Gemini 4 Carbon
Red Neuronal
Gemini 4 Carbon es el modelo frontera de Google para programación, tareas de agentes y razonamiento complejo
Características
- Entrada
- texto, imágenes, documentos
- Salida
- texto
- Tamaño del contexto
- 1 048 576 tokens
- Longitud máxima de respuesta
- 943 718 tokens
- Niveles de razonamiento
- bajo, medio, alto
- Funciones
- razonamiento, llamada a funciones, Batch API
Costo del prompt
(por 1M tokens)
Costo de la respuesta
(por 1M tokens)
Prompt de imagen
(por 1K tokens)
import OpenAI from 'openai';
const openai = new OpenAI({
apiKey: '<your bothub access token>',
baseURL: 'https://openai.bothub.chat/v1'
});
// Sync - Text generation
async function main() {
const chatCompletion = await openai.chat.completions.create({
messages: [{ role: 'user', content: 'Say this is a test' }],
model: 'gemini-4-carbon',
});
}
// Async - Text generation
async function main() {
const stream = await openai.chat.completions.create({
messages: [{ role: 'user', content: 'Say this is a test' }],
model: 'gemini-4-carbon',
stream: true
});
for await (const chunk of stream) {
const part: string | null = chunk.choices[0].delta?.content ?? null;
}
}
main();
Cómo funciona Gemini 4 Carbon?
Gemini 4 Carbon es el modelo frontera de cuarta generación de la línea Gemini de Google, optimizado para programación, escenarios de agentes y razonamiento complejo. Acepta texto, imágenes, audio, video y archivos, y admite respuestas largas, lo que le permite manejar tareas que requieren procesar mucho material sin perder la lógica. En BotHub, el modelo está disponible sin VPN ni tarjetas extranjeras: acceso desde Rusia, pago con tarjetas rusas en rublos y solo por consumo real; los tokens no caducan. Otras modelos conviven en la misma ventana, permitiendo comparar resultados y cambiar sin reescribir la integración. Para sistemas multimodelo, existe una API única compatible con OpenAI. Los equipos disponen de contratos, facturas, intercambio electrónico de documentos y un panel de administración con límites. Escenarios típicos: refactorización y depuración de grandes proyectos, análisis de materiales mixtos como capturas de pantalla, grabaciones de reuniones y PDF, cadenas de razonamiento largas, pipelines de agentes y automatización de tareas de ingeniería rutinarias.Preguntas frecuentes sobre Gemini 4 Carbon
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
Es un modelo de texto para contextos largos y densos: acepta hasta 1 048 576 tokens, trabaja con documentos e imágenes, puede razonar antes de responder y llamar a funciones. Es adecuado para analizar grandes volúmenes de documentación, analítica, tareas de código y cálculos de varios pasos.
En una sola respuesta, el modelo puede generar hasta 943 718 tokens, un volumen muy grande comparable a varios libros. La ventana de entrada alcanza los 1 048 576 tokens, por lo que en una sola sesión caben conjuntos enteros de documentos y la correspondencia sobre ellos.
Sí, el razonamiento antes de responder es una capacidad del modelo. Puede desglosar la tarea paso a paso y luego formular una conclusión; esto ayuda en analítica, matemáticas y depuración de código, donde el proceso de solución es tan importante como el resultado final.
Sí, se admiten la llamada a funciones y la salida estructurada en JSON. El modelo puede conectarse con herramientas y servicios externos, y las respuestas se pueden obtener en un formato legible por máquina, lo cual es útil para integraciones y automatización donde el resultado se envía directamente a otro sistema.
Según nuestros datos, se aceptan imágenes y documentos: puedes enviar un archivo o una imagen y hacer preguntas sobre su contenido. La recepción de audio y video no está marcada en la descripción del modelo, por lo que este punto debe verificarse en la documentación antes de basar un escenario en ello.
No existen evaluaciones separadas sobre la calidad del idioma ruso en los datos del modelo, por lo que no podemos prometer detalles específicos. El modelo está diseñado para trabajar con textos extensos, y la mejor forma de comprobar el nivel de dominio del idioma es mediante tus propios ejemplos: instrucciones, documentos y consultas típicas.