Gemini 4 Carbon lidera el índice de IA con 59 puntos

Gemini 4 Carbon se queda con el primer puesto del índice de Artificial Analysis

Gemini 4 Carbon anotó 59 puntos en el Artificial Analysis Intelligence Index v5 y quedó como el modelo mejor posicionado del ranking, un punto por encima de Claude Opus 5.5 en su configuración máxima (58). El dato le importa a cualquier founder que esté decidiendo con qué modelo construir su producto: el liderazgo volvió a cambiar de manos, y el margen es de un solo punto.

Pero el titular esconde la parte más relevante para quien paga la factura de la API. Carbon no está disponible al público. Google lo está desplegando a un grupo seleccionado de usuarios, igual que hizo con Gemini 4 Argon, y ofrece un 50% de descuento de lanzamiento sin fecha de fin confirmada. Todas las gráficas y cifras del informe de Artificial Analysis usan el precio estándar, no el promocional.

¿Dónde gana Gemini 4 Carbon y dónde no?

El modelo lidera 4 de las 9 evaluaciones del índice: HLE-Diamond, Terminal-Bench-Science, AA-Omniscience y AutomationBench-AA. En razonamiento complejo, conocimiento y tareas científicas va primero, con mejoras amplias en código y trabajo de conocimiento respecto de los Gemini anteriores, aunque no en todas esas áreas.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

En código la historia es distinta. Con Antigravity CLI, Carbon (high) saca 59 puntos en el Artificial Analysis Coding Agent Index, a solo 3 puntos de Claude Code con Claude Opus 5.5 (max, 62). Queda segundo en Terminal-Bench 4.0 (64%) y en FrontierCode v1.1 (51%), por detrás de Claude Opus 5.5 (max), que alcanza el 56%. Para Google esto es una mejora que resalta: históricamente había quedado atrás en esta categoría.

En trabajo de conocimiento agéntico (AA-Briefcase) logra 1609 Elo, 126 puntos más que Gemini 4 Argon (1483), pero sigue por detrás de Grok 4.7 (xhigh, 1638), Muse Wonder (max, 1659) y Kimi K3.1 Pro (1678). La mayor subida está en Presentaciones: +293 Elo hasta 1598, junto con 120 puntos de mejora en Calidad Analítica, hasta 1671.

¿Cuánto cuesta Gemini 4 Carbon por tarea?

Con precio estándar, Carbon cuesta US$7,76 por tarea del Intelligence Index, aproximadamente 23% menos que Claude Opus 5.5 (max, US$10,04) y unas 1,2 veces GPT-6 Astra (max, US$6,25). Consume 123.000 tokens de salida por tarea, 29% menos que Claude Opus 5.5 (max, 173.000).

Al mismo precio estándar de US$4 por millón de tokens de entrada y US$20 por millón de salida, el costo por tarea queda en línea con Argon (US$7,68) pero con 9 puntos más de índice. Los tokens de entrada en caché reciben un 95% de descuento (US$0,20 por millón a precio estándar). La ventana de contexto es de 1 millón de tokens y acepta texto, imagen, video y voz como entrada, con salida de texto.

El matiz que casi nadie mira: mejor puntaje, peor tasa de alucinación

Carbon saca 54 en AA-Omniscience v1.1, 6 puntos por delante de Claude Opus 5.5 (max, 48) y 8 por delante de Argon (46). La precisión sube 10 puntos sobre Argon hasta el 58%, pero su tasa de alucinación sube del 4% al 11%. Sigue siendo la segunda más baja de cualquier modelo, solo por detrás de Argon, comparada con el 50% de Claude Opus 5.5 (max) y GPT-6 Astra (max).

Es el detalle que un founder no debería pasar por alto: ganar el ranking no significa que el modelo invente menos que su predecesor. Para un producto que genera contenido o responde a clientes, ese salto del 4% al 11% es material.

El contexto: una carrera que se reinicia cada pocas semanas

Carbon llega dos semanas después de que Gemini 4 Argon aterrizara en la app de Gemini, según reportó Mashable. Anthropic lanzó Claude Opus 5.5 el 22 de septiembre y OpenAI publicó GPT-6 Astra a principios de ese mes; Google anunció Argon el 30 de septiembre y lo liberó a suscriptores de Google AI Pro y Ultra el 13 de octubre. Cada laboratorio reclamó el liderazgo en cuestión de semanas.

El propio índice se revisó: la versión 5.0 incorpora dos benchmarks nuevos y tres actualizaciones, y por primera vez la mayoría del índice se apoya en datasets privados. Los 59 puntos de Carbon no son comparables con los 53 que Argon (High) obtenía en la versión anterior, así que cualquier comparación histórica que veas en redes hay que tomarla con pinzas.

¿Qué significa esto para tu startup?

Primero, un límite práctico: no puedes usar Carbon todavía. Está restringido a defensores de ciberseguridad aprobados en el Fairwind Program de Google, con acceso más amplio después. Si tu roadmap depende de Carbon, tienes un riesgo de disponibilidad, no solo de precio.

Segundo, un punto de ventaja en un índice compuesto no es una decisión de compra. El propio informe señala que el margen es de un punto, suficiente para que el próximo lanzamiento de OpenAI o Anthropic lo borre.

Acciones concretas que puedes tomar esta semana:

No migres por el ranking. Corre tus propias tareas representativas contra Carbon, Argon y Claude Opus 5.5 antes de estandarizar. Mide tareas completadas, tiempo de corrección humana, latencia, reintentos y costo total, no el puntaje del leaderboard.
Modela el costo por tarea, no el precio por token. Un modelo más caro por token puede salir más barato si termina la tarea en menos pasos. Carbon usa 29% menos tokens de salida que Opus 5.5 en el índice; ese número se parece mucho más a tu factura que el precio unitario.
Diseña para el cambio de modelo. Si la ventaja es de un punto y se reinicia cada pocas semanas, tu arquitectura debería permitir cambiar de proveedor sin reescribir el producto. Abstrae la capa de inferencia detrás de una interfaz propia.
Si trabajas en seguridad o desarrollo, prueba el ángulo de código con cautela. Google reporta 88,2% en SEC-bench Pro para descubrimiento de vulnerabilidades, 54,8% en ExploitGym y 71,0% en CWE-bench para parches, según TechBooky. Son benchmarks distintos con reglas de puntuación distintas: no los leas como que el modelo encuentra o arregla ese porcentaje de problemas reales en producción.

Conclusión

Carbon le da a Google el primer puesto del índice y una mejora real en código, pero el margen es de un punto y el acceso sigue cerrado. Para un founder, la lectura útil no es que apareció un nuevo mejor modelo, sino que la ventaja competitiva de los laboratorios se mide en semanas y que la decisión correcta sigue siendo la misma: probar con tus propias tareas, medir el costo por tarea terminada y no atar el producto a un solo proveedor.