Google presenta Gemini 4 Carbon: líder en los benchmarks, pero con acceso limitado a los defensores informáticos

Unas dos semanas después del lanzamiento de Argon, Google anunció en su blog oficial la presentación de Gemini 4 Carbon. Firmada por Koray Kavukcuoglu, vicepresidente sénior de Google DeepMind y arquitecto jefe de inteligencia artificial de la compañía, la entrada describe Carbon como el modelo más potente de Google, a la vanguardia en ciberseguridad y en tareas de largo horizonte. El directivo afirmó que en las pruebas internas los equipos vieron al modelo trabajar durante días seguidos con tal de salir de los callejones sin salida. Sin embargo, la disponibilidad inicial se limita a un subconjunto de defensores informáticos a través del Fairwind Program. Para desarrolladores, empresas y público general, Google habla de una llegada posterior, sin fecha concreta y sin indicar cuándo terminará la tarifa promocional de dos dólares por millón de tokens de entrada y diez por millón de salida.

En cuanto al rendimiento, los datos publicados por Google muestran avances notables, con límites metodológicos claros. En los benchmarks de ciberseguridad, que la compañía evaluó sin filtros de protección (guardrails) y que, por tanto, no equivalen a la experiencia de uso final, Carbon alcanza el 88,2% en SEC-bench Pro para la detección de vulnerabilidades, el 54,8% en ExploitGym para su explotación (Argon estaba en el 42,0%, según VentureBeat) y el 71,0% en CWE-bench para la corrección de las causas de fondo. Casi todas estas cifras las declara Google y no incluyen estimaciones de incertidumbre. En la versión 5.0 del Artificial Analysis Intelligence Index, revisada y no comparable con las anteriores, el modelo es primero con 59 puntos, por delante de Claude Opus 5.5 (58), GPT-6 Astra (57) y Argon (50). El liderazgo no es uniforme: en FrontierSWE 2 Carbon se queda en el 61,2%, por detrás de GPT-6 Astra (65,5%) y Claude Opus 5.5 (62,3%), y en el subconjunto offline de OSWorld obtiene un 81,5% frente al 87,2% de Opus 5.5.

Las evaluaciones independientes que recoge VentureBeat dibujan un panorama con matices. En AA-Omniscience, de Artificial Analysis, la precisión de Carbon sube al 58% (Argon 48%), pero la tasa de alucinaciones pasa del 4% al 11%. En el Vals Index Carbon obtiene un 70,4%, justo por encima de Claude Opus 5.5 (70,2%). En las pruebas de seguridad internas que Google realizó sobre el mismo stack multinivel del modelo anterior, las alertas de desalineación grave en la generación de código bajan casi un 80% y el éxito de los ataques de prompt injection indirecta en el benchmark Gray Swan cae al 0,0% (Argon 0,7%). En cambio, carece de confirmación pública y de datos que la respalden la afirmación de la nota de la empresa según la cual el equipo del navegador Chrome habría obtenido correcciones de calidad más de diez veces superior a las del gran modelo de frontera de un laboratorio competidor, que no se nombra.

Sin un informe técnico detallado, siguen sin aclararse tanto la arquitectura como el número total de parámetros. Google ha optado por un lanzamiento escalonado para un modelo capaz de detectar y explotar vulnerabilidades: cuando la autonomía operativa se prolonga durante varios días, decidir quién puede acceder a él importa al menos tanto como los resultados en los benchmarks. — Olya