Gemini 4 Carbon معرفی شد؛ بررسی کامل مدل جدید گوگل، قدرت، قیمت و زمان دسترسی

گوگل در ۲۸ اکتبر ۲۰۲۶ از جدیدترین مدل هوش مصنوعی خود با نام Gemini 4 Carbon رونمایی کرد؛ مدلی که Google DeepMind آن را قدرتمندترین مدل خود تا زمان معرفی توصیف می‌کند. این مدل با تمرکز بر برنامه‌نویسی پیشرفته، اجرای وظایف پیچیده و طولانی، استدلال علمی و امنیت سایبری توسعه یافته و در تعدادی از بنچمارک‌های مهم عملکرد بهتری از Gemini 4 Argon نشان داده است.

مهم‌ترین دستاورد Carbon کسب امتیاز ۵۹ و رتبه اول در نسخه ۵ شاخص Artificial Analysis Intelligence Index در زمان معرفی است. گوگل همچنین اعلام کرده مدل جدید در شناسایی آسیب‌پذیری‌های نرم‌افزاری به امتیاز ۸۸.۲ درصد در SEC-bench Pro رسیده و در آزمایش‌های داخلی، موفقیت آن در تولید کد امن بیش از دو برابر Argon بوده است.

اما یک نکته مهم وجود دارد: Gemini 4 Carbon در زمان نگارش این مقاله هنوز به‌صورت عمومی در اختیار همه کاربران Gemini قرار نگرفته است. گوگل عرضه مدل را ابتدا برای گروهی از متخصصان دفاع سایبری آغاز کرده و قصد دارد دسترسی را به‌صورت مرحله‌ای گسترش دهد.

در ادامه، قابلیت‌های واقعی Gemini 4 Carbon، تفاوت آن با Argon، نتایج بنچمارک‌ها، قیمت API و زمان دسترسی را براساس اعلام رسمی گوگل بررسی می‌کنیم.

Gemini 4 Carbon چیست؟

Gemini 4 Carbon یک مدل Frontier از خانواده Gemini 4 است که Google DeepMind برای حل مسائل دشوار و انجام وظایف چندمرحله‌ای طراحی کرده است. مهم‌ترین ویژگی آن توانایی دنبال کردن یک مسئله پیچیده برای مدت طولانی، استفاده از ابزارها، بررسی نتایج و اصلاح مسیر انجام کار است.

برای مثال، یک مدل معمولی ممکن است بتواند یک قطعه کد بنویسد یا مشکل آن را توضیح دهد؛ اما هدف Carbon این است که در محیط‌های Agentic بتواند روی یک پروژه بزرگ کار کند، خطاها را پیدا کند، اصلاحات انجام دهد و پس از آزمایش نتیجه، مراحل بعدی را ادامه دهد.

گوگل می‌گوید در آزمایش‌های داخلی، Agentهای مبتنی بر Carbon توانسته‌اند برای چند روز روی مسائل مهندسی پیچیده کار کنند و حتی پس از مواجهه با بن‌بست، مسیر دیگری برای تکمیل وظیفه پیدا کنند.

کاربردهای برجسته مدل عبارت‌اند از:

• توسعه و اصلاح پروژه‌های بزرگ نرم‌افزاری
• شناسایی و رفع آسیب‌پذیری‌های امنیتی
• انجام وظایف طولانی توسط AI Agentها
• توسعه وب Full-Stack
• استدلال علمی و حل مسائل پیچیده
• تحلیل اطلاعات و داده‌های چندرسانه‌ای
• اجرای Workflowهای سازمانی
• کمک به تیم‌های امنیت و مهندسی نرم‌افزار

Carbon ادامه مسیر Gemini 4 Argon است، اما گوگل تأکید دارد که در نسخه جدید علاوه بر افزایش توانایی، قابلیت اطمینان و پایبندی مدل به دستورها نیز بهتر شده است.

مهم‌ترین قابلیت‌های Gemini 4 Carbon

گوگل در معرفی Carbon روی سه موضوع اصلی تأکید کرده است: توانایی بیشتر در انجام کارهای پیچیده، عملکرد بهتر در امنیت سایبری و کاهش رفتارهای نامطمئن مدل.

این سه موضوع اهمیت زیادی دارند؛ زیرا در یک Agent پیشرفته، صرفاً تولید پاسخ درست کافی نیست. مدل باید در طول یک فرایند بزرگ، هدف اصلی را دنبال کند و از محدوده اختیارات خود خارج نشود.

انجام وظایف طولانی و چندمرحله‌ای

یکی از ویژگی‌های اصلی Carbon توانایی انجام Long-Horizon Tasks است؛ یعنی کارهایی که در چند مرحله ساده تمام نمی‌شوند و به برنامه‌ریزی، آزمایش و اصلاح مداوم نیاز دارند.

فرض کنید یک شرکت نرم‌افزاری با مشکلی روبه‌رو شده که تنها در شرایط خاصی رخ می‌دهد و چندین بخش از برنامه در ایجاد آن نقش دارند.

یک Agent مبتنی بر Carbon می‌تواند در محیطی با ابزارهای مناسب:

1. ساختار پروژه را بررسی کند.
2. فایل‌های مرتبط را شناسایی کند.
3. فرضیه‌هایی درباره علت خطا بسازد.
4. تست‌های مناسب اجرا کند.
5. نتایج تست‌ها را تحلیل کند.
6. تغییرات لازم را انجام دهد.
7. دوباره عملکرد پروژه را آزمایش کند.
8. تا رسیدن به نتیجه مناسب، مراحل را ادامه دهد.

گوگل این نوع توانایی را یکی از مهم‌ترین تفاوت‌های مدل‌های Frontier جدید با دستیارهای چت معمولی می‌داند.

البته اجرای چنین Workflowهایی به دسترسی Agent به ابزارها، محیط اجرا و مجوزهای مناسب نیاز دارد؛ بنابراین صرفاً انتخاب مدل Carbon به معنی اجرای خودکار تمام مراحل نیست.

پیشرفت در برنامه‌نویسی و طراحی وب

Gemini 4 Carbon برای کارهای توسعه نرم‌افزار نیز بهبود پیدا کرده است.

گوگل می‌گوید نسخه جدید در حوزه‌هایی مانند برنامه‌نویسی Agentic، توسعه وب Full-Stack و کیفیت خروجی‌های نرم‌افزاری عملکرد بهتری دارد.

در ارزیابی WebDev Arena، مدل Carbon طبق گزارش گوگل ۸۹ امتیاز Elo نسبت به Argon بهبود یافته و با امتیاز ۱۷۶۹ در رتبه چهارم قرار گرفته است.

این نوع ارزیابی برای توسعه‌دهندگانی جالب است که از هوش مصنوعی برای ساخت صفحات وب، رابط کاربری و پروژه‌های نرم‌افزاری استفاده می‌کنند.

بااین‌حال، طراحی ظاهری مناسب به‌تنهایی نشان نمی‌دهد کد تولیدشده از نظر امنیت، دسترس‌پذیری و نگهداری نیز کیفیت کافی دارد. بررسی انسانی و تست همچنان ضروری هستند.

کاهش پاسخ‌های ساختگی و رفتارهای خارج از محدوده

یکی از بهبودهای قابل توجه Carbon مربوط به قابلیت اطمینان مدل است.

گوگل اعلام کرده در ارزیابی‌های داخلی:

• ادعاهای بدون پشتوانه Carbon تقریباً به نصف Argon کاهش پیدا کرده‌اند.
• هشدارهای شدید مربوط به رفتار ناسازگار مدل در محیط‌های کدنویسی نزدیک به ۸۰ درصد کاهش یافته‌اند.
• رفتارهای خارج از محدوده وظیفه ۲۶ درصد کمتر شده‌اند.
• موارد انجام ندادن بخش‌های لازم وظیفه ۲۹ درصد کاهش یافته‌اند.

این اعداد اهمیت دارند؛ چون یکی از مشکلات Agentها این است که ممکن است بدون شواهد کافی اعلام کنند کاری را انجام داده‌اند یا برای رسیدن به هدف، از محدودیت تعیین‌شده عبور کنند.

گوگل می‌گوید Carbon در شرایط مبهم بیشتر تلاش می‌کند منابع مرتبط را بررسی کند و اختلاف اطلاعات را به کاربر نشان دهد، به‌جای اینکه صرفاً حدس بزند.

امنیت سایبری؛ مهم‌ترین نقطه قوت Gemini 4 Carbon

امنیت سایبری برجسته‌ترین حوزه پیشرفت Gemini 4 Carbon است. گوگل می‌گوید این مدل در سه مرحله مهم دفاع سایبری، یعنی شناسایی آسیب‌پذیری، بررسی میزان خطر و اصلاح مشکل، به عملکرد پیشرفته‌ای رسیده است.

این موضوع اهمیت زیادی دارد؛ زیرا یک آسیب‌پذیری امنیتی تنها زمانی واقعاً برطرف می‌شود که علت اصلی آن شناسایی شده و اصلاح مناسبی برای آن ارائه شود.

شناسایی آسیب‌پذیری‌ها با دقت ۸۸.۲ درصد

در بنچمارک SEC-bench Pro، مدل Gemini 4 Carbon به امتیاز ۸۸.۲ درصد رسیده است.

این آزمون توانایی مدل را در کشف آسیب‌پذیری‌های پیچیده در نرم‌افزارهای واقعی ارزیابی می‌کند.

مقایسه نتیجه دو مدل:

بنابراین Carbon در این ارزیابی ۴.۸ واحد درصد بهتر از Argon عمل کرده است.

البته این نتیجه مربوط به مجموعه وظایف مشخص یک بنچمارک است و به معنی پیدا کردن ۸۸.۲ درصد از تمام آسیب‌پذیری‌های واقعی در هر نرم‌افزار نیست.

بررسی و اعتبارسنجی آسیب‌پذیری‌ها

پیدا کردن یک مشکل امنیتی همیشه به این معنی نیست که مشکل قابل بهره‌برداری است.

تیم‌های امنیتی باید بدانند آیا آسیب‌پذیری شناسایی‌شده در شرایط واقعی خطر ایجاد می‌کند یا خیر.

در بنچمارک ExploitGym، گوگل نتیجه زیر را گزارش کرده است:

این ارزیابی توانایی مدل در بررسی عملی قابلیت بهره‌برداری از آسیب‌پذیری‌ها را می‌سنجد.

چنین قابلیتی می‌تواند برای متخصصان امنیت مفید باشد؛ زیرا به اولویت‌بندی اصلاح مشکلات کمک می‌کند.

بااین‌حال، توانایی‌های پیشرفته در این حوزه می‌توانند کاربرد دوگانه داشته باشند؛ به همین دلیل گوگل دسترسی اولیه مدل را محدود کرده است.

اصلاح آسیب‌پذیری‌ها و تولید Patch

مرحله بعدی، اصلاح مشکل امنیتی است.

در بنچمارک CWE-bench، نتایج اعلام‌شده به این صورت هستند:

گوگل همچنین اعلام کرده در ارزیابی‌های داخلی، موفقیت Carbon در تولید کد امن بیش از دو برابر Argon بوده است.

این نتیجه برای تیم‌های نرم‌افزاری مهم است؛ زیرا هدف فقط شناسایی مشکل نیست، بلکه اصلاح آن بدون ایجاد خطاهای جدید است.

بااین‌حال، کدی که هوش مصنوعی برای رفع آسیب‌پذیری تولید می‌کند همچنان باید توسط ابزارهای مستقل و متخصصان امنیت بررسی شود.

مقاومت بهتر در برابر Prompt Injection

یکی دیگر از پیشرفت‌های مهم Carbon به مقاومت در برابر Indirect Prompt Injection مربوط می‌شود.

این نوع حمله زمانی رخ می‌دهد که مهاجم تلاش می‌کند از طریق محتوای خارجی، مانند فایل، صفحه وب یا خروجی ابزار، رفتار Agent را تغییر دهد.

طبق اعلام گوگل، نتایج مدل‌ها در بنچمارک Gray Swan به این صورت بوده است:

در این آزمون، موفقیت حملات ارزیابی‌شده علیه Carbon صفر گزارش شده است.

برای بررسی جزئیات می‌توانید معرفی رسمی Gemini 4 Carbon در وبلاگ گوگل را مطالعه کنید.

عملکرد Gemini 4 Carbon در بنچمارک‌ها و مقایسه با Argon

نتایج منتشرشده نشان می‌دهند Carbon در مجموعه‌ای از آزمون‌های مربوط به برنامه‌نویسی، استفاده از کامپیوتر، استدلال علمی، تحلیل چندرسانه‌ای و امنیت سایبری از Argon جلوتر قرار گرفته است.

بااین‌حال، نباید از این نتایج نتیجه گرفت که Carbon در تمام وظایف از همه مدل‌های رقیب بهتر است. برتری مدل‌ها به نوع بنچمارک و شرایط اجرای آن وابسته است.

مقایسه عملکرد Gemini 4 Carbon و Gemini 4 Argon

منبع: جدول رسمی عملکرد مدل‌های Gemini 4 در Google DeepMind

این جدول چند موضوع مهم را نشان می‌دهد.

اول، پیشرفت Carbon فقط محدود به امنیت سایبری نیست. مدل در برنامه‌نویسی، استدلال علمی و بعضی وظایف مبتنی بر Context طولانی نیز بهبود داشته است.

دوم، میزان پیشرفت در همه حوزه‌ها یکسان نیست. مثلاً تفاوت دو مدل در Chartography نسبتاً کم است، اما در ExploitGym و GraphWalks بیشتر دیده می‌شود.

سوم، نتایج آزمون‌ها با روش‌های متفاوتی به دست آمده‌اند. بعضی نتایج از جدول‌های عمومی و بعضی از ارزیابی‌های انجام‌شده توسط گوگل گرفته شده‌اند.

آیا Carbon از GPT-6 و Claude قوی‌تر است؟

در شاخص Artificial Analysis Intelligence Index نسخه ۵، جدول رسمی Google DeepMind نتایج زیر را نشان می‌دهد:

Carbon در این شاخص رتبه اول را به دست آورده است.

اما در بعضی آزمون‌های تخصصی، مدل‌های دیگر عملکرد بهتری دارند.

برای مثال در FrontierSWE 2، امتیاز GPT-6 Astra برابر با ۶۵.۵ درصد و امتیاز Carbon برابر با ۶۱.۲ درصد گزارش شده است.

در OSWorld 2.1 نیز Claude Opus 5.5 طبق جدول گوگل امتیاز ۸۷.۲ درصد داشته، درحالی‌که Carbon به ۸۱.۵ درصد رسیده است.

بنابراین نتیجه دقیق‌تر این است:

Gemini 4 Carbon در زمان معرفی صدرنشین یک شاخص مهم توانایی عمومی بوده، اما در تمام بنچمارک‌ها بهترین مدل بازار نیست.

عملکرد مدل در Context طولانی

یکی از نتایج جالب Carbon مربوط به آزمون GraphWalks است.

در مجموعه مسئله‌هایی با طول Context بین ۲۵۶ هزار تا یک میلیون توکن، Carbon به امتیاز ۹۶.۲ درصد رسیده است.

این مقدار برای Argon برابر با ۸۴.۲ درصد بوده است.

چنین نتیجه‌ای نشان می‌دهد Carbon در آزمون موردنظر توانایی بالاتری برای دنبال کردن ارتباطات پیچیده میان اطلاعات بسیار طولانی داشته است.

اما یک نکته مهم وجود دارد:

قیمت Gemini 4 Carbon چقدر است؟

گوگل برای Gemini 4 Carbon همان قیمت مقدماتی Gemini 4 Argon را اعلام کرده است.

این قیمت برای استفاده از API پس از فراهم شدن دسترسی واجد شرایط به مدل در نظر گرفته شده است.

پس از پایان دوره مقدماتی، قیمت اعلام‌شده به این مقادیر تغییر خواهد کرد:

گوگل در معرفی اولیه Carbon تاریخ مشخصی برای پایان دوره مقدماتی این مدل اعلام نکرده است.

بنابراین نباید تاریخ پایان قیمت مقدماتی Argon را بدون تأیید رسمی به Carbon تعمیم داد.

هزینه واقعی استفاده از Carbon چقدر خواهد بود؟

قیمت هر یک میلیون توکن فقط بخشی از هزینه استفاده از یک مدل Frontier است.

در Workflowهای طولانی، هزینه می‌تواند به این عوامل بستگی داشته باشد:

• تعداد توکن‌های ورودی
• میزان خروجی تولیدشده
• تعداد مراحل Agent
• تکرار درخواست‌ها
• استفاده از Context طولانی
• میزان استفاده از Cached Input
• ابزارها و سرویس‌های جانبی

برای توسعه‌دهندگان مهم است که پیش از استفاده گسترده، هزینه واقعی مدل را روی سناریوهای کاری خودشان اندازه‌گیری کنند.

آیا Gemini 4 Carbon اکنون برای همه قابل استفاده است؟

خیر. در تاریخ ۲۹ اکتبر ۲۰۲۶، Gemini 4 Carbon هنوز برای عموم کاربران عرضه نشده است.

گوگل اعلام کرده عرضه مدل از همین هفته برای گروه محدودی از متخصصان دفاع سایبری آغاز می‌شود.

سپس قرار است دسترسی از طریق Fairwind Program به سایر شرکای مورد اعتماد گسترش پیدا کند.

پس از دریافت بازخورد و تکمیل ارزیابی‌های ایمنی، گوگل قصد دارد Carbon را در محصولات خود به توسعه‌دهندگان، کسب‌وکارها و کاربران عمومی ارائه کند.

چرا Google DeepMind دسترسی را محدود کرده است؟

دلیل اصلی، قابلیت‌های حساس مدل در حوزه امنیت سایبری است.

Carbon می‌تواند در شناسایی، اعتبارسنجی و اصلاح آسیب‌پذیری‌ها عملکرد قدرتمندی داشته باشد؛ اما چنین توانایی‌هایی در صورت سوءاستفاده ممکن است خطرات جدی ایجاد کنند.

گوگل اعلام کرده هم‌زمان با عرضه محدود، در فرایند داوطلبانه دولت آمریکا برای ارزیابی پیش از انتشار مدل نیز مشارکت می‌کند.

شرکت همچنین در حال بررسی محافظ‌هایی مانند این موارد است:

• آموزش مدل برای رعایت محدودیت‌ها
• سیستم‌های تشخیص سوءاستفاده
• مقاومت در برابر Prompt Injection
• پایش رفتار مدل در وظایف حساس
• کنترل دسترسی به قابلیت‌های پرخطر

هدف این است که توانایی‌های دفاعی مدل بدون فراهم کردن دسترسی کنترل‌نشده به قابلیت‌های حساس عرضه شوند.

آیا کاربران Google AI Pro به Carbon دسترسی دارند؟

در زمان نگارش مقاله، داشتن اشتراک Google AI Pro به‌تنهایی دسترسی به Gemini 4 Carbon را تضمین نمی‌کند.

گوگل هنوز عرضه عمومی Carbon را برای مشترکان Pro یا Ultra اعلام نکرده است.

در مقابل، مدل Gemini 4 Argon از ۱۳ اکتبر ۲۰۲۶ به‌صورت گسترده‌تر در دسترس کاربران و توسعه‌دهندگان واجد شرایط قرار گرفته و مشترکان Google AI Pro و Ultra نیز می‌توانند در محیط‌های پشتیبانی‌شده از آن استفاده کنند.

اگر می‌خواهید از امکانات پیشرفته Gemini استفاده کنید و قصد تهیه اشتراک بلندمدت دارید، می‌توانید شرایط محصول زیر را بررسی کنید:

مشاهده و خرید اشتراک Gemini Pro هجده‌ماهه در هوش آموزان

چه زمانی Carbon به Gemini App و API می‌آید؟

گوگل در اعلام رسمی از گسترش دسترسی در آینده صحبت کرده، اما تاریخ دقیق عرضه عمومی را مشخص نکرده است.

برای پیگیری وضعیت می‌توانید این منابع رسمی را بررسی کنید:

• معرفی رسمی Gemini 4 Carbon
• صفحه مدل‌های Gemini در Google DeepMind
• مستندات رسمی Gemini API

Gemini 4 Carbon در عمل چه کاربردی خواهد داشت و چه محدودیت‌هایی دارد؟

Carbon برای وظایفی طراحی شده که معمولاً از یک گفت‌وگوی ساده با هوش مصنوعی پیچیده‌تر هستند. ارزش اصلی آن زمانی مشخص می‌شود که مدل بتواند در کنار ابزارها و منابع اطلاعاتی واقعی، یک مسئله طولانی را حل کند.

بااین‌حال، عرضه محدود اولیه باعث شده هنوز تجربه مستقل و گسترده کاربران از این مدل در دسترس نباشد.

کاربرد اول: برنامه‌نویسی حرفه‌ای

فرض کنید یک شرکت نرم‌افزاری پروژه بزرگی دارد که چندین سال توسعه پیدا کرده و اکنون نیازمند اصلاح معماری است.

یک Agent مجهز به Carbon می‌تواند در محیط مناسب:

1. ساختار پروژه را بررسی کند.
2. بخش‌های نیازمند Refactor را شناسایی کند.
3. تغییرات را پیشنهاد دهد.
4. کد جدید بنویسد.
5. تست‌های مرتبط را اجرا کند.
6. خطاها و مشکلات عملکرد را بررسی کند.
7. نتیجه نهایی را برای بازبینی توسعه‌دهنده ارائه دهد.

این سناریو با گزارش گوگل درباره توانایی Carbon در اجرای وظایف مهندسی طولانی همخوانی دارد.

کاربرد دوم: بررسی امنیت نرم‌افزار

در یک تیم دفاع سایبری، Carbon می‌تواند برای بررسی کد و شناسایی آسیب‌پذیری‌های احتمالی مفید باشد.

برای مثال، تیم امنیت ممکن است بخواهد:

این تغییرات نرم‌افزاری را از نظر امنیت بررسی کن.

آسیب‌پذیری‌های احتمالی را مشخص کن،
شدت و دلیل هر مورد را توضیح بده
و اصلاحات پیشنهادی را همراه تست‌های لازم ارائه کن.

البته استفاده واقعی در این حوزه باید در محیط مجاز، با کنترل دسترسی و نظارت انسانی انجام شود.

کاربرد سوم: تحلیل اطلاعات طولانی

Carbon در آزمون‌های مربوط به Context طولانی عملکرد قابل توجهی داشته است.

این قابلیت می‌تواند برای وظایفی مانند موارد زیر مفید باشد:

• بررسی اسناد فنی بزرگ
• تحلیل گزارش‌های پیچیده
• یافتن ارتباط میان اطلاعات پراکنده
• مقایسه چند سند
• تحقیق علمی چندمرحله‌ای

برای مثال، یک پژوهشگر ممکن است بخواهد مجموعه‌ای از گزارش‌ها را تحلیل کند و اختلاف نتایج را مشخص کند.

در چنین شرایطی دقت مدل در دنبال کردن ارتباط میان داده‌های مختلف اهمیت زیادی دارد.

محدودیت‌های مهم Carbon

با وجود نتایج امیدوارکننده، چند محدودیت اساسی هنوز وجود دارد.

باید توجه داشت که بنچمارک قوی الزاماً به معنی بهترین تجربه برای تمام کاربران نیست.

برای مثال، اگر استفاده شما فقط خلاصه‌سازی متن، نوشتن ایمیل یا پاسخ به سؤال‌های ساده باشد، ممکن است یک مدل Flash سریع‌تر و کم‌هزینه‌تر نیازتان را برطرف کند.

Carbon بیشتر برای کارهایی اهمیت دارد که پیچیدگی و نیاز پردازشی آن‌ها استفاده از مدل Frontier را توجیه می‌کند.

جمع‌بندی؛ آیا Gemini 4 Carbon یک جهش بزرگ برای گوگل است؟

Gemini 4 Carbon یکی از مهم‌ترین مدل‌های جدید Google DeepMind در اکتبر ۲۰۲۶ است. این مدل تنها چند هفته پس از معرفی Argon عرضه شده و در حوزه‌هایی مانند برنامه‌نویسی، امنیت سایبری، استدلال علمی و وظایف Agentic پیشرفت نشان داده است.

مهم‌ترین دستاوردهای اعلام‌شده عبارت‌اند از:

• رتبه اول Artificial Analysis Intelligence Index v5.0 با امتیاز ۵۹
• امتیاز ۸۸.۲ درصد در SEC-bench Pro
• امتیاز ۵۴.۸ درصد در ExploitGym
• امتیاز ۷۱ درصد در CWE-bench
• پیشرفت در برنامه‌نویسی و توسعه وب
• عملکرد بهتر در Context طولانی
• کاهش ادعاهای بدون پشتوانه در ارزیابی‌های داخلی
• مقاومت بهتر در برابر حملات Prompt Injection در آزمون اعلام‌شده

اما مهم‌ترین نکته برای کاربران این است که Carbon هنوز در مرحله عرضه محدود قرار دارد.

اگرچه گوگل قیمت مقدماتی API را مشخص کرده، تاریخ دقیق دسترسی عمومی در Gemini App و سرویس‌های توسعه‌دهندگان هنوز اعلام نشده است.

بنابراین برای ارزیابی نهایی مدل باید منتظر عرضه گسترده‌تر و نتایج آزمایش توسعه‌دهندگان مستقل بود.

برای دنبال کردن خبرهای بعدی و بررسی ادعاهای فنی می‌توانید از منابع رسمی زیر استفاده کنید:

• اعلام رسمی Gemini 4 Carbon توسط گوگل
• مقایسه بنچمارک‌های Gemini 4 Carbon و Argon
• گزارش روش ارزیابی Gemini 4 Carbon
• مستندات رسمی Gemini API