# Gemini 4 Carbon vs Argon: quale scegliere per il codice

> Confronto tra Gemini 4 Carbon e Argon su codice e ragionamento: posizione ufficiale, accesso API, consumo di token e impostazioni da controllare.

- Canonical HTML: https://omniakey.com/it/blog/gemini-4-carbon-vs-argon
- Markdown: https://omniakey.com/it/blog/gemini-4-carbon-vs-argon.md
- Published: 2026-11-11 (updated 2026-11-11)
- Author: Kiki, COO at OmniaKey
- Language: it
- Category: Comparison
- Reading time: 8 min
- All posts: https://omniakey.com/blog/llms.txt

---

L'[annuncio di Google del 10 novembre 2026](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available/) mantiene [Gemini 4 Argon](https://omniakey.com/it/gemini-4-argon) come scelta per la maggior parte del lavoro su codice e conoscenza, e indirizza Carbon verso il debug complesso a più passaggi e la ricerca aperta. La tariffa Standard è la stessa: $2 per milione di token di input e $10 per milione di token di output fino al 30 novembre; poi $4 e $20.

- **Posizione**: Argon resta il valore predefinito per la maggior parte dell'ingegneria del software; Carbon prende il lavoro a più passaggi più difficile.
- **Prezzo**: stesse tariffe Standard, ed entrambi partono con il pensiero su medium.
- **Conto**: i token di pensiero sono fatturati come output, quindi più ragionamento aumenta il costo di una richiesta; nuovi tentativi, uso della cache e dimensione dell'input cambiano il conto di un'attività.
- **Accesso**: API Gemini a pagamento per entrambi, senza livello gratuito.

## Gemini 4 Carbon e Argon in breve

Parti dalla riga che può fermare un progetto, poi guarda le impostazioni predefinite che erediti.

|Voce|Argon|Carbon|
|-|-|-|
|Ruolo per Google|La maggior parte di codice e lavoro sulla conoscenza|Codice complesso a più passaggi e ricerca|
|Finestra di contesto|1,048,576|1,048,576|
|Pensiero predefinito|Medium|Medium|
|Accesso API|A pagamento, senza livello gratuito|A pagamento, senza livello gratuito|

La riga sul ruolo viene dall'[annuncio del 10 novembre 2026](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available/). Finestra e pensiero predefinito vengono dalla [pagina dei modelli](https://ai.google.dev/gemini-api/docs/models) e dalla [documentazione sul pensiero](https://ai.google.dev/gemini-api/docs/thinking), entrambe controllate l'11 novembre 2026. L'accesso solo a pagamento è nell'annuncio e si ripete nella [pagina dei prezzi](https://ai.google.dev/gemini-api/docs/pricing), dove entrambi i modelli risultano non disponibili nel livello gratuito.

## Quali attività di codice Google assegna a ciascun modello?

L'[annuncio](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available/) definisce Carbon il modello più forte e elenca il lavoro che deve assumere: codice e debug complesso a più passaggi, attività agente a lungo orizzonte, sicurezza informatica e ricerca scientifica aperta. Lo stesso testo dice che Argon resta la scelta ideale per la maggior parte dell'ingegneria del software e del lavoro sulla conoscenza. Leggilo come impostazione predefinita del fornitore: inizia un'attività con Argon e passa a Carbon quando fallisce ripetutamente nella pianificazione o nella verifica.

La [pagina dei modelli](https://ai.google.dev/gemini-api/docs/models) descrive Argon come il modello di ragionamento di frontiera efficiente di Gemini 4, con risposte più rapide e meno token per turno rispetto a Carbon su attività complesse di codice, agenti, matematica e scienza. Meno consumo per turno e una tariffa più bassa sono due numeri diversi. I prezzi per token sono uguali, quindi la differenza appare nel conteggio dei token: Google dice che Argon consuma meno token per turno, mentre il totale di un'attività dipende da quanta pianificazione, verifica e quanti nuovi tentativi richiede.

Il nostro [test precedente di Argon sul codice](https://omniakey.com/it/blog/gemini-4-argon-coding-test) è un confronto separato con Claude Opus 5.5, senza Carbon. Quei risultati descrivono Argon su quella serie di attività; non dicono come Carbon affronterebbe lo stesso lavoro.

Ci sono tre situazioni che vale la pena provare su Carbon:

1. Un test che fallisce e tocca quattro file, in cui la correzione dipende dal seguire le chiamate tra moduli.
2. Un aggiornamento di dipendenza che cambia un'API in più punti, quindi il modello deve pianificare le modifiche, applicarle e rieseguire la suite di test.
3. Una domanda di ricerca che richiede un piano, un primo esperimento, uno sguardo ai risultati e un secondo tentativo rivisto.

Ognuna è una candidata per la tua valutazione; sono le attività in cui un cambio di modello deve mostrare il suo valore. Google promuove Carbon anche per la ricerca aperta e cita esempi di fisica, matematica, scienze della vita e verifica formale scelti da Google stesso.

## Che cosa ha misurato lo studio indipendente del 28 ottobre?

[Artificial Analysis ha pubblicato il suo rapporto il 28 ottobre 2026](https://artificialanalysis.ai/articles/gemini-4-carbon-new-number-1). Confronta i due modelli con impostazioni di ragionamento alte sull'Intelligence Index v5, un composto di nove valutazioni.

|Misura (impostazione alta)|Carbon|Argon|
|-|-|-|
|Intelligence Index v5|59|50|
|AA-Briefcase, Elo|1609|1483|
|AA-Omniscience, tasso di allucinazione|11%|4%|

Il rapporto mette Carbon 9 punti sopra Argon nell'indice, quindi Argon resta a 50, e 126 Elo sopra in AA-Briefcase. In AA-Omniscience v1.1 le due misure si separano: l'accuratezza di Carbon è 10 punti più alta e il suo tasso di allucinazione sale dal 4% all'11%. Il rapporto definisce le nove valutazioni nella [metodologia di Artificial Analysis](https://artificialanalysis.ai/methodology/intelligence-benchmarking). Un punteggio aggregato più alto e un tasso di allucinazione più alto in una valutazione possono convivere nello stesso modello; per questo conviene provare il cambio sulle proprie attività. Il rapporto è stato pubblicato il 28 ottobre 2026, con entrambi i modelli a ragionamento alto nell'Index v5; non assegna un rango ai due modelli per il tuo repository.

## Perché la stessa tariffa per token produce un conto diverso

I due ID condividono una sola tabella Standard, quindi confronta i token di input, input in cache e output che un'attività consuma davvero, oltre ai nuovi tentativi e agli altri addebiti. Il solo numero totale di token non chiude il conto. La [pagina dei prezzi](https://ai.google.dev/gemini-api/docs/pricing) di Google elenca questi valori per milione di token, controllati l'11 novembre 2026.

|Voce Standard|Fino al 30 nov.|Dal 1 dic.|
|-|-|-|
|Input|$2.00|$4.00|
|Output, pensiero incluso|$10.00|$20.00|
|Input in cache|$0.10|$0.20|

Prendi una richiesta di esempio con 100,000 token di input, 5,000 token di output visibile e 15,000 token di pensiero. Il pensiero conta come output, quindi l'output totale è 20,000 token. Fino al 30 novembre l'input costa 100,000 ÷ 1,000,000 × $2.00 = $0.20 e l'output 20,000 ÷ 1,000,000 × $10.00 = $0.20, cioè $0.40 in tutto. Dal 1 dicembre la stessa richiesta costa $0.80. I numeri dei token sono ipotesi scelte per il calcolo e il totale usa solo i prezzi di listino di Google; restano fuori i centri in cache, gli addebiti per grounding e strumenti, i nuovi tentativi e gli sconti batch.

Le variabili che spostano il totale sono il livello di pensiero, la dimensione del prompt e il numero di tentativi. Un'attività che genera più token di pensiero arriva a un altro conto con la stessa tariffa, anche quando finisce in un solo passaggio. La cache funziona allo stesso modo sui due ID: la tariffa è la stessa ed esiste solo la cache implicita.

## Bisogna cambiare impostazioni quando si passa da un modello all'altro?

Entrambi gli ID elencano il pensiero su medium per impostazione predefinita, con low, medium e high disponibili ([documentazione sul pensiero](https://ai.google.dev/gemini-api/docs/thinking), controllata l'11 novembre 2026). Compaiono nella stessa [tabella dei modelli Gemini 4](https://ai.google.dev/gemini-api/docs/models) come `gemini-4-argon` e `gemini-4-carbon`. I nomi dei campi qui sotto vengono dalla documentazione Google delle Interactions API; verificali nell'SDK che chiami, perché il comportamento di strumenti e funzioni può variare tra SDK. Quattro punti meritano un controllo prima del passaggio.

1. **Sforzo, non troncamento**. `thinking_level` imposta lo sforzo di ragionamento e `max_output_tokens` limita i token generati, pensieri inclusi. Un limite troppo piccolo può chiudere una risposta con stato `incomplete` mentre i pensieri già generati vengono comunque fatturati.
2. **Una finestra condivisa**. Input, pensiero e output usano gli stessi 1,048,576 token. Se il prompt più `max_output_tokens` supera quella finestra, l'API riduce l'output allo spazio rimasto.
3. **L'output lungo richiede un'impostazione**. Una chiamata in streaming in primo piano usa 65,536 token di output per impostazione predefinita; una chiamata in primo piano senza streaming è limitata a 32,768. Per superare 65,536, fino a 1,048,576, servono un `max_output_tokens` più alto e `background=True` oppure la continuazione lato client. La pagina dei modelli mostra `65K / 1M` per entrambi gli ID, e quella forma breve descrive questa configurazione.
4. **I pensieri nei turni successivi**. Nel lavoro multi-turno senza stato, invia di nuovo i blocchi di pensiero precedenti esattamente come erano, anche quando cambi modello a metà sessione. Le Interactions API espongono i passaggi di pensiero e riportano `total_thought_tokens`, mentre il percorso `generateContent` non porta blocchi di pensiero separati. La cache esplicita non è disponibile su nessuno dei due modelli, quindi un flusso basato sulla cache salvata ha bisogno di un altro piano.

Non abbiamo eseguito i due modelli sulle stesse attività, quindi tratta l'elenco come una lista di controlli per la tua prima richiesta piccola.

## Come confrontarli sul tuo codice?

Scegli un'attività che il tuo team ha già risolto ed esegui i due modelli sullo stesso snapshot. Mantieni fissi questi punti:

- Lo stesso bug o ticket, lo stesso snapshot del repository e lo stesso branch.
- Gli stessi strumenti, istruzioni e livello di sforzo; medium è il valore predefinito per entrambi.
- Lo stesso controllo di successo: i test nascosti passano e chi revisiona accetta la diff.
- La stessa registrazione: tempo reale fino alla prima risposta utile, tempo fino alla fine dell'attività, token restituiti dall'API, nuovi tentativi e minuti che una persona spende a revisionare.

Il tempo fino alla prima risposta e il tempo totale di completamento rispondono a domande diverse: chi revisiona in un terminale sente il primo, un lavoro batch paga il secondo. Registra entrambi, poi calcola ogni esecuzione con il listino Google e dividi per il numero di modifiche accettate.

Ripeti il controllo su diverse attività rappresentative; una sola coppia di esecuzioni mostra variazione, quindi leggi le ripetizioni come direzione e non come differenza fissa. Decidi con numeri che il team segue, come diff accettate all'ora e dollari per diff accettata. Un modello che risponde prima ma richiede un secondo tentativo può perdere su entrambi.

## Si può usare Gemini 4 Carbon su OmniaKey oggi?

OmniaKey offre attualmente [Gemini 4 Argon](https://omniakey.com/it/gemini-4-argon), e il catalogo non ha una voce Carbon all'11 novembre 2026. L'accesso a Carbon passa dall'API Gemini a pagamento di Google, e la pagina [data di uscita, prezzo e dettagli API di Carbon](https://omniakey.com/it/blog/gemini-4-carbon-release-date-price-api) elenca cosa serve a quel tipo di account. Se l'alternativa è un modello Anthropic, il [confronto tra Carbon e Fable 5.2](https://omniakey.com/it/blog/gemini-4-carbon-vs-fable-5-2) mette prezzo e accesso uno accanto all'altro.

Prima di pianificare un passaggio, controlla l'elenco dei modelli di OmniaKey; fino ad allora tieni il lavoro di produzione su Argon.

## Domande frequenti

### Gemini 4 Carbon è meglio di Argon per il codice?

Google consiglia Argon per la maggior parte dell'ingegneria del software e Carbon per il debug complesso a più passaggi. Il rapporto Artificial Analysis del 28 ottobre mette Carbon davanti nei punteggi aggregati e registra anche un tasso di allucinazione più alto in un test, quindi la scelta migliore dipende dall'attività che hai davanti.

### Carbon costa più di Argon per token?

Le tariffe sono uguali: $2 per milione di token di input e $10 per milione di token di output fino al 30 novembre; poi $4 e $20. Il costo per attività può comunque variare, perché i token di pensiero sono fatturati come output e si dice che Carbon ne usi più.

### Posso passare cambiando solo l'ID del modello?

Nelle pagine pubblicate da Google, i due ID condividono le stesse impostazioni di pensiero predefinite, livelli di ragionamento e finestra di contesto. Controlla la gestione dei pensieri, la cache e la configurazione dell'output nell'SDK che usi prima di spostare un'attività di produzione.

### Quale limite di output vale per un lavoro Carbon lungo?

Una chiamata in streaming in primo piano usa 65,536 token di output per impostazione predefinita. Per un output più lungo, fino a 1,048,576, servono un `max_output_tokens` più alto e `background=True` oppure la continuazione lato client.

### Carbon è disponibile su OmniaKey?

Il catalogo OmniaKey elenca Gemini 4 Argon e non ha una voce Carbon all'11 novembre 2026. Carbon è disponibile tramite l'API Gemini a pagamento di Google.

## Fonti controllate

- [Google: Gemini 4 Carbon è ora disponibile](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available/) (10 novembre 2026)
- [Google: modelli dell'API Gemini](https://ai.google.dev/gemini-api/docs/models) (controllato l'11 novembre 2026)
- [Google: prezzi dell'API Gemini](https://ai.google.dev/gemini-api/docs/pricing) (controllato l'11 novembre 2026)
- [Google: pensiero in Gemini](https://ai.google.dev/gemini-api/docs/thinking) (controllato l'11 novembre 2026)
- [Artificial Analysis: risultati di Gemini 4 Carbon nell'Intelligence Index v5](https://artificialanalysis.ai/articles/gemini-4-carbon-new-number-1) (28 ottobre 2026)
- [Artificial Analysis: metodologia di valutazione dell'intelligenza](https://artificialanalysis.ai/methodology/intelligence-benchmarking)