Gemini 4 Carbon
Skoncentrowany na bezpieczeństwie model klasy frontier od Google DeepMind. Przyjmuje tekst oraz opcjonalnie obraz, prompt systemowy i ustawienie reasoning_effort; rozliczenie odbywa się za token.
Gemini 4 Carbon to skoncentrowany na bezpieczeństwie model klasy frontier z serii Gemini 4 od Google DeepMind. Według Google zajmuje pierwsze miejsce w rankingu Artificial Analysis Intelligence Index i osiąga najlepsze w branży wyniki w testach wykrywania, wykorzystywania i usuwania podatności, a także generuje bezpieczniejszy kod niż Gemini 4 Argon.Muapi udostępnia Gemini 4 Carbon przez jeden prosty punkt końcowy z wejściem tekstowym i obrazowym, opcjonalnym promptem systemowym, ustawieniem reasoning_effort, rozliczaniem za tokeny według stawek $4.00 za milion tokenów wejściowych i $20.00 za milion tokenów wyjściowych oraz tym samym asynchronicznym schematem wysyłania żądania i odpytywania o wynik co w przypadku pozostałych modeli.
Gemini 4 Carbon jest już dostępny przez API
Wypróbuj Gemini 4 Carbon w playground lub wywołaj go z własnego kodu za pomocą klucza API Muapi. Zobacz centrum Gemini 4 dla Gemini 4 Argon i wszystkich pozostałych modeli Gemini 4.
Skoncentrowany na bezpieczeństwie model klasy frontier od Google DeepMind. Przyjmuje tekst oraz opcjonalnie obraz, prompt systemowy i ustawienie reasoning_effort; rozliczenie odbywa się za token.
Gemini 4 Carbon to skoncentrowany na bezpieczeństwie model z serii Gemini 4 od Google DeepMind. Zajmuje pierwsze miejsce w rankingu Artificial Analysis Intelligence Index i, według Google, osiąga najlepsze w branży wyniki w testach wykrywania podatności (SEC-bench Pro), ich wykorzystywania (ExploitGym) i usuwania (CWE-bench), a skuteczność generowania bezpiecznego kodu w wewnętrznej ewaluacji Google ponad dwukrotnie przewyższa wynik Gemini 4 Argon. Są to wyniki podane przez Google, a nie pomiary Muapi.
Muapi udostępnia go jako pojedynczy punkt końcowy gemini-4-carbon. Wyślij prompt z opcjonalnym image_url, system_prompt, oraz reasoning_effort (low, medium lub high), a następnie odpytuj wspólny punkt końcowy wyniku. Jeśli szukasz ogólnego modelu z serii Gemini 4, zobacz Gemini 4 Argon; jeśli szukasz szybszego i tańszego czatu na co dzień, zobacz Gemini 3.8 Flash.
Stworzony do wykrywania, wykorzystywania i usuwania podatności; według Google osiąga wysokie wyniki w testach bezpieczeństwa.
Pisz i przeglądaj kod z mniejszą liczbą luk bezpieczeństwa niż w poprzednim modelu Gemini 4, zgodnie z wewnętrzną ewaluacją Google.
Ustaw reasoning_effort na low, medium (domyślnie) lub high, aby dobrać szybkość i koszt do głębokości analizy trudnych problemów.
Dołącz obraz do promptu, aby zadawać pytania o zrzuty ekranu, diagramy architektury lub zeskanowane dokumenty.
Płać $4.00 za milion tokenów wejściowych i $20.00 za milion tokenów wyjściowych, bez subskrypcji.
Audytuj funkcje i pull requesty pod kątem podatności na wstrzyknięcia, błędów bezpieczeństwa pamięci i uwierzytelniania, a następnie przygotowuj poprawki.
Klasyfikuj ustalenia według CWE, wyjaśniaj możliwość ich wykorzystania i ustalaj priorytety napraw.
Planuj i realizuj wieloetapowe zadania inżynieryjne, korzystając z zaawansowanego rozumowania.
Używaj Carbon jako rdzenia rozumowania wieloetapowych agentów i zautomatyzowanych przepływów pracy.
Zadawaj pytania o zrzuty ekranu, diagramy i zeskanowane strony, dołączając obraz.
| Cecha | Gemini 4 Carbon | Gemini 4 Argon |
|---|---|---|
| Pozycjonowanie | Rozumowanie klasy frontier skoncentrowane na bezpieczeństwie | Ogólne rozumowanie klasy frontier |
| Okno kontekstu | Nieopublikowane przez Google | Zunifikowany kontekst i wyjście o rozmiarze 1M tokenów |
| Wejście | Tekst, obraz, prompt systemowy, reasoning_effort | Tekst, obraz, prompt systemowy |
| Cena (wejście / wyjście za 1M tokenów) | $4.00 / $20.00 | $2.00 / $10.00 |
| Minimalna opłata za wywołanie | $0.0004 | $0.0002 |
| Najlepsze do | Analiza podatności i bezpieczny kod | Długofalowe programowanie i dogłębna analiza |
Prześlij żądanie JSON z kluczem API Muapi, zapisz identyfikator żądania i odpytuj wspólny punkt końcowy wyniku, aby otrzymać gotowy tekst.
curl -X POST https://api.muapi.ai/api/v1/gemini-4-carbon \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt":"Audit this function for injection vulnerabilities and propose a patch","system_prompt":"You are a senior application security engineer.","reasoning_effort":"high"}'
# Response: {"request_id":"REQUEST_ID"}Wywołaj gemini-4-carbon z polem prompt oraz opcjonalnymi polami system_prompt, image_url i reasoning_effort.
curl https://api.muapi.ai/api/v1/predictions/REQUEST_ID/result \ -H "x-api-key: YOUR_API_KEY" # Poll until status is completed, then read the generated text from outputs.
Odpytuj, aż zadanie zostanie ukończone, a następnie odczytaj wygenerowany tekst z outputs.
Gemini 4 Carbon to skoncentrowany na bezpieczeństwie model klasy frontier z serii Gemini 4 od Google DeepMind. Zajmuje pierwsze miejsce w rankingu Artificial Analysis Intelligence Index i skutecznie wykrywa, wykorzystuje oraz usuwa podatności, a także sprawdza się w programowaniu i rozumowaniu ogólnego przeznaczenia.
Rozliczenie odbywa się za token: $4.00 za milion tokenów wejściowych i $20.00 za milion tokenów wyjściowych, z minimalną opłatą $0.0004 za wywołanie. Tokeny rozumowania są liczone jako wyjściowe. Nie ma subskrypcji.
To ustawienie określa, jak intensywnie model rozumuje przed udzieleniem odpowiedzi: low, medium (domyślnie) lub high. Wyższy poziom pogłębia analizę trudnych problemów, ale wydłuża czas odpowiedzi i zwiększa liczbę użytych tokenów wyjściowych.
Tak. Przekaż image_url wraz z promptem, aby zadawać pytania o zrzut ekranu, diagram lub sfotografowany dokument.
Punkt końcowy działa asynchronicznie. Od razu otrzymujesz request_id, a następnie odpytujesz punkt końcowy wyniku predykcji lub podajesz adres URL webhooka, aby otrzymać powiadomienie, gdy tekst będzie gotowy.
Carbon to nowszy model skoncentrowany na bezpieczeństwie, który według Google skuteczniej wykrywa podatności i generuje bezpieczny kod; Argon to ogólny model rozumujący klasy frontier z kontekstem o rozmiarze 1M tokenów. Oba modele korzystają z tych samych pól prompt, image_url i system_prompt, a Carbon udostępnia dodatkowo reasoning_effort.
Nie. Wyniki testów i ewaluacji przytoczone na tej stronie zostały podane przez Google. Zanim wykorzystasz model do podejmowania decyzji dotyczących bezpieczeństwa, przeprowadź własne testy na swoim kodzie i zleć człowiekowi weryfikację ustaleń oraz poprawek.
Dodaj do swojego produktu rozumowanie klasy frontier skoncentrowane na bezpieczeństwie za pomocą jednego API.