Gemini 4 Carbon のタスクあたりコスト：Google の「2X」を12月の価格でリーダーボードごとに検証

Gemini 4 Carbon は11月10日に一般提供になりました。Google の発表は、価格より先にタスクあたりコストを打ち出しています。

It ranks #1 on CursorBench 4.0, Perplexity's WANDR, and Zapier's AutomationBench at more than 2X lower cost per task compared to the next best external model.

エージェントの仕事を測る単位として、タスクあたりコストは正しい選択です。トークン単価が同じ2つのモデルでも、同じ仕事を終えるまでに使う額は大きく違うからです。ただ、タスクあたりコストはトークン数に価格を掛けたものであり、Carbon には価格が2つあります。11月30日までの導入価格と、12月1日からの2倍の価格です。入力、キャッシュ済み入力、出力のすべてが2倍になるので、導入価格で測ったタスクあたりコストは、同じ実行を12月に回したときの半分ということになります。

そこで各リーダーボードに問うべきは、どの価格を使ったかです。答えはボードごとに違い、それによって Google の主張も動きます。私自身は Carbon を動かしていません。以下はすべてリンク先のページからの引用で、比率と12月の数字はそれをもとにした私の計算です。

Gemini 4 Carbon のトークン単価は、11月30日の前後でいくらか

Gemini 4 Argon と同じです。2026年11月30日まで100万トークンあたり入力 $2、出力 $10、その後は $4 と $20 です。キャッシュ済み入力は $0.10、その後は $0.20 で、対応するのは暗黙的キャッシュだけです。思考トークンは出力として課金されます。Batch と Flex は標準料金の半額です。Carbon は無料枠では使えず、料金ページには Carbon について長いプロンプトへの追加料金の記載はありません。

Argon との違いは、Carbon が書く量です。Google の移行ページによると、Carbon はターンごとに使う思考トークンが多く、発表では、ソフトウェア開発や知識労働の大半には引き続き Argon のほうが適しているとしています。Google の言葉では、Carbon はより難しいタスク向けです。

using more tokens than Argon to explore thoroughly, reason deeply, and run extended verification loops.

同じ単価で、ターンあたりのトークンが多い。それでもタスクあたりでは競合より安くなる、というのが Google の主張です。

各リーダーボードは Gemini 4 Carbon のどの価格を使ったか

2つが導入価格、2つが定価で、1つは明記していません。Carbon のタスクあたりコストを公開している5つのボードを、根拠から計算できる場合は12月の数字とあわせて並べます。Carbon の行はすべて High 設定です。

Google は 2X の根拠として最初の2つと WANDR（Carbon のコストは公開されていません。後述）を、6X の根拠として MKA を挙げています。Agent Arena と Intelligence Index は Google の主張には含まれませんが、同じ単位を公開しているので載せました。12月の列は、実行が同じトークン数を使い、競合の価格が変わらないことを前提にしています。

CursorBench 4.0 は Gemini 4 Carbon について何を示しているか

導入価格で計算した、僅差の1位です。CursorBench は、実際の Cursor セッションから取った、複数ファイルにまたがるあいまいなタスクをエージェントに解かせます。リーダーボードでは Carbon High が 60.4%、Carbon Medium が 60.1%、Claude Fable 5.2 Max が 60.0% で、小さな差は統計的に意味がない可能性があると注記されています。

このページは「公開されている」トークン単価でコストを計算しており、Cursor のモデルと料金のページにリンクしています。そこでは Carbon は入力 $2、キャッシュ読み取り $0.10、出力 $10 で、12月の料金は注記にあります。これがリーダーボードの前提なら、Carbon High は12月1日からタスクあたり約 $18.44 になり、Fable 5.2 Max に対する倍率は 3.6 から約 1.8 に下がります。リーダーボードは各実行の日付を記録していないので、これは料金表から読んだ解釈であり、確認済みではありません。

設定を選ぶなら、あと2行が重要です。Carbon Low はタスクあたりで Medium より高く、$11.89 対 $8.49 です。ステップあたりでは約10セント対13セントと安いのですが、必要なステップ数がほぼ2倍でした。また Opus 5.5 High は 56.0% を $3.97 で出しています。Carbon Medium より4ポイント低い一方、タスクあたりコストは導入価格の Carbon Medium の半分以下です。

説明できないのは Carbon と Argon の比較です。どちらも同じ料金表にあり、Carbon のほうがタスクあたりのトークン（Medium で 37,067、Argon は 103,600）もステップも少ないのに、コストは約2倍です。ページはコストを入力、キャッシュ、出力に分けていないので、理由はそこからは見えません。

Zapier の AutomationBench は Gemini 4 Carbon について何を示しているか

唯一きれいに裏づけられたケースです。定価で計算して1位で、タスクあたりコストは次のモデルの 2.2 分の1です。AutomationBench は、シミュレーションした 47 のアプリにまたがる業務フローを最初から最後まで実行させ、環境の最終状態を合格か不合格かで厳密に採点します。モデルによる判定は使いません。

リーダーボードの脚注は Argon の行についてしか書いていませんが、Zapier の別の Carbon レポートが前提を明記しています。100万トークンあたり入力 $4、出力 $20、キャッシュ読み取りは $0.40 と仮定しています。Google は12月からのキャッシュ済み入力を $0.20 としているので、どちらかといえば Carbon のコストを高めに見積もっています。2.2 倍の差は12月も成り立ちます。

レポートには、リーダーボードにない数字もあります。合格1件あたりの支出、つまり失敗を含む全タスクのコストを合格数で割った値です。Carbon High では $3.94 で、タスクあたりの $2.12 を上回ります。実行は10月26日と27日、一般提供の2週間前でした。また、このボードでは Opus 5.5 と GPT-6 Astra のほうが Carbon High よりタスクあたりで安く、スコアは11〜12ポイント低くなっています。

Perplexity の WANDR と MKA ベンチマークは Gemini 4 Carbon について何を示しているか

WANDR には Carbon のコストが公開されておらず、MKA は Google が 6X とするところで 5X を示しています。Google がリンクしている WANDR の記事は2026年7月14日付で、Carbon の公開より4か月前のものであり、Carbon の行はありません。WANDR での1位とコスト倍率は、Google の言葉に頼るしかありません。

MKA は Google DeepMind が作り、Artificial Analysis が運営しています。11月10日の公開記事では、Fable 5.2 Max が 57% で1位、タスクあたり平均 $31.97、Carbon High が 54% で2位、$6.29 です。これは 5.1 倍の差です。Google の発表は同じ最上位モデルに対して「more than 6X lower」としています。記事は Carbon のどの価格を使ったかを書いていないので、差が価格の前提から来るのか、別の理由なのかは判断できません。

Agent Arena の Gemini 4 Carbon のタスクあたりコストは何を測っているか

導入価格での実際のユーザータスク、それも各セッションの最初の部分だけです。Agent Arena は、ユーザーが持ち込むタスクでエージェントを順位づけします。11月8日付の総合リーダーボードでは、Carbon は暫定扱いで2位です。

$2 と $10 では、Carbon の中央値タスクは Opus 5.5 の約4分の1のコストです。$4 と $20 なら約 $2.92 で、おおよそ半分になります。それでも1位は Opus です。Argon と比べると、Carbon はタスクあたりの出力がほぼ2倍で、コストもほぼ2倍です。こちらのほうが CursorBench の行よりも、Google の「more tokens than Argon」とよく合っています。

ここで重要なのは「タスク」が何を含むかです。Arena の8月のコストに関する記事が、適用している上限を説明しています。

To measure costs in a representative manner, we decided to track costs for, at most, the first three tasks in an Agent Arena session.

Arena がこうした理由は、コンテキストの持ち越しです。長いセッションの後半のタスクはモデルに関係なく高くつくので、ユーザーが長く使い続けるモデルが不利にならないようにしたかった、ということです。その結果、コストの列には、長いセッションでコンテキストが積み上がっていく部分が入っていません。Arena の方法論の記事には、モデル名を挙げずに次のような一般的な所見があります。

We find some models more expensive in practice, despite cheaper on-paper pricing.

Artificial Analysis Intelligence Index で Gemini 4 Carbon は Argon と比べてどうか

タスクあたりコストはほぼ同じです。Artificial Analysis は一般公開前の10月28日に Carbon の評価を公表し、高推論設定の Carbon を Intelligence Index で 59 ポイントの1位としました。すべてのチャートで使っているという標準価格で、Carbon は Index タスクあたり $7.76、Argon は $7.68、Claude Opus 5.5 Max は $10.04、GPT-6 Astra Max は $6.25 でした。この Index について Google は 2X を主張していません。ここでは Carbon はタスクあたりで Opus 5.5 Max より約23%安く、GPT-6 Astra Max より高くなっています。

Gemini 4 Carbon の /swarm 実行のコストについて Google は何と言っているか

数字はなく、クォータについての注意だけです。Antigravity の記事は /swarm を説明しています。Google AI Ultra 向けに Antigravity アプリと CLI でプレビュー提供中の機能で、コーディネーターが隔離された git worktree で並列のワーカーを起動し、敵対的な検証役がテストを実行して差分に異議を唱え、全員が共有のメッセージボードに書き込みます。ワーカーは待機中、必要になるまでトークンを消費しません。Carbon はコーディネーター、設計、監査の役割を担い、日常的な編集は軽いモデルが受け持ちます。Google は移行作業と根本原因の調査で5週間社内利用したと報告していますが、指標は示しておらず、次のように付け加えています。

(As a fair warning, even with zero-token idle waits and dynamic model hot-swapping, parallel multi-agent systems consume quota much faster than a standard chat.)

これはサブスクリプションのクォータであって API の請求ではありませんが、Google が公開している中では長い実行のコストに最も近い情報です。Simon Willison のリリースメモにも、トークン数や実行コストはありません。

Gemini 4 Carbon の長いエージェント実行について、リーダーボードが示していないこと

実行そのものです。上の数字はすべて、ベンチマークのタスクあたりの平均か中央値です。CursorBench では Carbon High で約71ステップ、AutomationBench では業務フロー1件、Arena ではセッションの最初の3タスクまで。数時間におよぶ Carbon のセッション1回のコストや、Carbon の検証ループが仕事の長さとともにどう膨らむかを示すものはありません。

Carbon と Argon の比較でも、ボードの結果は食い違っています。Google 自身が大半の仕事に Argon を勧めている以上、まさに問われる比較です。タスクあたりで Carbon は、CursorBench と Arena では Argon の約2倍、AutomationBench では 1.25 倍、Intelligence Index ではほぼ同じです。単価はどのボードでも同じなので、ばらつきはタスクから来ています。そして、そのどれもあなたのタスクではありません。

長いエージェント実行を11月30日までに Gemini 4 Carbon へ移すべきか

11月30日までにテストし、判断は12月の価格で。これは情報源の読み取りであって、測定ではありません。

期限付きの導入価格はワークロードではなくテストへの割引であり、同じルールがリーダーボードにも当てはまります。5つのうち2つは、すでに Carbon を標準価格で計算しています。CursorBench と Arena の数字は、定価で計算されたものと比べる前に2倍にし、MKA の倍率は前提がわかるまで脇に置いてください。

そのうえで、比較の分母は自分で測ってください。自分の実行で、完了したタスクあたりのコストを失敗も含めて記録します。Zapier 自身のレポートが、タスクあたり $2.12 と合格あたり $3.94 の差を示しています。思考レベルは3段階すべてで試してください。CursorBench では Low の行がタスクあたりで最も高いからです。Haiku 5.5 をサブエージェントにした記事でも、価格の安いモデルで同じパターンが見つかりました。トークン単価は GPT-6 Luna と同じで、最大 effort ではタスクあたりの出力トークンが約3倍でした。

Carbon の情報源には、レビューの記録もありません。Argon では、記録を公開した唯一の Google の事例で提案6件のうち採用されたのは2件でした。だからこそ、トークンより先にレビューの処理能力を見積もるべきだと書きました。Carbon の提案をレビュー担当がどれだけ採用するかは、あなた自身が測るものです。