Gemini 4 Carbon vs Argon : lequel choisir pour coder ?

L'annonce de Google du 10 novembre 2026 maintient Gemini 4 Argon comme recommandation pour la plupart des tâches de code et de connaissance, et oriente Carbon vers le débogage complexe en plusieurs étapes et la recherche ouverte. Le tarif Standard est identique pour les deux : $2 par million de tokens d'entrée et $10 par million de tokens de sortie jusqu'au 30 novembre, puis $4 et $20.

• Positionnement : Argon reste le modèle par défaut pour l'essentiel du développement logiciel ; Carbon prend les tâches en plusieurs étapes les plus difficiles.
• Prix : les mêmes tarifs Standard, et les deux démarrent avec la réflexion sur medium.
• Facture : les tokens de réflexion sont facturés comme de la sortie, donc plus de raisonnement augmente le coût d'une requête ; les nouvelles tentatives, l'usage du cache et la taille de l'entrée déplacent aussi la facture d'une tâche.
• Accès : l'API Gemini payante pour les deux, sans offre gratuite.

Gemini 4 Carbon et Argon en un coup d'œil

Commence par la ligne qui peut arrêter un projet, puis par les valeurs par défaut que tu hérites.

La ligne du rôle vient de l'annonce du 10 novembre 2026. La fenêtre et la réflexion par défaut viennent de la page des modèles et de la documentation sur la réflexion, toutes deux vérifiées le 11 novembre 2026. L'accès payant est indiqué dans l'annonce et repris sur la page des tarifs, où les deux modèles sont marqués indisponibles dans l'offre gratuite.

Quelles tâches de code Google confie-t-il à chaque modèle ?

L'annonce de Google présente Carbon comme son modèle le plus fort et liste le travail qu'il doit prendre en charge : code et débogage complexes en plusieurs étapes, tâches d'agents à long horizon, cybersécurité et recherche scientifique ouverte. Le même billet indique qu'Argon reste le choix idéal pour la majorité du développement logiciel et du travail de connaissance. Lis cela comme la valeur par défaut du fournisseur : commence une tâche avec Argon, puis bascule-la sur Carbon lorsqu'elle échoue encore et encore à la planification ou à la vérification.

La page des modèles décrit Argon comme le modèle de raisonnement de pointe efficace de Gemini 4, avec des réponses plus rapides et moins de tokens consommés par tour que Carbon sur les tâches complexes de code, d'agents, de mathématiques et de science. Moins de consommation par tour et un tarif plus bas sont deux chiffres différents. Les prix par token sont identiques, donc la différence se voit dans le nombre de tokens : Google dit qu'Argon consomme moins de tokens par tour, tandis que le total d'une tâche dépend de la planification, de la vérification et des nouvelles tentatives nécessaires.

Notre précédent test de code avec Argon est une comparaison distincte face à Claude Opus 5.5, sans Carbon. Ces résultats décrivent Argon sur ce jeu de tâches ; ils ne disent rien de la façon dont Carbon traiterait le même travail.

Trois situations méritent un essai sur Carbon :

1. Un test qui échoue et touche quatre fichiers, dont la correction dépend du suivi des appels entre modules.
2. Une mise à jour de dépendance qui modifie une API à plusieurs endroits, si bien que le modèle doit planifier des modifications, les appliquer et relancer la suite de tests.
3. Une question de recherche qui demande un plan, une première expérience, un examen des résultats et une deuxième tentative révisée.

Chacune est une candidate pour ta propre évaluation ; ce sont les tâches où un changement devrait montrer son intérêt. Google met aussi Carbon en avant pour la recherche ouverte et cite des exemples en physique, mathématiques, sciences de la vie et vérification formelle qu'il a lui-même choisis.

Qu'a mesuré l'étude indépendante du 28 octobre ?

Artificial Analysis a publié son rapport le 28 octobre 2026. Il compare les deux modèles avec leurs réglages de raisonnement élevés sur Intelligence Index v5, un composite de neuf évaluations.

Le rapport place Carbon 9 points au-dessus d'Argon sur l'indice, ce qui laisse Argon à 50, et 126 Elo au-dessus sur AA-Briefcase. Sur AA-Omniscience v1.1, les deux mesures divergent : l'exactitude de Carbon est 10 points plus élevée, et son taux d'hallucination passe de 4% à 11%. Le rapport définit ses neuf évaluations dans la méthodologie d'Artificial Analysis. Un score global plus élevé et un taux d'hallucination plus élevé sur une évaluation peuvent coexister dans le même modèle ; c'est la raison pratique de tester un changement sur tes propres tâches. Le rapport a été publié le 28 octobre 2026, avec les deux modèles en raisonnement élevé sur l'Index v5 ; il ne classe pas les deux modèles pour ton dépôt.

Pourquoi le même tarif par token donne une facture différente

Les deux ID partagent une seule grille Standard, alors compare les tokens d'entrée, d'entrée en cache et de sortie qu'une tâche consomme réellement, plus les nouvelles tentatives et les autres frais. Le nombre total de tokens ne suffit pas à fixer la facture. La page des tarifs de Google donne ces chiffres par million de tokens, vérifiés le 11 novembre 2026.

Prends une requête illustrative avec 100,000 tokens d'entrée, 5,000 tokens de sortie visible et 15,000 tokens de réflexion. La réflexion compte comme de la sortie, donc le total de sortie est de 20,000 tokens. Jusqu'au 30 novembre, l'entrée coûte 100,000 ÷ 1,000,000 × $2.00 = $0.20 et la sortie 20,000 ÷ 1,000,000 × $10.00 = $0.20, soit $0.40 au total. À partir du 1er décembre, la même requête coûte $0.80. Les nombres de tokens sont des hypothèses choisies pour le calcul, et le total n'utilise que les prix catalogue de Google ; il laisse de côté les hits de cache, les frais de grounding et d'outils, les nouvelles tentatives et les remises par lot.

Les variables qui déplacent le total sont le niveau de réflexion, la taille du prompt et le nombre de tentatives. Une tâche qui génère plus de tokens de réflexion arrive à une autre facture au même tarif, même si elle se termine en une seule passe. Le cache se comporte de la même façon sur les deux ID : le tarif correspond, et seul le cache implicite est disponible.

Faut-il changer des réglages lors du passage ?

Les deux ID affichent la réflexion sur medium par défaut, avec low, medium et high disponibles (documentation sur la réflexion, vérifiée le 11 novembre 2026). Les deux figurent dans le même tableau des modèles Gemini 4 sous gemini-4-argon et gemini-4-carbon. Les noms de champs ci-dessous viennent de la documentation de l'Interactions API de Google ; confirme-les dans le SDK que tu appelles, car le comportement des outils et des fonctions peut varier d'un SDK à l'autre. Quatre points méritent une vérification avant le changement.

1. De l'effort, pas de la troncature. thinking_level règle l'effort de raisonnement, et max_output_tokens plafonne les tokens générés, réflexions comprises. Un plafond trop bas peut terminer une réponse avec le statut incomplete alors que les réflexions déjà générées restent facturées.
2. Une seule fenêtre partagée. Entrée, réflexion et sortie puisent dans les mêmes 1,048,576 tokens. Si le prompt plus max_output_tokens dépasse cette fenêtre, l'API réduit la sortie à l'espace restant.
3. La sortie longue demande un réglage. Un appel au premier plan en streaming utilise 65,536 tokens de sortie par défaut ; un appel au premier plan sans streaming est plafonné à 32,768. Dépasser 65,536, jusqu'à 1,048,576, exige un max_output_tokens plus élevé et background=True ou une continuation côté client. La page des modèles affiche 65K / 1M pour les deux ID, et cette forme abrégée décrit cette configuration.
4. Les réflexions aux tours suivants. Dans un travail multitour sans état, renvoie les blocs de réflexion précédents à l'identique, y compris lorsque tu changes de modèle au cours d'une session. L'Interactions API expose les étapes de réflexion et indique total_thought_tokens, tandis que le chemin generateContent ne porte pas de blocs de réflexion séparés. Le cache explicite n'est disponible sur aucun des deux modèles, donc un flux fondé sur un cache stocké a besoin d'un autre plan.

Nous n'avons pas fait tourner les deux modèles sur les mêmes tâches ; traite cette liste comme une vérification pour ta première petite requête.

Comment les comparer sur ton propre code ?

Choisis une tâche que ton équipe a déjà résolue et fais tourner les deux modèles sur le même instantané. Garde ces conditions fixes :

• Le même bug ou ticket, le même instantané du dépôt et la même branche.
• Les mêmes outils, les mêmes instructions et le même niveau d'effort ; medium est la valeur par défaut des deux.
• La même vérification de réussite : les tests cachés passent et la personne qui relit accepte le diff.
• La même journalisation : temps réel jusqu'à la première réponse utile, temps jusqu'à la fin de la tâche, tokens renvoyés par l'API, nouvelles tentatives et minutes passées par une personne à relire.

Le temps jusqu'à la première réponse et le temps total d'achèvement répondent à des questions différentes : la personne devant un terminal ressent le premier, un traitement par lot paie le second. Note les deux, puis facture chaque exécution au prix catalogue de Google et divise par le nombre de changements acceptés.

Répète la vérification sur plusieurs tâches représentatives ; une seule paire d'exécutions montre de la variance, donc lis les répétitions comme une direction et non comme un écart fixe. Décide avec les chiffres que ton équipe suit, par exemple les diffs acceptés par heure et les dollars par diff accepté. Un modèle qui répond plus tôt mais demande une deuxième tentative peut perdre sur les deux.

Peux-tu utiliser Gemini 4 Carbon sur OmniaKey aujourd'hui ?

OmniaKey propose actuellement Gemini 4 Argon, et son catalogue n'a aucune entrée Carbon au 11 novembre 2026. L'accès à Carbon passe par l'API Gemini payante de Google, et la page date de sortie, prix et détails API de Carbon indique ce dont ce compte a besoin. Si ton alternative est un modèle Anthropic, la comparaison Carbon et Fable 5.2 place prix et accès côte à côte.

Avant de planifier un changement, consulte la liste des modèles d'OmniaKey ; d'ici là, garde le travail de production sur Argon.

Questions fréquentes

Gemini 4 Carbon est-il meilleur qu'Argon pour le code ?

Google recommande Argon pour la plupart du développement logiciel et Carbon pour le débogage complexe en plusieurs étapes. Le rapport d'Artificial Analysis du 28 octobre place Carbon devant sur les scores globaux et enregistre aussi un taux d'hallucination plus élevé sur un test ; le meilleur choix dépend de la tâche devant toi.

Carbon coûte-t-il plus cher par token qu'Argon ?

Les tarifs sont identiques : $2 par million de tokens d'entrée et $10 par million de tokens de sortie jusqu'au 30 novembre, puis $4 et $20. Le coût par tâche peut quand même différer, car les tokens de réflexion sont facturés comme de la sortie et Carbon est décrit comme en utilisant davantage.

Peut-on basculer en changeant seulement l'ID du modèle ?

Sur les pages publiées par Google, les deux ID partagent les mêmes valeurs par défaut de réflexion, niveaux de raisonnement et fenêtre de contexte. Vérifie la gestion des réflexions, le cache et la configuration de sortie dans le SDK que tu utilises avant de déplacer une tâche de production.

Quelle limite de sortie s'applique à un long job Carbon ?

Un appel au premier plan en streaming utilise 65,536 tokens de sortie par défaut. Pour une sortie plus longue, jusqu'à 1,048,576, il faut un max_output_tokens plus élevé et background=True ou une continuation côté client.

Carbon est-il disponible sur OmniaKey ?

Le catalogue d'OmniaKey liste Gemini 4 Argon et ne contient aucune entrée Carbon au 11 novembre 2026. Carbon est disponible via l'API Gemini payante de Google.

Sources vérifiées

• Google : Gemini 4 Carbon est disponible (10 novembre 2026)
• Google : modèles de l'API Gemini (vérifié le 11 novembre 2026)
• Google : tarifs de l'API Gemini (vérifié le 11 novembre 2026)
• Google : la réflexion dans Gemini (vérifié le 11 novembre 2026)
• Artificial Analysis : résultats de Gemini 4 Carbon sur Intelligence Index v5 (28 octobre 2026)
• Artificial Analysis : méthodologie d'évaluation de l'intelligence