Gemini 4 Carbon lidera los rankings independientes, pero solo pueden usarlo los ciberdefensores

Google DeepMind ha lanzado Gemini 4 Carbon, su nuevo modelo insignia, dos semanas después de Gemini 4 Argon. El laboratorio independiente Artificial Analysis, que somete los modelos a su propio conjunto de pruebas, lo coloca en el primer puesto de su índice de inteligencia v5: 59 puntos frente a los 58 de Claude Opus 5.5, de Anthropic. Pero no todos podrán probar Carbon. El modelo llegará primero a especialistas en ciberseguridad verificados, a través del programa Fairwind. Google promete acceso amplio para desarrolladores «lo antes posible», sin dar fecha.

Qué afirma Google sobre ciberdefensa

La compañía apuesta por la seguridad y por las tareas largas de varios pasos. Estas son las cifras de su anuncio:

• SEC-bench Pro, prueba de búsqueda de vulnerabilidades en código: 88,2%. • ExploitGym, un entorno de entrenamiento donde el modelo debe escribir un exploit funcional: 54,8%. • CWE-bench, corrección de vulnerabilidades del catálogo de debilidades comunes CWE: 71,0%.

Google también presume de fiabilidad. En Terminal-Bench 4.0, los intentos exitosos de hacer trampa bajaron al 0,0% y los intentos en sí, al 0,4%. Las afirmaciones sin respaldo en datos son aproximadamente la mitad que en Argon. Especificaciones: contexto de 1 millón de tokens y la misma cifra en la salida. Acepta texto, imágenes, vídeo y voz, y responde con texto. La entrada en caché cuesta $0,20 por millón de tokens. Artificial Analysis da un precio de $4/$20, mientras que Phil Schmid, de Hugging Face, cita $2/$10 «con asterisco»: el descuento del 50% no tiene fecha de caducidad.

Qué muestran las mediciones independientes

• Artificial Analysis: 59 puntos y liderazgo en 4 de las 9 pruebas del índice (HLE-Diamond, TB-Science, AA-Omniscience, AutomationBench). Cada tarea del índice cuesta $7,76, frente a $10,04 de Opus 5.5 y $6,25 de GPT-6 Astra.

Carbon gasta 123 mil tokens de salida por tarea, un 29% menos que Opus. • Programación: en el Coding Agent Index, Carbon obtiene 59 (junto con Antigravity CLI) frente a 62 de Claude Code con Opus 5.5.

FrontierCode v1.1: 51% frente a 56%. • Tareas de oficina: en AA-Briefcase logra 1609 Elo, 126 puntos más que Argon.

Aun así, quedan por encima Grok 4.7, Muse Wonder y Kimi K3.1 Pro (1678).

• Arena, donde personas votan respuestas a ciegas: primer puesto en Text Arena (1528), segundo en Agent Arena y cuarto en Code Arena: WebDev (1768). • Vals AI: segundo puesto en el índice general y primero en el índice financiero y en búsqueda jurídica. Genera un 64% más de tokens que Argon.

• FrontierSWE: 61,2%, por detrás de GPT-6 Astra (65,5), Opus 5.5 (62,3) y Sonnet 5.5 (61,9).

SWE-sweep: récord del 9,6%. • Andon Labs: primer puesto en Vending-Bench 2 (gestión de una máquina expendedora) y en Blueprint-Bench 2, donde el modelo igualó a los humanos en razonamiento espacial 3D.

Hay varias salvedades. Las alucinaciones han subido del 4% al 11%. Es el segundo resultado en las mediciones, pero en ciberseguridad el coste de un error es alto. Los resultados de programación se obtuvieron en Antigravity CLI y no se han comprobado en otros entornos. El autor scaling01 opina que Google va unos dos meses por detrás de los próximos lanzamientos de OpenAI y Anthropic. Los rumores sobre un modelo Gemini más potente y aún no lanzado no están confirmados.

El resto de la edición

• GitHub Copilot Fusion: combina sobre la marcha modelos de Anthropic y OpenAI. Lidera Terminal-Bench 4.0 (71), 2 puntos por debajo de Opus 5.

5 en Claude Code, pero cuesta $5,59 por tarea en lugar de $11,42. • H-Net v2 (Cartesia): aprende a dividir el texto en tokens directamente desde los bytes y ofrece una mejora de eficiencia de 3 a 5 veces. • NVIDIA Nemotron 3.

5 Transcribe: modelo abierto de reconocimiento de voz de 30B parámetros (unos 4B activos), 40 idiomas y un 2,8% de error por palabra. • AssemblyAI-TTS-1: síntesis de voz a $15 por millón de caracteres, con 90 ms hasta el primer sonido. • Liquid AI LFM3: familia de modelos compactos; el modelo base es LFM3-1.

7B, con 256 mil tokens de contexto. • Ling-3.1-flash-1019: modelo MoE abierto de 560B parámetros (25B activos) y contexto de 1 millón.

• Qwen4: según una filtración desde el repositorio, tendrá un contexto de 1 millón de tokens. • Anthropic S-1: pérdida de unos $80 mil millones en el primer semestre de 2026 que, según Jamin Ball, se debe sobre todo a la revalorización de deuda convertible y de obligaciones SAFE, y no a pérdidas operativas. • OpenAI: créditos de API de $100–$500 al mes para suscriptores de ChatGPT Pro.

Qué significa para los equipos

Carbon supera a la competencia en la búsqueda y corrección de vulnerabilidades y en tareas de conocimiento, pero en programación sigue siendo segundo. Si buscas un modelo para seguridad, espera a que se abra el acceso y comprueba tú mismo la proporción de afirmaciones falsas. Si es para programar, Opus 5.5 es por ahora más fiable. Para el presupuesto, lo que importa no es el precio por token, sino el precio por tarea, y en eso Carbon sale más a cuenta que Opus.