Google abre Gemini 4 Carbon: 7,76 $ por tarea resuelta y 0 % de brechas en una prueba de inyección

Hace dos semanas parecía que Google volvía a tomar la delantera. Después Anthropic lanzó Fable 5.2 y Carbon, apenas llegado al acceso general, ya parece menos novedoso. El ciclo de modelos gira tan rápido que un lanzamiento caduca antes de salir de la beta. Pero para un desarrollador, lo importante no es la carrera de titulares, sino una pregunta práctica: qué integrar y cuánto costará.

No sustituye a Argon, sino que es una herramienta para tareas difíciles

Google lo dice sin rodeos: para la mayoría de las tareas de desarrollo y de trabajo con conocimiento, Argon sigue siendo la mejor opción. Carbon es para cuando se ha topado con el techo de inteligencia del modelo: depuración compleja de varios pasos, investigación científica abierta, ciclos largos de verificación de resultados. Ambos modelos cuestan lo mismo por token, pero Carbon razona más a fondo y tarda más en comprobarse a sí mismo, por lo que genera más tokens. En la misma tarea, la factura final será casi con seguridad superior a la de Argon.

Ahora, las cifras. En la prueba de Artificial Analysis, Carbon cuesta 7,76 $ por tarea resuelta al precio estándar (4 $ por millón de tokens de entrada y 20 $ por millón de tokens de salida). Es más barato que el antiguo modelo económico Flash 3.8, y rinde mejor. A modo de comparación: Opus 5.5 Max — 10,04 $, GPT-6 Astra Max — 6,25 $, Fable 5.2 al máximo — 26,50 $. En el nivel High, Fable 5.2 cuesta unos 9 $ por tarea, pero aun así va dos puntos por delante (62 frente a 60). El precio de lanzamiento de Google es ahora la mitad del estándar: 2 $ y 10 $.

En CursorBench 4.0, Carbon ocupó el primer puesto con un resultado algo inferior al 60 %. También lidera en WANDR de Perplexity y en AutomationBench de Zapier, y cuesta menos de la mitad que su competidor más cercano, Fable 5.2. En el nuevo benchmark MKA, sobre documentos densos con gráficos, planos y tablas, Carbon es segundo, pero más de seis veces más barato que el líder.

Enjambre de agentes: vistoso, pero discutible

Junto con el modelo, Google presentó el modo /swarm en Antigravity, su equivalente de Claude Code. Un solo prompt se convierte en un equipo de agentes cuyo trabajo se puede seguir en tiempo real. Carbon asume los roles que requieren pensamiento profundo: arquitectura, coordinación, auditoría. Modelos rápidos y ligeros trabajan en paralelo en entornos aislados, y algunos de ellos actúan como verificadores escépticos que intentan romper el resultado.

Imagine la refactorización de un servicio. Carbon divide la tarea en partes, los modelos pequeños corrigen módulos a la vez y otros ejecutan pruebas y buscan errores. En su demostración, Google mostró un juego en 3D sobre un pelícano en bicicleta por el campus de Mountain View, una reconstrucción de la construcción de la Torre Eiffel y un piano del siglo XVIII tocable. La industria aún debate si estos enjambres compensan: OpenAI y Anthropic suenan cautelosas y los investigadores son escépticos. La ventaja principal es la velocidad gracias al paralelismo, pero la orquestación es compleja.

Seguridad: cifras llamativas con salvedades

Durante el acceso anticipado a través del programa Fairwind, Carbon encontró vulnerabilidades zero-day reales en dos grandes proveedores de SaaS en menos de dos horas (en el marco del programa Wiz Scan for Good). El equipo de Google Cloud Security escribió con su ayuda exploits funcionales para dos fallos conocidos en un popular proyecto de código abierto. En el sistema Project Fortify, la proporción de vulnerabilidades halladas aumentó más de un 25 % respecto a Argon. Pero el liderazgo en SEC-bench Pro, ExploitGym y CWE-bench v1 se refiere solo a la versión de Fairwind, y Google no revela cifras concretas.

Según Google, en su propia prueba de honestidad de 375 tareas Carbon aprueba el 92 % (Argon, el 70 %) y en el 98 % de los casos se niega a inventar datos experimentales que faltan. En simulaciones de ataque cerró el 99 % de las vías de agentes de red team adaptativos, y la probabilidad de intrusión por intento bajó del 3,1 % al 0,8 %. Los probadores externos de Trajectory Labs no encontraron ningún jailbreak universal en 132 horas y más de 13 000 consultas.

En Gray Swan IPI, los prompt injection exitosos fueron del 0 %. Eso no significa que el problema esté resuelto: es posible que la prueba simplemente se haya saturado. Pero para agentes con acceso al correo, al navegador y al código, el avance es notable.

Qué hacer en la práctica

Mantenga Argon como modelo por defecto e incorpore Carbon de forma puntual: para depuración compleja, auditoría de código y tareas de investigación. Compare no el precio por token, sino el precio por tarea resuelta con sus propios datos: los benchmarks los publica el propio proveedor, y los tokens adicionales de los razonamientos profundos pueden consumir fácilmente todo el ahorro. Se espera pronto una versión Flash de Gemini 4, así que los casos de uso económicos pueden esperar. Los enjambres de agentes conviene probarlos por ahora en tareas aisladas con un criterio de éxito claro. Y no baje la guardia: los sandboxes y los privilegios mínimos para los agentes son necesarios incluso con un resultado nulo en una sola prueba.