El modelo alcanza niveles de vanguardia actuales en seguridad cibernética y capacidad de procesamiento de tareas de largo alcance.Autor del artículo, fuente: Machine Learning China
Justo ahora, Google anunció el lanzamiento del nuevo modelo de vanguardia, Gemini 4 Carbon, denominado el «modelo más potente».

El modelo alcanza el estado del arte actual en seguridad cibernética y capacidad de procesamiento de tareas de largo plazo. Carbon puede manejar tareas complejas durante días consecutivos sin quedar estancado ni tomar atajos para completarlas, entregando finalmente código de alta calidad y confiable.
Solo han pasado dos semanas desde el lanzamiento del último modelo insignia, Gemini 4 Argon. Demis Hassabis comenzó con un emoji de rayo, indicando que Google está «Iterating at lightning speed» (iterando a velocidad de rayo) un nuevo modelo.

Muy bien, con mucha confianza. Según los datos, este nuevo modelo Carbon es realmente impresionante. Carbon obtuvo 59 puntos en el índice de inteligencia v5.0 de la agencia independiente Artificial Analysis, ocupando el primer lugar. Le siguen Claude Opus 5.5 con 58 puntos y GPT-6 Astra con 57 puntos. Solo hay una diferencia de 2 puntos entre los tres modelos, pero «el primero» sigue siendo el primero.

Además, Carbon obtuvo un 88,2% en el benchmark de detección de vulnerabilidades SEC-bench Pro, un 54,8% en el benchmark de explotación ExploitGym y un 71,0% en el benchmark de reparación de vulnerabilidades CWE-bench, estableciendo una ventaja clara en todos ellos.

Enlace al blog: https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/
SOTA en toda la cadena de seguridad cibernética, el equipo de Chrome probó que es «más de 10 veces mejor»
Google dedicó gran parte de su blog oficial a las capacidades de seguridad cibernética de Carbon. En concreto, Carbon abarca tres fases clave de la defensa cibernética, y en cada una alcanza el estado del arte (SOTA).
Buscando vulnerabilidades: En SEC-bench Pro, Carbon obtuvo un puntaje del 88.2%, superando al 85.4% de GPT-6 Astra y al 83.4% de Argon. La tarea de esta prueba de referencia consiste en hacer que el modelo descubra automáticamente vulnerabilidades de seguridad complejas ocultas en software real.

Verificación de vulnerabilidades: En ExploitGym, Carbon obtuvo un puntaje del 54,8%, liderando ampliamente a GPT-6 Astra, que obtuvo un 42,4%. Esta prueba mide la capacidad del modelo para verificar la explotabilidad real de las vulnerabilidades, ayudando a los equipos de seguridad a determinar las prioridades de parcheo. Dentro del límite de 10 horas, la diferencia de Carbon respecto al límite de 6 horas fue mínima (54,8% frente a 53,5%), lo que indica que puede completar la mayor parte del trabajo de verificación en poco tiempo.

Corrección de vulnerabilidades: Después de identificar la vulnerabilidad, corregir la causa raíz es un paso clave en el ciclo de vida de la defensa de la seguridad de la red. Carbon alcanzó un 71,0 % en el CWE-bench de Collinear, convirtiendo directamente los hallazgos verificados en correcciones de código funcionales.

Además de los benchmarks públicos, Google también proporcionó datos internos. La tasa de éxito de Carbon en generar código seguro es más de tres veces superior a la de Argon. El equipo de Chrome reportó resultados aún más impresionantes, indicando que Carbon supera en más de 10 veces al "gran modelo de vanguardia de otro laboratorio" en la generación de parches de seguridad de alta calidad.
La plataforma de seguridad en la nube de Google, Wiz, también participó en las pruebas y observó que Carbon lidera en el benchmark de pruebas de penetración web, una de las capacidades clave del programa «Scan for Good» de Wiz.
Tarea a largo plazo: puede ejecutarse continuamente durante varios días
Otra gran ventaja de Carbon es su capacidad de "misiones de larga distancia", que también se está convirtiendo en una de las capacidades clave en la competencia de los nuevos modelos de vanguardia.
Google indica que su equipo interno observó que Carbon puede funcionar continuamente durante varios días en grandes bases de código y sistemas subyacentes, realizando el seguimiento de la causa raíz y generando parches entre archivos. Cuando se encuentra con un callejón sin salida, el modelo puede ajustar automáticamente su estrategia para continuar avanzando sin terminar directamente la tarea.
Una de las bases técnicas de esta capacidad es la mejora significativa en el procesamiento de contextos largos. En la prueba GraphWalks (evaluación BFS F1 en el rango de 256k a 1M tokens), Carbon pasó del 84,2% de Argon al 96,2%, superando en más de 20 puntos porcentuales al 71,8% de GPT-6 Astra y al 66,8% de Claude Opus 5.5. El soporte para una ventana de contexto de 1M tokens significa que el modelo puede procesar simultáneamente una cantidad de información equivalente a aproximadamente 1500 páginas de documento A4.
La capacidad de larga duración se vuelve cada vez más importante porque los flujos de trabajo de Agentes exigen mayores niveles de rendimiento al modelo. Por ejemplo, en ingeniería de software, las tareas de desarrollo verdaderamente complejas suelen implicar realizar un seguimiento continuo de los cambios en el código, coordinar modificaciones en múltiples ramas, manejar dependencias entre módulos y realizar pruebas y correcciones repetidas. Estas tareas pueden durar varias horas e incluso días, y ya sobrepasan ampliamente el ámbito de una sola pregunta y respuesta.
Para los modelos avanzados, la capacidad de mantener la coherencia de objetivos durante largos procesos de ejecución, corregir errores a tiempo y finalmente entregar resultados confiables está convirtiéndose en un criterio importante para medir su valor de ingeniería práctica.
Benchmark全景: 9 evaluaciones de índice inteligente con 4 primeros lugares
Artificial Analysis Índice Inteligente v5.0 es el sistema de evaluación integral más ampliamente utilizado en la industria actual.
Carbon obtuvo un puntaje total de 59, liderando en 4 categorías individuales (HLE-Diamond, Terminal-Bench-Science, AA-Omniscience y AutomationBench-AA), superando en 1 punto a Claude Opus 5.5 (58 puntos) y en 2 puntos a GPT-6 Astra (57 puntos), y mejorando en 9 puntos respecto a Argon (50 puntos) de hace dos semanas. Artificial Analysis evaluó que la ventaja de Carbon se impulsa por un desempeño sólido en razonamiento complejo, conocimiento y tareas científicas, con avances significativos en programación y trabajo basado en conocimiento (especialmente en comparación con el historial del serie Gemini), aunque aún no lidera de forma integral en estas áreas.

Se desglosa a continuación por dimensiones.
En términos de programación, este ha sido el punto débil tradicional de los modelos de Google, y el avance de Carbon es el más notable. En el índice Artificial Analysis Coding Agent Index, Carbon con Antigravity CLI (high reasoning) obtuvo una puntuación de 59, solo 3 puntos por detrás del líder Claude Code + Claude Opus 5.5 (max reasoning, 62 puntos). En evaluaciones individuales, obtuvo un 64% en Terminal-Bench 4.0 y un 51% en FrontierCode v1.1, ocupando el segundo lugar en ambas, solo por detrás de Claude Opus 5.5 (max, 56%). Subió 89 puntos Elo en WebDev Arena (arena de desarrollo web full-stack) hasta alcanzar el cuarto puesto (1768 Elo).

Trabajo de conocimiento: En AA-Briefcase, Carbon (high) obtiene 1609 Elo, un aumento de 126 puntos respecto a Argon (high, 1483). El mayor incremento se registra en la dimensión Presentation (calidad de presentación), que sube 293 Elo hasta alcanzar 1598; la Analytical Quality (calidad analítica) también aumenta 120 puntos hasta 1671. Sin embargo, aún se encuentra por detrás de Kimi K3.1 Pro (1678), Muse Wonder (max, 1659) y Grok 4.7 (xhigh, 1638).

Fiabilidad del conocimiento y tasa de alucinaciones: AA-Omniscience v1.1 obtiene una puntuación de 54 en Carbon, superando a Claude Opus 5.5 (máx., 48) por 6 puntos y a Argon (46) por 8 puntos. La precisión (porcentaje de respuestas correctas) aumentó del 48% de Argon al 58%, un incremento de 10 puntos porcentuales. La tasa de alucinaciones aumentó del 4% de Argon al 11%, aunque ha retrocedido, sigue siendo la segunda más baja de todos los modelos, solo por detrás de Argon. Para comparación, las tasas de alucinaciones de Claude Opus 5.5 (máx.) y GPT-6 Astra (máx.) son ambas del 50%.

Ciencia y matemáticas: RiemannBench 80.0%, Terminal-Bench-Science 64.8%, ambos los puntajes más altos actuales.
Eficiencia de costos: El costo promedio de Carbon para completar una tarea de índice inteligente es de 7.76 dólares, aproximadamente un 23 % menor que el de Claude Opus 5.5 (máx., 10.04 dólares) y 1.2 veces el de GPT-6 Astra (máx., 6.25 dólares). Genera un promedio de 123k tokens por tarea, un 29 % menos que Claude Opus 5.5 (máx., 173k). En comparación con Argon al mismo precio (7.68 dólares por tarea), los costos son prácticamente iguales, pero el índice inteligente es 9 puntos superior.

Análisis de evaluación del modelo Artificial Analysis: https://artificialanalysis.ai/models/gemini-4-carbon
Alineación de seguridad: tasa de trampa 0%, tasa de éxito de ataques de inyección de indicaciones 0%
Carbon mantiene la arquitectura de defensa múltiple de Argon en materia de alineación segura, incluyendo alineación durante el entrenamiento, detección en tiempo real de abusos, defensa contra inyecciones de prompts y monitoreo de cadenas de pensamiento, y la refuerza aún más.
La tasa de fraude se redujo al 0.0%. En la prueba de Terminal-Bench 4.0, la tasa de éxito de fraude de Carbon fue cero, con solo un 0.4% de intentos de fraude, mientras que la precisión general de las tareas siguió mejorando. Google indicó que esto se logró al mitigar aún más el comportamiento de atajos (shortcut exploitation) durante la fase de entrenamiento.
Tasa de éxito de ataques de inyección de indicaciones: 0.0%. En la prueba de referencia de inyección indirecta de indicaciones (Indirect Prompt Injection, IPI) de Gray Swan (k=15 intentos de ataque), Carbon defendió con éxito todos los ataques. En comparación con el rendimiento de otros modelos de vanguardia: Argon 0.7%, Claude Opus 5.5 y Claude Fable 5.1 son todos del 1.0%, GPT-6 Astra es del 8.5% y Grok 4.6 alcanza el 51.8%.

En el nivel de control de comportamiento, Carbon ha mejorado sincrónicamente dos patrones comunes de desalineación: una reducción del 26% en el exceso de ejecución (overreach, es decir, operaciones que van más allá de la intención del usuario) y una reducción del 29% en la insuficiencia de ejecución (under-service, es decir, omisión de operaciones solicitadas por el usuario). Google describe que, frente a tareas ambiguas, el comportamiento de Carbon consiste en que el modelo recupera activamente fuentes relevantes y presenta al usuario las diferencias de información, actuando solo tras confirmación, sin adivinar ni forzar el avance.
En cuanto a la transparencia del modelo, Carbon reduce aproximadamente dos veces más las afirmaciones sin fundamento en comparación con Argon. Cuando faltan información clave, el modelo marca directamente en la salida las limitaciones metodológicas o enumera los prerequisitos pendientes, sin inventar ni difuminar.
Pruebas internas muestran que las alertas de alineación de alta gravedad se redujeron en casi un 80 % en comparación con Argon.
Precios y disponibilidad
El precio de Carbon se mantiene igual que el de Argon: $4 por millón de tokens de entrada y $20 por millón de tokens de salida. Actualmente se ofrece un descuento del 50% en el lanzamiento, sin fecha de finalización establecida. Los tokens de entrada en caché disfrutan de un descuento del 95%, reduciéndose a solo $0.20 por millón. Ventana de contexto de 1M tokens, con soporte para entradas de texto, imagen, video y audio.
En términos de costo por tarea, Carbon tiene un costo promedio de $7.76 por tarea de índice inteligente, aproximadamente un 23% menor que Claude Opus 5.5 ($10.04), pero un 24% más alto que GPT-6 Astra ($6.25). Produce un promedio de 123k tokens por tarea, un 29% menos que los 173k de Claude Opus 5.5, lo que indica que Carbon también tiene ventajas en eficiencia de tokens.
Carbon se abrirá inicialmente esta semana a los defensores de red confiables del proyecto Fairwind, y posteriormente se ampliará gradualmente, tras recopilar comentarios e iterar los controles de seguridad, para abrirse finalmente a desarrolladores, empresas y consumidores.
Epílogo
El ciclo familiar ha regresado. Claude acaba de lanzar una «bomba nuclear», Google presenta un nuevo plato y OpenAI aumenta la presión. Tras dar una vuelta, otra semana más común y corriente en la industria de la IA.
Hace algún tiempo, Google parecía haber perdido voz en la rápida iteración de modelos avanzados, e incluso generaba dudas sobre si aún podía mantenerse en la mesa de competencia. Pero los recientes resultados presentados, especialmente Carbon, siguen siendo sorprendentes.
Claro, los gigantes se persiguen mutuamente, y cuanto más intensa sea la competencia, mejor será para toda la industria. Sin embargo, en lugar de generar ruido con narrativas de crisis como "la IA destruirá el mundo" o campañas de marketing exageradas que provocan "mareo y parálisis", preferimos ver avances tangibles de los modelos en tareas reales.
Menos teatralidad y más habilidad real. Este tipo de competencia de IA es más digna de esperar.



