Google presenta Gemini 4 Carbon: 88% en la búsqueda de vulnerabilidades y el primer puesto del ranking

Google ha presentado Gemini 4 Carbon, su nuevo modelo de lenguaje insignia. La compañía lo ha ajustado para tres tareas: ciberseguridad, programación y trabajo autónomo de agentes de IA durante varios días. En el ranking Artificial Analysis Intelligence Index v5.0, que reúne los resultados de varias pruebas en una puntuación global, Carbon obtuvo 59 puntos y ocupa el primer lugar. La cifra más llamativa del lanzamiento es la de seguridad: un 88,2% en SEC-bench Pro, una prueba en la que el modelo debe encontrar vulnerabilidades reales en software. De momento, solo tendrán acceso los especialistas en ciberseguridad; Google promete un lanzamiento masivo más adelante.

Qué midieron las pruebas y qué puntuación logró el modelo

Google mostró cuatro benchmarks, y cada uno evalúa una etapa distinta del trabajo con código vulnerable: encontrar la brecha, demostrar que puede aprovecharse, cerrarla y escribir una interfaz adecuada.

• SEC-bench Pro: 88,2%. El modelo busca vulnerabilidades reales en programas. Es el resultado más alto de los publicados.

• ExploitGym: 54,8%. Comprueba si la vulnerabilidad encontrada se puede explotar, es decir, convertirla de un problema teórico en un ataque funcional. Esta prueba muestra hasta qué punto el modelo resulta peligroso en manos ajenas y cuán útil es para los defensores, que necesitan revisar sus propios sistemas.

• CWE-bench: 71%. El modelo corrige automáticamente el código vulnerable. CWE es aquí el catálogo de uso general de tipos de errores de software.

• WebDev Arena: 1769 Elo, cuarto puesto. Es un ranking de desarrollo de interfaces web basado en comparaciones por pares entre los resultados de los modelos. Es la única prueba en la que Carbon no lidera.

Todas las cifras las ha publicado la propia Google. Solo la puntuación global del ranking de Artificial Analysis cuenta con confirmación independiente.

Varios días de trabajo sin intervención humana

Para los ingenieros, lo más interesante es la afirmación sobre autonomía. Según Google, dentro de la compañía Carbon resolvió tareas de ingeniería complejas en grandes bases de código durante varios días seguidos: buscaba las causas de los errores y los corregía por sí misma. Hasta ahora, los agentes de IA solían perder el rumbo en tareas largas, se despistaban con el contexto o repetían una y otra vez las mismas acciones.

La compañía también ofrece comparaciones con otros modelos:

• Según las pruebas internas de Google, el modelo escribe código seguro con el doble de acierto que Gemini 4 Argon. • Crea parches de calidad para el navegador Chrome con una eficacia 10 veces superior a la de otro modelo de vanguardia (Google no precisa cuál). Es una valoración del propio equipo de Chrome, no una medición independiente.

• Un 80% menos de incumplimientos graves de instrucciones al trabajar con código. Se trata de los casos en que el agente hace algo distinto de lo que se le pidió o se sale del alcance de la tarea. • La mitad de afirmaciones infundadas que Argon.

En pocas palabras, el modelo presenta como un hecho algo sin verificar con la mitad de frecuencia.

Por separado, Google habla de prompt injection. Así se llama el ataque en el que un texto de una página web o de un documento esconde una orden dirigida a un agente de IA, que la ejecuta en lugar de la tarea del usuario. Según la compañía, Carbon repelió todos los ataques probados en uno de los benchmarks. La salvedad es importante: se trata de un único conjunto de pruebas, no de una protección completa. Para los agentes con acceso al correo, al código y a los servidores, este riesgo sigue siendo uno de los principales.

Quién tendrá acceso y cuánto costará

Primero recibirán el modelo los especialistas en ciberseguridad. La lógica es clara: una herramienta que encuentra y explota bien las vulnerabilidades es útil para los defensores, pero peligrosa si cae en manos de los atacantes. El lanzamiento por fases da a Google tiempo para comprobar cómo se comporta el modelo en un trabajo real. La compañía no ha indicado las fechas del lanzamiento masivo.

Precio de la API tras el lanzamiento, en la tarifa introductoria:

• $2 por millón de tokens de entrada (un token equivale aproximadamente a una sílaba o una palabra corta, es decir, es el texto que usted envía al modelo); • $10 por millón de tokens de salida (el texto que el modelo genera como respuesta).

Para un modelo insignia, el precio es moderado. Las tareas de agentes que duran varios días consumen muchísimos tokens, así que la factura final dependerá de lo austero que sea el modelo en sesiones largas. La palabra «introductoria» sugiere que la tarifa puede cambiar con el tiempo.

Qué deben hacer los equipos de seguridad y desarrollo

Mientras Carbon esté disponible solo para un círculo reducido, la conclusión práctica es esta. Si usted es responsable de seguridad, conviene preparar de antemano repositorios de prueba y un proceso para que personas revisen las vulnerabilidades encontradas: incluso un 88% en un benchmark implica que parte de los hallazgos serán falsos y que el modelo pasará por alto parte de las brechas reales. Si desarrolla productos con agentes de IA, es mejor volver a comprobar con sus propias tareas las cifras sobre incumplimiento de instrucciones y afirmaciones infundadas en cuanto tenga acceso. Las declaraciones de un desarrollador sobre su propio modelo sirven como referencia, pero no sustituyen a las mediciones independientes.