Google anunció el 28 de octubre de 2026 Gemini 4 Carbon, un nuevo modelo orientado a tareas complejas de programación y ciberseguridad. Hay un detalle que conviene aclarar antes de mirar los gráficos: el acceso inicial es limitado. Google dice que empezará a ofrecerlo a un grupo de defensores de ciberseguridad y ampliará el acceso más adelante; no ha dado una fecha general para desarrolladores o usuarios.
La noticia reunía 895 puntos y 736 comentarios en la portada de Hacker News del 28 de octubre, consultada el 29. Esa cifra muestra interés en la comunidad; los resultados de los benchmarks necesitan leerse con sus condiciones.
Qué anuncia Google
En su presentación, Google sitúa Carbon por encima de Gemini 4 Argon en tareas de desarrollo, razonamiento y trabajo con agentes. Describe pruebas internas en las que el modelo trabaja durante varios días en problemas de ingeniería de múltiples pasos. Eso es una observación de Google sobre su entorno, no una garantía de que cualquier tarea larga vaya a terminar bien.
Para seguridad, Google publica tres resultados: 88,2 % en SEC-bench Pro para localizar vulnerabilidades, 54,8 % en ExploitGym y 71,0 % en CWE-bench para generar correcciones. La empresa indica que esas evaluaciones externas se realizaron sin las barreras de seguridad activadas. Por tanto, no hay que asumir que el producto disponible para cada usuario vaya a comportarse igual que la configuración de evaluación.
Encontrar un posible fallo, demostrar que es explotable y corregirlo son trabajos diferentes. Una puntuación agregada tampoco sustituye revisar falsos positivos, reproducibilidad y efectos de un parche en el repositorio concreto.
Qué dicen los benchmarks
Artificial Analysis sitúa Carbon en configuración High con 59 puntos en su Intelligence Index v5. En su comparación, Argon High obtiene 50 y GPT-6.1 Sol Max 55. Son resultados de configuraciones concretas de una batería concreta: no significan que Carbon sea mejor para cada lenguaje, proyecto o presupuesto. Los niveles High y Max tampoco son configuraciones idénticas.
La tabla de Google muestra, por ejemplo, 65,2 % para Carbon y 57,1 % para Argon en Terminal-Bench 4.0, una evaluación de tareas con terminal. Esa diferencia es útil para seleccionar qué probar, pero no revela por sí sola cuánto costará resolver un problema real ni cuánto trabajo de revisión dejará al equipo.
También importa la versión del índice: v5 agrupa varias evaluaciones y sus puntuaciones no deben mezclarse sin más con cifras publicadas para versiones anteriores. El ranking puede cambiar cuando se evalúen más modelos o se actualice la metodología.
Precio anunciado
Google anuncia una tarifa introductoria de 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida. La entrada servida desde caché tendrá un descuento del 95 % sobre el precio de entrada. Tras el periodo introductorio, anuncia 4 y 20 dólares respectivamente; la publicación no fija cuándo terminará ese periodo para Carbon.
Como ejemplo, un millón de tokens de entrada sin caché y 200.000 de salida costarían 4 dólares durante la oferta y 8 dólares después, según esas tarifas. Es solo el coste de esos tokens: el consumo real depende del contexto, las respuestas, los reintentos y cualquier otro cargo aplicable al servicio usado.
Acceso limitado
Google prevé incorporar primero a un subconjunto de defensores y extender el acceso a colaboradores mediante su programa Fairwind. Habla de una llegada posterior a desarrolladores, empresas y consumidores, pero no publica una fecha concreta ni una identificación de modelo para integrar ahora en una aplicación.
Por eso, la comparación práctica con los modelos que ya usas tendrá que esperar. Cuando haya acceso, conviene evaluar las mismas tareas de tu proyecto con un conjunto de casos propio: cambios aceptados, pruebas que pasan, errores introducidos, tiempo de revisión y coste total. Un benchmark puede orientar la prueba; la decisión debería depender de cómo trabaja el modelo en tu código.