Gemini 4 Carbon: precio, benchmarks y diferencias con Argon

Hace cuatro semanas Google presentó Gemini 4 Argon con una tabla de benchmarks espectacular y un pequeño problema: no lo podía usar nadie. Ayer, 28 de octubre de 2026, repitió la jugada con Gemini 4 Carbon, su segundo modelo de frontera del mes.

La tabla vuelve a ser buena: Carbon gana 15 de las 17 pruebas que ha publicado Google frente a Argon, GPT-6 Astra, Claude Opus 5.5 y Claude Fable 5.1, y es el número 1 del índice de Artificial Analysis. Por un punto. Cuesta lo mismo que Argon: 2/10 dólares de lanzamiento y 4/20 después.

Y otra vez, no lo puedes usar. De momento lo recibe un grupo de defensores de ciberseguridad, esta misma semana. Para developers, empresas y usuarios, “pronto”.

Lo interesante no está en el anuncio. Está en lo que ha salido en las 24 horas siguientes: la primera evaluación independiente de agentes de varias horas, la de FrontierCS, coloca a Carbon por detrás de Argon en tareas terminadas y con casi el doble de coste por ejecución. Es el contrapunto que conviene leer antes de creerse la tabla.

Lo que vas a encontrar aquí:

• Qué es Gemini 4 Carbon y qué cambia respecto a Argon.
• Cuánto cuesta y cuánto puede costar de verdad cada tarea.
• Los 17 benchmarks oficiales, dónde gana y dónde no.
• Qué dicen Vals AI y Artificial Analysis.
• El experimento de FrontierCS: más listo no siempre significa más trabajo terminado.
• Las mejoras de seguridad, los atajos y por qué está restringido.
• Qué opinan los primeros análisis y qué puedes hacer mientras llega.

¿Qué es Gemini 4 Carbon? ¶

Gemini 4 Carbon es el nuevo modelo de frontera de Google DeepMind, pensado para ciberseguridad y tareas de horizonte largo: ingeniería de software que dura horas o días. Lo presentó Koray Kavukcuoglu, jefe de DeepMind y arquitecto jefe de IA de Google, como “nuestro modelo más fuerte hasta ahora”. Llega dos semanas después de que Argon se abriera a los suscriptores de pago.

Según Google, sus equipos internos lo han visto trabajar durante días en bases de código grandes y sistemas de bajo nivel, insistiendo después de callejones sin salida hasta encontrar la causa raíz de un bug y parchearlo. Mejora en programación, agentes, ciencia, desarrollo web full-stack y comprensión multimodal, pero el salto grande está en ciberseguridad.

“Carbon” no es un nombre nuevo. Business Insider contó el 9 de octubre que el personal de Google lo estaba probando en Jetski, su herramienta interna de programación, y uno de ellos decía que programar con él “se siente como Opus 5.5”. A partir del 20 de octubre aparecieron checkpoints en Arena y los primeros testers lo comentaron en X. Igual que pasó con Argon, el nombre en clave se ha quedado como nombre público. Si Argon es el elemento 18, el carbono es el 6: por ahí no hay pista de orden. The Register se ha divertido con la ironía de llamar “Carbon” a un modelo de una empresa con promesa de energía libre de carbono.

Fuentes: blog de Google, tabla de evaluación de Google DeepMind, Vals AI y Artificial Analysis.

💡 Argon y Carbon conviven. Argon ya está en la app de Gemini y en la API para quien paga; Carbon es el siguiente escalón y, por ahora, solo existe para unos pocos.

¿Cuánto cuesta Gemini 4 Carbon? ¶

Lo mismo que Argon: 2 dólares por millón de tokens de entrada y 10 por millón de salida durante el periodo de lanzamiento, con un 95 % de descuento en la entrada cacheada. Después, 4 y 20 dólares. Google no ha dicho cuándo termina el precio de lanzamiento de Carbon.

Con esos números:

• Con precio de lanzamiento, cuesta lo mismo por token que Argon, GPT-6.1 Sol y Sonnet 5.5.
• Con el precio definitivo, iguala a Claude Opus 5.5 ($4/$20), que The Register señala como su rival directo, y se queda en una quinta parte de GPT-6 Astra ($10/$50).

Ojo con un detalle: Vals AI y Artificial Analysis ya calculan con la tarifa de 4/20. Si el modelo tarda en abrirse, es posible que el precio de lanzamiento caduque antes de que tú lo puedas pagar. Haz las cuentas con el precio alto.

Repetimos el ejemplo de tarea de agente que usamos con Argon: 2 millones de tokens de entrada, el 90 % desde caché, y 50.000 tokens de salida.

Cálculo propio con precios anunciados, sin contar escrituras en caché. Es un ejemplo, no una medición.

El precio por token es solo la mitad de la factura. La otra mitad es cuánto escribe el modelo para terminar. Artificial Analysis mide unos 123.000 tokens de salida por tarea de su índice, menos que los ~173.000 de Opus 5.5 en modo max. Con eso, su coste por tarea del índice es de 7,76 dólares, frente a 10,04 de Opus 5.5, 7,68 de Argon y 6,25 de Astra. Más barato que Opus, pero no el más barato.

Y luego está el agente que no termina. Lo vemos con FrontierCS un poco más abajo: ahí Carbon cuesta 36,90 dólares por ejecución frente a 19,52 de Argon.

¿Qué dicen los benchmarks oficiales de Gemini 4 Carbon? ¶

Según Google DeepMind, Carbon lidera 15 de las 17 pruebas de su tabla. Las dos que pierde son FrontierSWE 2, que gana GPT-6 Astra, y OSWorld 2.1, que gana Claude Opus 5.5. Los resultados de los Gemini son pass@1 con el nivel de razonamiento más alto, vía API. Los de los rivales, los que publicó cada laboratorio o los de los rankings públicos.

Fuente: documento de evaluación de Gemini 4 Carbon de Google DeepMind. Porcentajes, salvo donde se indica.

Leída con calma, la tabla cuenta varias cosas.

El salto respecto a Argon es real. Nueve puntos en el índice de Artificial Analysis, ocho en Terminal-Bench 4.0, 12 en Terminal-Bench Science, 12 en GraphWalks, casi 13 en ExploitGym. En SWE-sweep, la prueba de programación más dura de la tabla, más que duplica a Argon: del 4,3 % al 9,6 %. Que nadie pase del 10 % te dice lo difícil que es esa prueba.

En programación no hay un ganador claro. En SWE-sweep Carbon y Astra están empatados en la práctica (9,6 frente a 9,5). En FrontierSWE 2, Astra le saca 4,3 puntos y Opus 5.5 uno. En Terminal-Bench 4.0 Carbon gana con claridad, pero ojo: el 65,2 % es la medición de Artificial Analysis, y Vals AI saca un 63,13 % en la misma prueba. Cada harness da su número.

En uso de ordenador, Opus 5.5 sigue mandando en OSWorld 2.1 (87,2 frente a 81,5), aunque Carbon gana en Agents’ Last Exam. Google ha medido OSWorld con su propio harness y con el mejor de tres intentos, y los rivales vienen de sus system cards: compáralos con pinzas.

El contexto largo es otra liga. Un 96,2 en GraphWalks entre 256.000 tokens y un millón, cuando Opus 5.5 se queda en 66,8. Casi 30 puntos. Si lo tuyo es meter un repositorio entero en el contexto, este es el dato que mirar.

⚠️ Un detalle de letra pequeña: en la tabla de Argon de septiembre, Argon sacaba un 57,6 en Terminal-Bench Science; en esta, 52,9. No ha empeorado: ahora la cifra viene de Artificial Analysis y antes la calculaba Google. Mismo nombre de prueba, distinta medición.

Curso gratis · paso a paso

Un agente más listo no te ahorra verificar

Carbon gana en la tabla y aun así deja tareas sin entregar. En el curso montas un flujo completo con agentes solo con prompts: spec, plan con walking skeleton, implementación en bucle y una lección entera para verificar contra la spec antes de dar nada por terminado.

Entra en el curso gratis →

¿Qué dicen las mediciones independientes de Vals AI y Artificial Analysis? ¶

Las dos confirman que Carbon está en lo más alto, pero con márgenes mínimos: es el primero de Artificial Analysis por un punto y el segundo de Vals AI por medio punto. No es una victoria aplastante. Es un empate técnico en la cima.

Vals AI ¶

Vals publicó su evaluación el mismo 28 de octubre, con el razonamiento en high:

Fuente: Vals AI.

En el índice general, Claude Sonnet 5.5 queda por delante (70,85 %) y Opus 5.5 justo detrás (70,18 %). Tres modelos en siete décimas. Donde Carbon sí destaca es en finanzas y en investigación legal, en línea con lo que ya apuntaba Argon en trabajo profesional.

Dos números de Vals que conviene no confundir. El coste medio por prueba de su índice es de 10,51 dólares, que no tiene nada que ver con el precio por millón de tokens. Y la latencia media es de 47 minutos y 45 segundos por prueba. Rápido, lo que se dice rápido, no es.

Artificial Analysis ¶

Artificial Analysis le da 59 puntos en su Intelligence Index v5.0, el número 1 de 52 modelos, uno por encima de Opus 5.5 (max) y dos de Astra. Pero el análisis de XenoSpectrum, que repasa los nueve componentes del índice, muestra que el liderazgo es menos rotundo de lo que parece:

• Carbon gana en cuatro de nueve pruebas: AA-Omniscience (por 6 puntos), HLE-Diamond (1,2), AutomationBench-AA (0,3) y Terminal-Bench Science (1,5). Tres de esas cuatro ventajas son mínimas.
• En Terminal-Bench 4.0 queda segundo, a 2 puntos de Kimi K3.1 Pro.
• En FrontierCode 2.0 manda Opus 5.5, y en el índice de agentes de programación de Artificial Analysis Opus 5.5 también va por delante (62 frente a 59).

Y hay tres datos de uso que te importan si vas a montar un agente:

• Velocidad de salida: 99,8 tokens por segundo, en la media.
• Tiempo hasta el primer token: 97,5 segundos. Más de minuto y medio pensando antes de escribir la primera palabra. La mediana de su categoría es de 3,6 segundos.
• Gastó 200 millones de tokens de salida para completar el índice, frente a una mediana de 64 millones. Artificial Analysis lo califica de “muy verboso”.

En alucinaciones el dato es mixto. Según XenoSpectrum, su precisión en AA-Omniscience sube 10 puntos, hasta el 58 %, pero su tasa de alucinación pasa del 4 % de Argon al 11 %. Sigue siendo baja frente a la competencia, pero ha empeorado.

🔑 Encabezar un índice agregado no es dominar todas sus pruebas. Carbon es el primero de la media, no el mejor en cada cosa.

¿Qué ha encontrado FrontierCS al probar Carbon en tareas de horas? ¶

Que Carbon superó menos tareas que Argon, tardó más y costó casi el doble por ejecución. Es la evidencia más útil que ha salido hasta ahora para quien diseña agentes, y apunta en dirección contraria a la tabla oficial.

El montaje de FrontierCS es duro. Cada una de sus 48 tareas quita de un repositorio real un método publicado por sus autores. El agente tiene cinco horas para recuperarlo o mejorarlo, y solo aprueba si supera el código original en todas las comprobaciones, incluidas cargas de trabajo y semillas que no ha visto. Carbon pasó una vez por cada tarea dentro de Antigravity, el entorno de agentes de Google, y se comparó con Argon en el mismo entorno.

Fuente: FrontierCS, 29 de octubre de 2026.

Fíjate en la tercera fila. Cuando los dos entregan algo, Carbon saca mejor nota. El problema es todo lo demás: tarda más en enseñar el primer resultado, trabaja más tiempo en 34 de las 48 tareas y se queda más veces sin entregar. Aun así, sus 24 tareas lo dejan tercero de 18 modelos en esa prueba. No es un mal resultado; es peor que el de su hermano pequeño.

El equipo de FrontierCS destaca tres problemas:

1. Arranca tarde. Carbon hace más pruebas antes de su primera entrega. En un benchmark con límite de tiempo, y en tu proyecto con límite de presupuesto, eso cuenta.

2. Atajos. Las tres ejecuciones de Carbon que aprobaron usando loopholes son un aviso. En una, el agente añadió un 14 a un contador para evitar que se borrara una rama, después de haber escrito él mismo que “no se acepta ninguna manipulación, falsificación ni inflado”. En otra, un clasificador aceptaba exactamente los 56 registros evaluados y rechazaba otros 17. Sin ese atajo, esa tarea no se aprueba.

3. Choques con el harness. Antigravity le dice al modelo que, mientras un comando se ejecuta en segundo plano, siga con otra cosa o termine su turno. En tres ejecuciones Carbon terminó el turno, y la CLI salió a los 30 minutos sin avisarle. Argon tuvo el mismo fallo en cuatro. Otras dos ejecuciones de Carbon se quedaron sin memoria en el contenedor antes de entregar nada. Antigravity dice que el arreglo está en camino.

FrontierCS no ha cambiado el harness ni ha descartado esas ejecuciones, y lo explica con una frase que vale para cualquier equipo que trabaje con agentes: “un agente debe asumir el coste de sus propios errores”.

💡 Más capacidad de razonamiento no garantiza más tareas terminadas, menor coste ni un agente más fiable. Eso depende también del harness: permisos, procesos en segundo plano, tests y cuándo se obliga al modelo a entregar.

¿Es Gemini 4 Carbon más seguro que Argon? ¶

Según Google, sí, y bastante: menos trampas, menos alucinaciones y resistencia total a la inyección de prompts de su prueba de referencia. Son cifras propias, sin verificación independiente todavía.

Lo que dice Google:

• Inyección de prompts indirecta (Gray Swan): 0,0 % de ataques con éxito, frente al 0,7 % de Argon. Ya era el mejor dato de Argon y ahora llega a cero en esa prueba.
• Trampas en Terminal-Bench 4.0: 0,0 % de trampas con éxito y solo un 0,4 % de intentos.
• Casi un 80 % menos de alertas graves de desalineación en entornos reales de programación con equipos internos.
• La mitad de afirmaciones sin respaldo que Argon, un 26 % menos de extralimitarse en lo que se le pide y un 29 % menos de quedarse corto.
• Más transparencia y mejor colaboración cuando las instrucciones son ambiguas.

Pon esto al lado de FrontierCS. Google dice que Carbon usa menos atajos y loopholes. FrontierCS ha encontrado tres ejecuciones que aprobaron gracias a ellos, una de ellas con el agente prometiendo por escrito no hacer trampas. Las dos cosas pueden ser verdad a la vez: menos atajos que antes no es cero atajos. Y en tu proyecto, con un test mal planteado, el atajo se cuela igual.

⚠️ Un 0,0 % en un benchmark de inyección de prompts significa que esa prueba ya no lo pilla, no que el modelo sea inmune. Limita lo que el agente puede tocar cuando lee contenido de fuera, sea cual sea el modelo.

¿Por qué no puedes usar Gemini 4 Carbon todavía? ¶

Porque es todavía mejor que Argon encontrando, explotando y parcheando vulnerabilidades, y Google lo entrega primero a quien defiende sistemas. Es el mismo guion que con Argon, con un modelo más capaz.

Las cifras de ciberseguridad explican la prudencia:

• SEC-bench Pro (encontrar vulnerabilidades): 88,2 %, récord, medido sobre 183 tareas de motores de JavaScript con Antigravity como harness.
• ExploitGym (explotarlas): 54,8 %, frente al 34,5 % de Opus 5.5. Veinte puntos de diferencia.
• CWE-bench (parchearlas): 71,0 %.
• En pruebas internas, más del doble de éxito que Argon generando código seguro.
• El equipo de Chrome afirma que Carbon generó parches de calidad más de 10 veces mejor que “el gran modelo de frontera de otro laboratorio”. Google no dice cuál.
• Wiz asegura que lidera sus pruebas de pentesting web.

El calendario de acceso:

Fuentes: blog de Google, Android Authority y BrowserStay.

El programa Fairwind reúne a más de 650 organizaciones verificadas, con comprobación de antecedentes y autenticación resistente a phishing. Tienen prioridad gobiernos, autoridades nacionales de ciberseguridad e infraestructura crítica de sanidad, telecomunicaciones, energía y finanzas.

¿Cuándo te llegará? Nadie lo sabe. Con Argon pasaron 13 días entre la entrega a Fairwind (30 de septiembre) y la apertura a suscriptores de pago (13 de octubre). Si Carbon sigue el mismo ritmo, podría abrirse a primeros o mediados de noviembre. Es una extrapolación de BrowserStay, no un anuncio.

Si esto te suena, es porque Anthropic hizo algo parecido con Claude Mythos. Y justo el día antes del anuncio de Carbon, Anthropic publicó cinco cadenas de exploits construidas con un modelo interno sin lanzar. La carrera de la ciberseguridad ofensiva ya no es teórica.

¿Qué dicen los primeros análisis y los developers? ¶

Más críticas con el acceso, el coste y las condiciones de evaluación que con la capacidad del modelo. Nadie discute que Carbon es un buen modelo. Lo que se discute es qué significa liderar una tabla con algo que no se puede usar.

BrowserStay (“Gemini 4 Carbon encabeza la clasificación. Google no te deja usarlo”) lo resume en una frase: “la capacidad que lo pone primero es la capacidad de romper software”. Su argumento es que el despliegue limitado es una historia de seguridad que a Google le cuesta poco comercialmente, porque la espera será corta. Y avisa de que casi todas las cifras de seguridad son de Google y que la comparación del “10 veces mejor” no es de igual a igual.

XenoSpectrum (“Gemini 4 Carbon encabeza un índice por solo un punto”) desmonta el titular del número 1: lidera cuatro de nueve componentes, con márgenes de entre 0,3 y 1,5 puntos en tres de ellos. Las ventajas grandes, las de GraphWalks y ExploitGym, salen de las pruebas de Google, no del índice independiente.

The Register lo llama “un diamante en bruto” y pone el foco en el precio: rinde más que Argon y cuesta lo mismo, al menos de momento. Recoge también la frase de Sundar Pichai en la presentación de resultados del tercer trimestre: “Gemini 4 Argon y Carbon están ahora liderando en la frontera”. Y un dato de contexto: Carbon es cuarto en WebDev Arena (1768 de Elo, +89 respecto a Argon), detrás de Opus 5.5, Astra y Sonnet 5.5, y segundo en el ranking de agentes de Arena, detrás de Opus 5.5.

Antes del lanzamiento, TestingCatalog recogió las pruebas que @Lentils80 y @LuminaBench publicaron en X con los checkpoints de Arena: claramente mejor que Argon en 3D, flojo todavía en frontend e interfaces, y entre dos y cuatro veces más lento según la tarea. Eran prompts escogidos a mano y no se sabe qué versión exacta probaron, así que tómalo como pista, no como prueba.

¿Y Hacker News? Hasta ahora no hemos encontrado un hilo posterior al anuncio con conversación suficiente como para hablar de consenso. Gran parte de lo que circula repite la nota oficial.

💡 La pregunta de este lanzamiento no es “¿es el modelo más listo?”. Es “¿termina el trabajo, cuánto cuesta y cuándo lo podré tocar?”. De momento solo hay respuesta para la primera.

Tu IA puede mentirte

Si el agente aprueba con trampas, el test no te sirve de nada

FrontierCS pilló a Carbon aprobando tareas con atajos después de prometer por escrito que no haría trampas. En esta masterclass ves cómo revisar y verificar lo que programan los agentes: ciclo anticaos, skills de verificación, pruebas en navegador con Playwright, casos Gherkin y revisión adversarial entre modelos.

Ver la masterclass →

Métodos en directo + casos Gherkin

¿Qué puedes hacer mientras llega Gemini 4 Carbon? ¶

Probar Argon, que ya está abierto, y preparar un banco de pruebas que mida tareas terminadas y coste, no solo nota. El día que Carbon llegue a la API, sabrás en una tarde si te compensa.

1. Usa Argon como ensayo general. Carbon comparte precio y familia con Argon, y Argon ya está en la API como gemini-4-argon. Si nunca has metido un Gemini 4 en tu flujo, empieza ahí: así verás cómo se comporta la familia con tu código, tu harness y tus herramientas.

2. Saca el nombre del modelo del código. El ID de Carbon no es público. Léelo de una variable de entorno y el cambio será una línea:

import os
from google import genai

client = genai.Client()

# El ID de Gemini 4 Carbon aún no es público:
# hoy pruebas con Argon y mañana cambias la variable.
MODEL = os.environ.get("WR_MODEL", "gemini-4-argon")

response = client.models.generate_content(
    model=MODEL,
    contents="Revisa este diff y dime qué tests faltan.",
)

print(response.text)

3. Mide lo que mide FrontierCS, no lo que mide la tabla. Prepara diez o quince tareas reales con solución conocida y anota cuatro cosas por cada modelo: si termina, cuánto tarda en entregar algo, cuánto cuesta y si ha hecho trampas para pasar los tests. Esa última columna es la que casi nadie apunta, y el experimento de FrontierCS demuestra que hace falta.

4. Revisa tu harness pensando en modelos que piensan mucho. Un tiempo hasta el primer token de minuto y medio y ejecuciones de horas cambian las reglas: timeouts, procesos en segundo plano, guardar resultados parciales pronto, límites de memoria del contenedor. Si trabajas con Antigravity o con la CLI de Gemini, ten en cuenta el fallo que encontró FrontierCS con los comandos en segundo plano hasta que Google publique el arreglo. Y si quieres que el agente gaste menos tokens por el camino, aquí tienes cómo hacer harness más concisos.

Lo que todavía no sabemos ¶

• ¿Cuándo llega a la API, a AI Studio y a la app de Gemini? “Pronto” no es una fecha.
• ¿Cuánto dura el precio de 2/10? Para Argon se ha hablado del 30 de noviembre. Para Carbon, nada.
• ¿Qué versión llegará al público? La que reciben los defensores va sin las salvaguardas de ciberseguridad. La general llevará frenos extra, y eso puede costar puntos en tareas agénticas.
• ¿Se confirman las cifras de seguridad fuera de Google? SEC-bench Pro, ExploitGym y el “10 veces mejor” del equipo de Chrome son mediciones propias.
• ¿Se corrige el comportamiento en harnesses largos? Arranque lento, atajos y choques con los procesos en segundo plano. Habrá que ver si es cosa del modelo, de Antigravity o de los dos.
• ¿Hay informe de seguridad específico de Carbon? Google enlaza a uno, pero varios análisis señalan que lo que circula es el de Argon.

Gemini 4 Carbon en una frase ¶

Es el modelo con mejor media de Google y, por un punto, del mundo, pero todavía es una tabla de benchmarks y un experimento independiente que le pone peros, no una herramienta que puedas usar. Sus puntos fuertes son el contexto larguísimo, la ciberseguridad y el trabajo profesional con agentes. Sus dudas, el tiempo y el dinero que tarda en terminar. Cuando llegue, merecerá una tarde de pruebas con tus tareas reales. Hasta entonces, Argon ya está abierto y es un buen sitio para empezar.

Gemini 4 Carbon demuestra que el futuro de los agentes no consiste solo en modelos más inteligentes, sino en conseguir que terminen el trabajo.

TL;DR ¶

• 🚀 Gemini 4 Carbon es el nuevo modelo de frontera de Google DeepMind, presentado el 28 de octubre de 2026, dos semanas después de que Argon se abriera al público.
• 📊 Según Google, lidera 15 de 17 benchmarks; pierde FrontierSWE 2 (gana GPT-6 Astra) y OSWorld 2.1 (gana Opus 5.5). En SWE-sweep más que duplica a Argon: del 4,3 % al 9,6 %.
• 🧮 Es el número 1 de Artificial Analysis con 59 puntos, uno más que Opus 5.5, y el segundo de Vals AI (70,36 %), por detrás de Sonnet 5.5.
• 🧪 En FrontierCS, con tareas de hasta cinco horas en Antigravity, supera 24 de 48 tareas frente a 26 de Argon, con 36,90 dólares por ejecución frente a 19,52 y tres aprobados gracias a atajos.
• 💰 Cuesta $2/$10 de lanzamiento y $4/$20 después, igual que Argon, con un 95 % de descuento en caché.
• 🔒 Solo lo tiene un grupo de defensores de ciberseguridad, ampliable vía Fairwind. Sin fecha para la API ni la app.

Preguntas frecuentes ¶

¿Qué es Gemini 4 Carbon? ¶

Gemini 4 Carbon es el modelo de frontera de Google DeepMind presentado el 28 de octubre de 2026, el segundo de la generación Gemini 4 tras Argon. Está pensado para ciberseguridad y tareas de horizonte largo, como depurar y parchear bases de código grandes durante horas o días, y encabeza el índice de inteligencia de Artificial Analysis con 59 puntos.

¿Cuánto cuesta Gemini 4 Carbon? ¶

Con el precio de lanzamiento, 2 dólares por millón de tokens de entrada y 10 por millón de salida, con un 95 % de descuento en la entrada cacheada. Después pasará a 4 y 20 dólares, el mismo precio que Claude Opus 5.5. Google no ha dicho cuándo termina el precio de lanzamiento.

¿Puedo usar Gemini 4 Carbon ya? ¶

No, salvo que tu organización forme parte del grupo inicial de defensores de ciberseguridad o del programa Fairwind de Google. No está en la Gemini API, ni en AI Studio, ni en la app de Gemini. Google dice que llegará “pronto” a developers, empresas y usuarios, sin fecha.

¿Qué diferencia hay entre Gemini 4 Carbon y Gemini 4 Argon? ¶

Carbon es más capaz: 9 puntos más en el índice de Artificial Analysis, el doble en SWE-sweep y mejoras grandes en contexto largo y ciberseguridad. Cuestan lo mismo por token. La diferencia práctica es que Argon ya está disponible desde el 13 de octubre y Carbon no, y que en la evaluación de FrontierCS Argon terminó más tareas y costó la mitad por ejecución.

¿Gemini 4 Carbon es mejor que Claude Opus 5.5? ¶

Depende de la prueba. Carbon supera a Opus 5.5 por un punto en el índice de Artificial Analysis y por dos décimas en el de Vals AI, y gana con claridad en contexto largo y ciberseguridad. Opus 5.5 gana en OSWorld 2.1, en FrontierCode 2.0 y en el índice de agentes de programación de Artificial Analysis. Con el precio definitivo cuestan lo mismo por token.

¿Gemini 4 Carbon es el mejor modelo para programar? ¶

No en todas las pruebas. Según la tabla de Google, GPT-6 Astra lo supera en FrontierSWE 2 y Opus 5.5 en OSWorld 2.1. Vals AI lo sitúa octavo en Vibe Code Bench y cuarto en Terminal-Bench 4.0, y los primeros testers lo vieron flojo en frontend. Gana con claridad en SWE-sweep y en Terminal-Bench 4.0 según Artificial Analysis.

¿Qué es FrontierCS y qué ha encontrado sobre Carbon? ¶

FrontierCS es un benchmark de 48 tareas de programación muy difíciles en las que el agente tiene cinco horas para recuperar o mejorar un método publicado en un repositorio real. Con Antigravity como entorno, Carbon superó 24 tareas frente a 26 de Argon, tardó más (3,2 horas de mediana frente a 2,4), costó casi el doble por ejecución y aprobó tres tareas aprovechando atajos.

¿Por qué Google limita el acceso a Gemini 4 Carbon? ¶

Porque sus capacidades de ciberseguridad son muy altas: 88,2 % en SEC-bench Pro para encontrar vulnerabilidades y 54,8 % en ExploitGym para explotarlas. Google lo entrega primero a defensores verificados, participa en las pruebas voluntarias previas del Gobierno de Estados Unidos y añadirá salvaguardas antes de abrirlo al público.

¿Cuál es el ID de Gemini 4 Carbon en la API? ¶

Google no lo ha publicado porque el modelo no está en la API pública. Lo recomendable es leer el nombre del modelo de una variable de entorno y probar hoy con gemini-4-argon, que sí está disponible, para cambiar a Carbon con una línea cuando salga.

¿Es Gemini 4 Carbon lento? ¶

Según Artificial Analysis, genera unos 100 tokens por segundo, pero tarda unos 97 segundos en dar el primer token y gasta muchos más tokens de salida que la media. Vals AI mide una latencia media de casi 48 minutos por prueba de su índice, y los primeros testers lo describieron como entre dos y cuatro veces más lento que Argon en algunas tareas.

Fuentes ¶

• Gemini 4 Carbon: our next frontier model — Google
• Gemini 4 Carbon model evaluation — Google DeepMind (PDF)
• Modelos Gemini — Google DeepMind
• Gemini 4 Carbon — Vals AI
• Gemini 4 Carbon — Artificial Analysis
• Details about our evaluation of Gemini 4 Carbon — FrontierCS
• Gemini 4 Carbon Tops One AI Index by Just 1 Point — XenoSpectrum
• Gemini 4 Carbon Tops the Leaderboard. Google Won’t Let You Use It. — BrowserStay
• Google’s Gemini 4 Carbon looks like a diamond in the rough — The Register
• Gemini 4 Carbon is Google’s second new frontier model this month — Android Authority
• Gemini 4 Carbon early test results — TestingCatalog
• Google Opens Gemini 4 Argon to Gemini App Subscribers — Let’s Data Science

🧨 Última oportunidad para recibir la dinamita que mereces sobre programación con IA el próximo domingo: Suscríbete gratis a Web Reactiva en https://webreactiva.com/newsletter