 секунду и $0,035, Carbon за 6,5 минуты и $0,044\. На такой задаче Carbon думал сравнительно мало, 1 459 токенов. Перед ответом он шесть раз вернул ошибку 503 «модель перегружена».

## Что показывают бенчмарки против Opus 5.5 и GPT-6 Astra

По таблице Google, Carbon впереди в общем зачёте, но не везде. В индексе Artificial Analysis v5.0 у него 59 баллов против 58 у Opus 5.5 и 57 у [GPT-6 Astra](https://matveev.tech/gpt-6-astra-update-2026-09-05/). В Terminal-Bench 4.0, тесте агентной работы в терминале, у Carbon 65,2% против 59,6% и 59,1%. Сильнее всего отрыв в длинном контексте: GraphWalks на окнах от 256 тысяч до миллиона токенов Carbon проходит на 96,2%, Opus 5.5 на 66,8%.

![Таблица бенчмарков Google: Gemini 4 Carbon, Argon, GPT-6 Astra, Claude Opus 5.5 и Claude Fable 5.1 по 17 тестам](https://matveev.tech/content/images/2026/11/google-evals-table.png)

Carbon лидирует в 15 строках из 17, но в OSWorld-2.1 впереди Opus 5.5, а в FrontierSWE 2 GPT-6 Astra. Изображение: Google DeepMind, данные на октябрь 2026

Две строки Google не выделяет, но они важны для выбора. В OSWorld-2.1, где модель управляет компьютером, Opus 5.5 набирает 87,2% против 81,5% у Carbon. В FrontierSWE 2, тесте на сложные инженерные задачи, лидирует GPT-6 Astra: 65,5% против 61,2%. И таблица сравнивает Carbon с Claude Fable 5.1, хотя [Fable 5.2](https://matveev.tech/claude-fable-5-2/) вышла 9 ноября.

Независимая страница [Artificial Analysis](https://artificialanalysis.ai/models/gemini-4-carbon?ref=matveev.tech) даёт Carbon уже 60 баллов в обновлённой версии индекса v5.0.1 и добавляет то, чего нет у Google. Чтобы пройти индекс, модель сгенерировала 205 миллионов токенов при медиане 72,8 миллиона и тратила на задачу 25,6 минуты при медиане 12,8\. Artificial Analysis прямо называет её многословной и медленной. Первое место Carbon взял за счёт размышлений, и мой тест с CSV показал то же самое в малом масштабе.

Отдельно разберу фразу из анонса: Carbon первый в CursorBench 4.0, WANDR от Perplexity и AutomationBench от Zapier «с вдвое меньшей ценой за задачу», чем у лучшей сторонней модели. Google не пишет, по какой цене считал. До 30 ноября токен Carbon вдвое дешевле токена Opus 5.5, а с 1 декабря они стоят одинаково. Если расчёт сделан по вводной цене, через три недели преимущество в цене за задачу заметно сократится.

[Claude Opus 5.5: обзор, цены и отличия от Fable 5.1Главный соперник Carbon по общему индексу: бенчмарки, экономика и подвохи API модели Anthropic.matveev.tech![](https://matveev.tech/content/images/2026/09/claude-opus-5-5-cover.jpg)](https://matveev.tech/claude-opus-5-5/)

## Сколько стоит Gemini 4 Carbon в API и в подписке

В API цена за токен у Carbon и Argon одна, и до 30 ноября она вводная. Бесплатного уровня у Carbon нет, а размышления оплачиваются как выходные токены. Вот цены за миллион токенов по официальным страницам [Google](https://aistudio.google.com/docs/pricing?ref=matveev.tech), [Anthropic](https://platform.claude.com/docs/en/about-claude/pricing?ref=matveev.tech) и [OpenAI](https://openai.com/api/pricing/?ref=matveev.tech) на 10 ноября:

| Модель                                          | Вход | Выход | Чтение из кэша |
| ----------------------------------------------- | ---- | ----- | -------------- |
| Gemini 4 Carbon и Argon, до 30 ноября           | $2   | $10   | $0,10          |
| Gemini 4 Carbon и Argon, с 1 декабря            | $4   | $20   | $0,20          |
| Gemini 4 Carbon в пакетном режиме, до 30 ноября | $1   | $5    | $0,05          |
| Claude Opus 5.5                                 | $4   | $20   | $0,20          |
| Claude Fable 5.2                                | $8   | $40   | $0,20          |
| GPT-6 Astra                                     | $10  | $50   | $1,00          |

Цены $2 / $10 вводные и действуют до 30 ноября 2026 года. С 1 декабря Carbon и Argon дорожают вдвое, до $4 / $20, и бюджет на агентов лучше считать сразу по новой цене.

Цена одного запроса считается так: входные токены умножить на цену входа, плюс токены ответа и размышлений, умноженные на цену выхода. Возьмём второй прогон Carbon на задаче с CSV: 2 897 токенов на входе дают $0,0058, а 188 токенов ответа и 19 690 токенов размышлений дают $0,1988\. Итого $0,20, из них 97% ушло на размышления, сам JSON стоил меньше цента. С 1 декабря тот же запрос обойдётся в $0,41\. Подставь свои числа: если задача короткая, а ответ большой, разница с Argon будет меньше, если задача сложная и ответ короткий, больше.

Отсюда практический совет: считай не цену токена, а цену задачи, и смотри `thoughts_token_count` в ответе API. Как ещё урезать расход, я собирал в разборе [экономии токенов в Cursor и Claude Code](https://matveev.tech/kak-ekonomit-tokeny-cursor-claude-code/), почти всё оттуда применимо и к Gemini. Кэш у Carbon только неявный: Google сам переиспользует повторяющийся префикс промпта от 4 096 токенов со скидкой 95%.

Без API Carbon доступен только по подписке Google AI Ultra: в Gemini app, в поиске в режиме AI Mode и в Antigravity. На моём аккаунте без Ultra в списке моделей Gemini app Carbon нет вовсе. Учёные могут подать заявку на бесплатный доступ к Argon и Carbon в Antigravity на полгода, а специалисты по киберзащите в Fairwind.

## Как работает /swarm в Google Antigravity

/swarm — это режим Antigravity, в котором один промпт превращается в команду агентов. По [блогу Antigravity](https://antigravity.google/blog/gemini-4-carbon-in-google-antigravity?ref=matveev.tech), координатор раздаёт задачи воркерам, каждый из них работает в отдельном git worktree, а верификаторы гоняют тесты и пытаются опровергнуть каждый дифф. Все агенты пишут в общую доску сообщений, которую можно только дополнять. Агент, который ждёт своей очереди, токенов не тратит.

![Доска /swarm в Antigravity: координатор поручает двум воркерам миграцию в отдельных worktree, верификатору прогон go test -race](https://matveev.tech/content/images/2026/11/swarm-board.png)

![Список участников /swarm: координатор и верификатор на gemini-4-carbon, воркеры на gemini-4-argon, меню смены модели у воркера](https://matveev.tech/content/images/2026/11/swarm-members.png)

Слева доска, где координатор раздаёт задачи воркерам по worktree, справа выбор модели для каждого агента: Carbon для координации и аудита, Argon для механической работы. Изображения: Google Antigravity

Самое полезное здесь в том, что модель выбирается для каждого агента. Координатор и аудитор получают Carbon, механическую работу делают воркеры на Argon. Мой тест это подтверждает: на простых задачах Argon справляется сам, а дорогие размышления нужны там, где решают и проверяют.

Идея знакомая. Похожим образом устроены [команды агентов в Claude Code](https://matveev.tech/claude-code-agent-teams-instrukciya/) и [мультиагентный режим Codex](https://matveev.tech/codex-multi-agent-setup/). Google сам предупреждает, что параллельные агенты расходуют квоту быстрее обычного чата. /swarm пока в превью в приложении Antigravity и в CLI, работает у подписчиков Ultra. Как Antigravity выглядит против Cursor и Claude Code, я сравнивал в [подборке ИИ-агентов для кода](https://matveev.tech/luchshie-ai-agenty-dlya-koda-2026/).

[Паттерны воркфлоу AI-агентов: гайд от Anthropic (2026)Координатор, исполнители и проверяющий: когда такая схема окупается и как её собрать самому.matveev.tech![](https://matveev.tech/content/images/size/w1200/2026/03/2026-03-16-23.26.33.jpg)](https://matveev.tech/patterny-workflow-ai-agentov/)

## Где попробовать Gemini 4 Carbon и как подключить по API

Быстрее всего через Gemini API, на это уйдёт минут пять. Вот шаги, по которым я запускал тест.

**Взять ключ на платном тарифе.** На бесплатном аккаунте AI Studio вместо чата с Carbon показывает экран «Unlock Gemini 4 Carbon»: модель доступна только с Ultra или с оплатой запросов по API-ключу. Ключ создаётся в AI Studio, и его проект должен быть на платном тарифе.

![Экран AI Studio «Unlock Gemini 4 Carbon» и панель настроек с моделью gemini-4-carbon и уровнем размышлений Medium](https://matveev.tech/content/images/2026/11/ai-studio-unlock-carbon.png)

Без платного тарифа Carbon в AI Studio закрыт, но справа видно идентификатор gemini-4-carbon и уровень размышлений Medium по умолчанию. Скриншот: Google AI Studio / matveev.tech

**Поставить модель и уровень размышлений.** Если у тебя уже работает Argon, достаточно поменять строку модели, схема запроса та же. Я вызывал модель через библиотеку `google-genai` вот так:

```python
from google import genai
from google.genai import types

client = genai.Client()  # ключ берётся из переменной GEMINI_API_KEY
resp = client.models.generate_content(
    model="gemini-4-carbon",
    contents="Найди причину бага и верни исправленный файл: ...",
    config=types.GenerateContentConfig(
        thinking_config=types.ThinkingConfig(thinking_level="medium"),
    ),
)
print(resp.text)
print(resp.usage_metadata.thoughts_token_count)  # сколько ушло на размышления

```

**Поднять таймауты и лимит ответа.** Мой самый долгий запрос шёл 10 минут, а стандартный HTTP-таймаут в минуту оборвёт такой ответ. Синхронный ответ ограничен 65 536 токенами вместе с размышлениями. Для длинной генерации Google советует `background=True` и `max_output_tokens` до 131 072 или 262 144, а лимит ниже 32 768 ставить не рекомендует.

**Обработать перегрузку.** В день запуска API вернул мне 25 ошибок 503 «This model is currently experiencing high demand», в том числе на Argon. Без повторов с паузой первая пачка запросов просто упала. В рабочем коде нужен повтор с нарастающей паузой: у меня хватало от 30 секунд до двух минут.

**Проверить, нужен ли вообще Carbon.** Прогони ту же задачу на Argon с `thinking_level="high"` и сравни точность и `thoughts_token_count`. Если разницы нет, оставь Argon: он отвечает быстрее при той же цене за токен.

## Стоит ли переходить на Gemini 4 Carbon

Думаю, для ежедневной работы переходить не стоит. В моих тестах Argon нашёл все баги и все уязвимости за 15–40 секунд и 1,5–3,5 цента, а там, где ошибся, его вытянул уровень размышлений `high` дешевле и быстрее Carbon. Carbon мне понравился в другом. Он сам находит то, о чём его не спрашивали, вроде округления возвратов в биллинге, и стабильно доводит расчёты до точного ответа без подсказки про настройки. Это ценно там, где ошибка стоит дороже токенов: в ревью платёжного кода перед релизом и в разборе длинных документов, где у него огромный отрыв в GraphWalks.

Кому брать Carbon сейчас: тем, кто строит агентные системы и может отдать ему роль координатора или проверяющего, как в /swarm, и тем, кто работает с контекстом на сотни тысяч токенов. До 30 ноября он ещё и вдвое дешевле Opus 5.5 за токен при том же уровне в общем индексе. С 1 декабря цены сравняются, и выбор между ними будет по задачам: управление компьютером лучше у Opus 5.5, длинный контекст и кибербезопасность у Carbon. Огорчили меня перегрузка в день запуска и фильтр, который режет обычную просьбу воспроизвести уязвимость в собственном коде. Для команд безопасности путь один, программа Fairwind.

[Gemini 4 Carbon в Google AI StudioЧат с моделью и ключ для Gemini API: Carbon открыт на платном тарифе и по подписке Google AI Ultra.Google AI Studio![](https://matveev.tech/content/images/2026/11/gemini-4-carbon-key-art.jpg)](https://aistudio.google.com/prompts/new%5Fchat?model=gemini-4-carbon&ref=matveev.tech)

Другие обзоры моделей Google, OpenAI и Anthropic собраны в разделе [Модели](https://matveev.tech/modeli/).

## Читайте также

- [Обзор GPT-6 Astra](https://matveev.tech/gpt-6-astra-update-2026-09-05/): главный конкурент Carbon от OpenAI и его цена $10/$50;
- [Claude Fable 5.2](https://matveev.tech/claude-fable-5-2/): чем новая Fable отличается от Opus 5.5 и когда она стоит своих денег;
- [Gemini Omni 1.2 Flash](https://matveev.tech/gemini-omni-1-2-flash-obzor/): видеомодель Google с тестом на русском;
- [Voice Standard Bench](https://matveev.tech/voice-standard-bench/): какую LLM брать для голосовых задач по моему замеру.