Gemini 4 Carbon lidera el ranking de modelos de IA de Artificial Analysis con 59 puntos

Artificial Analysis es un laboratorio independiente que somete a los modelos de lenguaje a las mismas pruebas y publica rankings agregados. El principal es el Intelligence Index: nueve evaluaciones que se combinan en una sola puntuación. El 28 de octubre de 2026 salió la quinta versión del índice, y en ella ocupa el primer puesto Gemini 4 Carbon, de Google, con 59 puntos. Una advertencia previa: el modelo solo está disponible para usuarios seleccionados y no hay un lanzamiento amplio. Google ofrece un 50% de descuento durante el lanzamiento, sin fecha de finalización anunciada, pero el laboratorio usa los precios habituales en todos sus gráficos.

Dónde gana Carbon y dónde no

De las nueve evaluaciones del índice, Carbon ocupa el primer puesto en cuatro:

• HLE-Diamond: el conjunto más difícil de preguntas de nivel experto sobre ciencia y conocimiento;
• Terminal-Bench-Science: tareas científicas que el modelo resuelve directamente en la línea de comandos;
• AA-Omniscience: evaluación de los conocimientos factuales y de si el modelo sabe no mentir;
• AutomationBench-AA: automatización de flujos de trabajo en los que hay que conectar varios servicios.

En las otras cinco evaluaciones, Carbon ha mejorado mucho, pero no lidera. Esto afecta a la programación y al trabajo de oficina.

Agentes de programación:

Google, por primera vez cerca del líder

El ranking independiente Coding Agent Index no mide el modelo en sí, sino la combinación de «modelo más programa agente». Carbon trabajó con Antigravity CLI, el agente de consola propio de Google, y obtuvo 59 puntos. El líder es Claude Code con Claude Opus 5.5 en su modo máximo de razonamiento, con 62 puntos. La diferencia es de tres puntos.

Carbon también quedó segundo en dos pruebas específicas:

• Terminal-Bench 4.0: tareas en terminal; Carbon logra un 64%;
• FrontierCode v1.1: tareas complejas de programación; Carbon logra un 51%.

En ambas, Claude Opus 5.5 va por delante. Para Google es un avance notable: históricamente, la compañía había ido rezagada en programación.

Tareas de oficina: hay mejora, pero no liderazgo

AA-Briefcase evalúa cómo se desenvuelve un agente en el trabajo «de oficina»: análisis, documentos, presentaciones. El resultado se expresa en puntuación Elo, como en el ajedrez. Carbon obtuvo 1609, es decir, 126 puntos más que Gemini 4 Argon (1483). Donde más creció fue en presentaciones: +293 hasta 1598. La calidad del análisis ganó 120 puntos y llegó a 1671.

No basta para el primer puesto. Tres modelos van por delante:

• Kimi K3.1 Pro: 1678;
• Muse Wonder (max): 1659;
• Grok 4.7 (xhigh): 1638.

Coste por tarea y honestidad de las respuestas

El laboratorio calcula cuánto cuesta ejecutar una tarea del índice. El coste depende del precio del token y de cuántos tokens «habla» el modelo durante su razonamiento.

• Gemini 4 Carbon: $7,76 por tarea, 123 mil tokens de salida;
• Claude Opus 5.5 (max): $10,04 y 173 mil tokens. Carbon es aproximadamente un 23% más barato y escribe un 29% menos;
• GPT-6 Astra (max): $6,25. Es más barato que Carbon, que cuesta aproximadamente 1,2 veces más;
• Gemini 4 Argon: $7,68 con el mismo precio de $4/$20 por millón de tokens de entrada/salida. Carbon cuesta casi lo mismo, pero suma 9 puntos más.

En la versión actualizada de la prueba, AA-Omniscience v1.1, Carbon obtuvo 54. Claude Opus 5.5 logró 48 y Argon, 46. La precisión de las respuestas subió 10 puntos, hasta el 58%. El precio de esa mejora es la proporción de respuestas inventadas, es decir, los casos en que el modelo responde con seguridad en lugar de admitir que no sabe: pasó del 4% al 11%. Sigue siendo el segundo mejor dato entre los modelos probados; solo Argon lo tiene mejor. En Claude Opus 5.5 y GPT-6 Astra, este indicador es del 50%.

Parámetros técnicos

• Ventana de contexto: 1 millón de tokens.
• Acepta texto, imágenes, vídeo y voz como entrada, y solo genera texto como salida.
• Precio: $4 por millón de tokens de entrada y $20 por millón de tokens de salida. Los tokens de entrada en caché son un 95% más baratos, es decir, $0,20 por millón.

Qué significa para los equipos

Si construye agentes de programación, conviene incluir Carbon en la lista de pruebas en cuanto esté disponible: se acerca a Opus 5.5 en calidad y es claramente más barato por tarea. En proyectos donde importan los hechos y las invenciones deben ser mínimas, también cuenta la evolución: Carbon tiene mayor precisión, pero inventa respuestas el triple de veces que Argon. Para presentaciones y automatización de oficina, Kimi K3.1 Pro y Muse Wonder parecen por ahora más sólidos. Tampoco hay que olvidar el descuento del 50%: es temporal, y el presupuesto conviene calcularlo con los precios habituales.