Felo API 上的 Gemini 4 Carbon：规格参数、基准测试、定价与应用场景

Felo API 上的 Gemini 4 Carbon：1M 统一 Token 预算、思考等级、多模态限制、官方公布的基准测试成绩、实际价格及调用方法。

Google 的 Gemini 4 Carbon 是一款面向复杂长期任务的模型，适用于无法通过简单处理完成的工作：涉及数十项服务的代码库迁移、需要以可用补丁收尾的漏洞排查，或需要完整证据链而非简单结论的研究问题。

该模型已接入 Felo API。Felo 提供限时免费试用，并推出优惠后的供应商价格。你可以通过 Felo 上的 Gemini 4 Carbon 页面打开模型、在 Playground 中测试提示词并创建 API 密钥，无需等到阅读完本指南。

本文是一份实用指南，而非产品发布公告。内容涵盖 Carbon 的实际定位、它与 Gemini 4 Argon 的区别、官方公布的基准测试成绩及其局限、特殊 Token 预算的运行方式、模型的优势与不足，以及它在 Felo 平台上的价格。

Gemini 4 Carbon 是什么

Gemini 4 Carbon 是 Google 推出的前沿模型，面向编程、金融、法律、网络安全和科学领域的长期智能体任务。Google 于 2026 年 10 月 28 日发布该模型。它基于 Gemini 4 Argon 构建，初期通过 Fairwind Program 向部分网络安全防御人员开放。Google 企业平台文档已将该模型列为正式可用，发布日期为 2026 年 11 月 10 日。

"Carbon" 这个名称并不代表新一代模型，而是代表 Gemini 4 系列中的一种不同运行模式。Argon 的调优方向是通过单次生成轨迹输出篇幅较长、逻辑连贯的文档，而 Carbon 将更多预算用于思考，包括探索假设、执行验证循环和协调多步骤任务。Google 表示，Carbon 为得出答案所使用的思考 Token 数量高于 Argon。

这种设计也有代价。Carbon 处理困难任务时速度较慢，在某些条件下可能出现超时问题，而且较高的思考等级会消耗更多 Token。Google 已将这些限制列为明确的已知问题。选择 Carbon 的理由在于，它所面向的工作——安全分析、大型代码迁移、科学推理和高风险文档审查——更看重深度，而非速度。

模型规格一览

规格	数值
Felo 上的模型 ID	gemini-4-carbon
发布日期	2026 年 10 月 28 日
基础模型	Gemini 4 Argon
上下文与输出	1,048,576 Token 的统一预算，涵盖输入和输出
Felo 标注的最大输出	943.718K Token
输入	文本、图像、音频、视频、PDF 和 Office/OpenDocument 文件
输出	文本
思考等级	LOW、MEDIUM（默认）、HIGH
知识截止日期	2026 年 3 月
采样参数	Temperature 1.0、top-p 0.95、top-k 64，固定值
缓存	仅支持隐式缓存，最低 4,096 Token
Felo 推荐接口	Messages API（兼容 Anthropic）
访问权限	部分地区的经过验证的企业客户；网络安全变体仅限白名单用户

表格中的两个细节值得单独说明，因为它们会影响模型集成方式：统一 Token 预算和思考等级。

Gemini 4 Carbon 与 Gemini 4 Argon 有什么区别

Carbon 和 Argon 同属一个模型系列，拥有相同的知识截止日期，定位也有不少重叠。两者的区别主要体现在模型如何分配计算能力。

统一输入与输出预算。 Argon 通常采用 1,048,576 Token 的上下文窗口，以及独立的 65,536 Token 默认输出额度。Carbon 的 1,048,576 Token 则同时涵盖输入、思考、工具调用和最终答案。这是一笔统一预算，而不是上下文窗口加独立输出额度。

默认侧重深度推理。 Carbon 支持 LOW、MEDIUM 和 HIGH 三种思考等级。gemini-4-carbon 默认使用 MEDIUM，而网络安全宽松变体默认使用 HIGH。该模型专为长时间验证循环设计，因此 Google 将更高的 Token 消耗列为已知限制，而非程序错误。

长文本解码。 流式传输时，单个前台生成片段最多输出 65,536 Token；非流式传输时，单个片段最多输出 32,768 Token。借助长文本解码机制，可以突破单个片段的限制。Google Gen AI SDK 和 Agent Studio 会自动管理续接 Token，也可以通过自定义续接循环实现。理论上的输出上限是统一预算减去输入所占用的 Token。

更丰富的文件支持。 除 PDF 和纯文本外，Carbon 还支持 Microsoft Office 和 OpenDocument 文件，包括 .docx、.doc、.pptx、.ppt、.xlsx、.xls、.odt、.odp 和 .ods。文件可以直接内嵌，也可以从云存储读取。如果工作流程从演示文稿、电子表格或合同开始，而非纯文本导出文件，这项功能就很有价值。

安全调优与独立网络安全变体。 Google 表示，在真实代码环境中，高严重性失准警报减少了近 80%；在文本到文本安全评估中，Carbon 的多语言和多模态内容安全表现比 Argon 高出 3.50 个百分点。此外，Google 还提供 gemini-4-carbon-cyber-permissive，这是面向防御性安全工作的白名单专用变体，默认使用 HIGH 思考等级，并移除了计算机使用功能。

面向科学研究的特殊能力。 Google 表示，该模型能够将安全目标转换为数学定理，并在 PB 级序列档案中自主发现远缘同源序列。对于低同源蛋白质家族，同源序列检索量平均提升了 40 倍。这是一项针对特定研究任务的有限声明。与其将其视为通用能力，不如在自己的数据上复现测试结果。

统一 Token 预算详解

大多数模型页面会提供两个数字：上下文窗口和最大输出长度。Carbon 只提供一个总预算，并设有单个生成片段的限制。如果沿用传统模型的请求规划方式，就可能高估可用空间，或误读实际账单。

Token 预算由以下部分组成：

1. 输入（Input）——提示词、附件文档、图像、音频、视频帧和此前的对话内容。
2. 思考（Thinking）——模型在回答前消耗的推理 Token。HIGH 等级下，这部分开销可能很大。
3. 工具调用（Tool calls）——启用工具后，模型执行的所有工具调用。
4. 最终答案（Final answer）——你实际收到的文本。

以上四项共享 1,048,576 Token 的总预算。输入已经占用 900K Token 的请求，不会剩下 1M Token 用于输出，而是只剩约 148K Token，供思考、工具调用和答案共同使用，续接生成还会进一步消耗预算。

单个生成片段的限制是另一项独立规则。流式请求的单个片段最多输出 65,536 Token；非流式请求最多输出 32,768 Token。长文本解码可以在片段边界后继续生成，直到统一预算耗尽。如果你的集成将 max_tokens 理解为总输出承诺，这种理解并不正确：它限制的是单个片段，SDK 的续接处理机制才是生成长文档的关键。

Felo 的模型页面标注了 943.718K Token 的最大输出。应将其理解为 Felo 路由上的输出上限，而不是一个更大的独立上下文窗口。在统一预算机制下，答案的实际可用空间取决于输入内容占用的 Token 数量。

这项设计带来的规划原则很简单：先确定输出规模，再根据剩余空间安排输入。 对于长篇报告，应预留输出和思考预算，再调整源材料的规模。对于大型文档集分析，应接受答案长度可能短于输入，并提前规划续接生成或分阶段提示词。

思考等级：模型质量的来源

Carbon 提供三个思考等级：LOW、MEDIUM 和 HIGH。默认等级为 MEDIUM。Google 文档明确指出，设置 thinking_budget 或 thinking_level="MINIMAL" 会触发验证错误，因此无法将推理消耗调至零。

不同等级带来的实际差异十分明显。LOW 模式下，模型更接近响应速度较快的前沿聊天模型，适合信息提取、分类、改写和常规代码审查。MEDIUM 模式会将更多 Token 用于规划和自我检查。HIGH 模式会执行更长的验证循环，更有机会发现隐蔽错误，但也最容易出现响应延迟和成本上升。

以下几条经验值得参考：

• 根据错误答案的代价选择等级。 如果错误容易发现和修复，使用 LOW。如果错误可能进入生产环境或正式申报材料，应测试 HIGH。
• 衡量每个合格结果的 Token 成本，而非每次请求的 Token 成本。 更高的思考等级可能减少重试和返工，也可能让 MEDIUM 本可完成的任务产生数倍费用。应比较完整工作流程的成本。
• 不要假设基准测试使用的设置适用于你的任务。 Google 公布的主要测试数据并不总会注明思考等级。正式接入前，应使用自己的任务在两个等级下进行测试。

采样参数固定为 temperature 1.0、top-p 0.95 和 top-k 64，自定义数值会被忽略。如果你的工作流程依赖低温度带来的确定性输出，Carbon 就不适合承担该环节。可以将它用于判断和综合分析，并将确定性步骤交给支持采样参数控制的其他模型。

Google 公布的基准测试：成绩与实际意义

Felo 的模型页面汇总了 Carbon 的供应商公布基准测试结果。以下对比仅供参考：数据来自 Google 或评测机构，未经本文独立复现，反映的是特定测试条件，而非你的实际工作负载。

评测项目	衡量内容	Gemini 4 Carbon	说明
Artificial Analysis Intelligence Index v5.0	综合推理指数	59	排名第一；Claude Opus 5.5 为 58
SEC-bench Pro	漏洞发现	88.2%	网络安全、防御性扫描
CWE-bench	漏洞修补	71.0%	网络安全、漏洞修复
ExploitGym	漏洞利用	54.8%	安全研究、受控环境
Terminal-Bench 4.0	成功作弊率	0.0%	抵抗奖励操纵的能力，而非模型能力评分
Vals Index	知识工作综合评估	70.45%	36 个模型中排名第 3
Legal Research Bench	法律研究	55.77%	排名第 1
General Financial Intelligence	金融任务	#1	根据 Balyasny Asset Management 的评测，在 23 种前沿模型配置中排名第一

仔细阅读表格，可以发现三个值得关注的方面。

网络安全成绩体现的是完整漏洞处理流程，而非单一技能。 发现漏洞、编写补丁和利用漏洞属于不同能力。Carbon 公布的成绩在漏洞发现方面最强（SEC-bench Pro 为 88.2%），在漏洞利用方面较弱（ExploitGym 为 54.8%），漏洞修补成绩居中（CWE-bench 为 71.0%）。如果你的工作属于防御领域，包括扫描、分类和修复，这组成绩符合需求。如果需要自主执行漏洞利用，成绩就相对较低，访问权限也更严格。

作弊率指标衡量的是可信度，而非智能水平。 Terminal-Bench 4.0 的"成功作弊率"用于判断模型是否通过操纵基准测试来获取奖励，而非真正完成任务。0.0% 的成绩代表模型具有抵抗奖励操纵的能力。在允许智能体无人值守运行时，这项指标很重要。但它不是模型能力评分，不应与表格中其他项目的正确率百分比进行比较。

知识工作排名对大多数团队更有参考价值。 Vals Index 的 36 个模型中排名第 3、Legal Research Bench 排名第一，以及 Balyasny 金融评测中的领先成绩，体现了前沿模型适合承担的专业工作：阅读大量材料、协调相互冲突的证据，并生成供专业人员审查的成果。这些结果也容易受到提示词设计和信息源质量的影响，因此应将其视为开展测试的理由，而不是跳过测试的依据。

还有一点需要注意：Artificial Analysis 指数属于综合评分。Carbon 领先 Claude Opus 5.5 一分，这种差距很容易因任务组合变化而逆转。在你关注的具体任务上，两款模型可能存在明显差距，领先方向也可能不同。

Gemini 4 Carbon 的实际应用场景

基准测试是一张地图，而非真实环境。以下工作负载与 Carbon 的设计方向高度契合。

大型代码工程与迁移

Carbon 面向需要多智能体协作、日常调试、大型代码库迁移和算法设计的工程任务。统一预算在这些场景中很有帮助：你可以在一次请求中提交代码仓库结构图、相关源文件、失败测试输出和迁移要求，然后要求模型在修改代码前制定计划。

适合这类模型的提示词示例：

阅读附件中的代码仓库结构图和三个服务模块。找出替换会话接口后受到影响的所有调用位置，列出兼容性风险，并提出迁移顺序。暂时不要编写代码。标记所有无法通过所提供文件验证的信息。

先要求模型制定计划。审查计划后，再允许模型运行测试。差异代码审查应由人工完成——即使模型擅长制定计划，生成的补丁也可能通过编译，却存在行为错误。

防御性网络安全

网络安全基准测试表现——漏洞发现能力强、修补能力较好、漏洞利用能力较弱——与防御性工作高度契合，包括扫描代码库中的漏洞类型、分类扫描器输出、提出修补方案，以及向审查人员解释风险。Google 的网络安全变体专为这类任务设计，但访问权限通过 Fairwind Program 白名单管理，需要单独审批。

需要注意两点。第一，只能针对你获得授权测试的系统执行安全工作流程。第二，采取行动前必须验证发现结果：即使模型以很高的置信度报告漏洞，也可能出现误判，而误报会浪费工程时间。

科学与技术研究

Google 报告的科学研究能力有明确范围：将安全目标转换为数学定理，以及在 PB 级序列档案中搜索远缘同源序列。如果你在实验室或研究团队工作，可以向 Carbon 提供范围明确的问题、相关文献或序列，并要求它区分证据与推断。

40 倍的同源序列检索提升是一项引人注目的结果，但它针对特定工作流程中的低同源蛋白质家族。在围绕该能力构建工作流程前，应使用团队认可的基准进行复现。

金融、法律与高风险文档审查

知识工作排名是 Carbon 在专业服务领域的主要优势。典型任务包括账簿核对、差异分析、判例和监管文件审查，以及生成带有引用的备忘录。该模型能够读取图像和 PDF，因此扫描文档和图表也可以作为输入。

但这并不意味着可以省略人工审查。向模型提供源材料，要求它为每项结论引用对应段落，并核对所有引用。即使模型能够处理一百万 Token 的上下文，也可能误读第 412 页的内容。

配备工具的长期运行智能体

Carbon 支持函数调用、结构化输出、代码执行、URL 上下文、计算机使用，以及多种信息依据功能，包括 Google Search、Google Maps 和第三方搜索服务。它还支持智能体式视频理解，适用于输入内容为录像而非文档的场景。

这是对模型要求最高、也最容易消耗大量 Token 的使用方式。应为智能体配置监控机制：记录工具调用、限制迭代次数，并要求智能体在采取行动前总结已经验证的内容。1M Token 预算让复杂智能体成为可能，但不代表运行成本低廉。

多模态输入及其限制

Carbon 接受文本、图像、音频、视频、PDF 和 Office 文档，并以文本形式输出。各类输入的限制较宽松，但都有明确上限，其重要性高于简单的多模态支持列表。

输入类型	实际限制
音频	每个提示词约 8.4 小时，或最多 1M Token；最多 1,000 个音频文件
视频	带音频约 45 分钟，不带音频约 1 小时；每个提示词最多 10 个视频
图像和文档	每个提示词合计最多 3,000 个
文档	每个文件最多 3,000 页
Office 格式	.docx、.doc、.pptx、.ppt、.xlsx、.xls
OpenDocument 格式	.odt、.odp、.ods
输入大小	GenerateContent API 支持压缩后 500 MiB；Interactions API 支持 256 MiB

音频限制最值得关注。单次请求处理八小时音频，会改变会议密集型团队的工作方式：无需先转录再分段，可以提交一整天的通话录音，并要求模型总结主题、决策和待解决问题。代价是 Token 消耗。音频 Token 按输入 Token 计费，因此上传全天录音并非免费。

视频的限制更接近日常工作需求：45 分钟的带音频视频足以处理讲座、产品演示或录制的访谈，但无法覆盖整场会议。

还有一些功能缺口需要纳入规划。Gemini Live API 不受支持，因此无法实现实时语音交互。RAG Engine 和模型调优也不受支持，检索和微调工作需要放在应用层完成。显式上下文缓存同样不受支持，只有最低 4,096 Token 的隐式缓存。这些限制会影响重复提交长提示词时的成本规划。

如何通过 Felo 调用 Gemini 4 Carbon

Felo 将 Messages API 列为该模型的推荐接口。该接口在 https://openapi.felo.ai/api/v1/messages 接受兼容 Anthropic 的请求格式，模型 ID 为 gemini-4-carbon。

调用流程与其他 Felo 模型相同：

1. 创建 Felo API 密钥。 在 Felo 控制台创建密钥，并将其保存为 FELO_API_KEY。不要将密钥提交到代码仓库，也不要将其写入日志。
2. 先在 Playground 中测试。 Gemini 4 Carbon Playground 支持在编写代码前测试提示词。
3. 发送一个小型请求。 从简短提示词开始，确认响应格式。
4. 启用流式传输。 设置 stream: true，以使用服务器发送事件（SSE）。当单个生成片段可能达到 65,536 Token 时，这项设置很重要。
5. 测试有代表性的任务。 使用真实输入规模和评估标准，并在至少两个思考等级下完成测试，再决定是否接入工作流程。

一个最简 Python 请求示例如下：

import os
import requests

response = requests.post(
    "https://openapi.felo.ai/api/v1/messages",
    headers={
        "Authorization": f"Bearer {os.environ['FELO_API_KEY']}",
        "Content-Type": "application/json",
    },
    json={
        "model": "gemini-4-carbon",
        "max_tokens": 2048,
        "messages": [
            {"role": "user", "content": "Summarize the key risks in this change window."}
        ],
    },
    timeout=300,
)

response.raise_for_status()
print(response.json())

还有两项集成注意事项。第一，该模型具备推理能力：继续对话时，应保留返回的推理元数据，否则模型可能丢失所需上下文。第二，max_tokens 限制的是单个生成片段，而非总输出长度。对于长文本输出，应使用 SDK 提供的续接机制，而不是单纯提高参数值并寄希望于完整输出。

Felo 还为支持相关功能的模型提供兼容 OpenAI 的 Chat Completions 和 Responses 接口文档。由于 Carbon 的模型页面推荐使用 Messages 接口，在改造基于 OpenAI 的客户端前，应先查看模型页面，确认支持的接口类型。

Gemini 4 Carbon 在 Felo 上的价格

Felo 通过五条 Google 供应商路线提供 Gemini 4 Carbon，所有路线均标注 50% 折扣。以下价格均按每 100 万 Token 计算，同时列出标准价格和优惠价格。

路线	输入	输出	缓存读取
Google AI Studio Flex	$2 → $1	$10 → $5	$0.1 → $0.05
Google AI Studio	$4 → $2	$20 → $10	$0.2 → $0.1
Google Vertex global	$4 → $2	$20 → $10	$0.2 → $0.1
Google AI Studio Priority	$7.2 → $3.6	$36 → $18	$0.36 → $0.18
Google Vertex global Priority	$7.2 → $3.6	$36 → $18	$0.36 → $0.18

Felo 的定价页面将标准价格换算为"$10 可以购买什么"：约 250 万输入 Token，或 50 万输出 Token，未计入折扣。这种方式适合估算概念验证项目的成本。例如，一次测试发送包含 100,000 Token 的文档集合，并接收 5,000 Token 的答案，在 Flex 优惠路线上的费用约为 $0.13，其中输入费用为 $0.10，输出费用为 $0.025。这个成本足以支持数十次测试，再决定是否正式采用。

免费试用与价格折扣是两项独立优惠。Felo 的模型页面为 Gemini 4 Carbon 标注了限时免费试用，这是无需消耗账户额度即可测试模型的便捷方式。由于试用资格和价格折扣均有时间限制，可能发生变化，请查看模型页面上的当前条款。

使用该模型进行成本规划，还需要养成一项额外习惯。思考 Token 按输出价格计费，因此 HIGH 思考等级下的智能体运行费用，可能达到可见答案所显示成本的数倍。应记录每项任务的 Token 使用情况，包括推理 Token，并比较每个合格结果的成本，而非每次请求的成本。

正式接入前需要了解的限制

Carbon 是一款前沿模型，但也存在已记录的弱点。以下问题对生产环境规划影响较大：

• 幻觉。 Google 将幻觉列为已知限制。长上下文能够降低遗漏信息的概率，但无法保证解释正确。引用与验证流程仍然不可缺少。
• 延迟与超时。 Google 提到模型偶尔会出现响应缓慢和超时问题。长时间的 HIGH 思考任务需要设置充足的超时时间、重试机制和幂等任务处理。
• Token 消耗较高。 与 Argon 相比，Carbon 使用更多思考 Token，较高思考等级下尤为明显。应预留相应预算，并限制常规任务的计算投入。
• 知识截止日期为 2026 年 3 月。 更新日期之后的信息需要通过检索或当前信息源获取。Carbon 不掌握该日期之后发生的事件。
• 采样参数固定。 Temperature、top-p 和 top-k 均无法调整。如果工作流程需要确定性输出，应将该环节交给其他模型。
• 不支持显式缓存、模型调优、RAG Engine 或 Live API。 这些功能对应的工作需要转移到应用层处理。
• 访问限制。 Google 向部分地区经过验证的企业客户开放 Carbon；Felo 通过全球、美国和欧盟供应商提供该模型。应确认适用于自身使用场景的路线和条款。
• 安全与访问规则。 网络安全变体采用白名单机制，安全工作流程必须获得授权。模型的安全防护机制和供应商政策仍然适用。

那么，是否值得使用 Gemini 4 Carbon？

当任务周期较长、证据复杂且错误答案代价高昂时，可以选择 Gemini 4 Carbon。例如迁移计划、安全审查、研究综合分析、金融或法律分析，以及需要调查后才能采取行动的智能体。它的基准测试表现和统一预算正是为这类工作设计的。

不要将它作为所有请求的默认模型。高频分类、短文本提取、简单摘要，以及需要确定性采样的任务，更适合成本更低、速度更快的模型。只要能够达到质量标准，价格最低的模型通常就是最佳选择。Carbon 应通过最困难的工作负载证明自身价值。

客观来看：Carbon 是 Google 面向深度工作的高能力模型，在网络安全、法律、金融和长上下文推理方面展现出经过测试的优势，但也伴随延迟和 Token 成本，并存在必须认真验证的已知限制。在围绕它构建工作流程前，应先使用自己的任务进行测试。

常见问题

Felo 上的 Gemini 4 Carbon 是否提供免费试用？

是的。Felo 为 Gemini 4 Carbon 提供限时免费试用，在优惠期内，该模型的供应商价格也享有折扣。优惠条款可能变化，请查看 Gemini 4 Carbon 模型页面，了解当前试用资格。

Gemini 4 Carbon 与 Gemini 4 Argon 有什么区别？

Carbon 基于 Argon 构建，调优方向是更深层次的推理。它使用 1,048,576 Token 的统一预算，涵盖输入、思考、工具调用和输出；支持 LOW、MEDIUM 和 HIGH 三种思考等级；消耗更多思考 Token；增加 Office/OpenDocument 文件支持，并强化安全能力和网络安全定位。Argon 更适合重视输出长度而非验证深度的长篇内容生成任务。

Gemini 4 Carbon 的上下文窗口和最大输出是多少？

统一预算为 1,048,576 Token，输入和输出共同占用这笔预算。单个流式生成片段最多输出 65,536 Token，非流式生成最多输出 32,768 Token。长文本解码可以在剩余预算范围内继续生成。Felo 标注的该路线最大输出为 943.718K Token。

Gemini 4 Carbon 能否读取音频、视频和 Office 文件？

可以。它支持文本、图像、音频、视频、PDF 和 Office/OpenDocument 文件。限制包括约 8.4 小时音频、约 45–60 分钟视频、图像与文档合计 3,000 个，以及每份文档最多 3,000 页。输出仅支持文本。

Gemini 4 Carbon 是否支持兼容 OpenAI 的 API？

Felo 推荐使用兼容 Anthropic 的 Messages API 调用该模型，同时也为受支持的模型提供兼容 OpenAI 的 Chat Completions 和 Responses 接口文档。在改造现有客户端前，应通过模型页面确认当前支持的接口类型。

Gemini 4 Carbon 的价格是多少？

Felo 提供五条 Google 路线，所有路线均享受 50% 折扣：AI Studio Flex 的输入价格为每百万 Token $1，输出价格为 $5；标准 AI Studio 和 Vertex 路线为 $2 / $10；Priority 路线为 $3.60 / $18。缓存读取价格低至每百万 Token $0.05。实时价格请查看 Felo 定价页面。

Gemini 4 Carbon 是什么时候发布的？

Google 于 2026 年 10 月 28 日宣布推出 Gemini 4 Carbon，初期通过 Fairwind Program 向部分网络安全防御人员开放。Google 企业平台将 2026 年 11 月 10 日列为正式可用日期。Felo 已通过五条 Google 供应商路线提供该模型。

在 Felo 上试用 Gemini 4 Carbon

评估 Carbon 的最快方式，是给它一个你已经知道答案的任务。打开 Gemini 4 Carbon Playground，粘贴真实文档或代码示例，并使用相同提示词对比 LOW 和 HIGH 两种思考等级。如果结果符合预期，就创建 API 密钥，将测试接入自己的工作流程。

从 Gemini 4 Carbon 模型页面开始，查看当前试用条款、供应商路线和使用限制，然后围绕你实际面临的最困难任务，构建一个规模最小的测试项目。

---

本文还提供以下语言版本：English、日本語、한국어、繁體中文、हिन्दी、Français、العربية、Русский、اردو、Bahasa Indonesia、Deutsch、Tiếng Việt、Türkçe、Italiano、ไทย、Español、বাংলা、Português。