Por qué Gemini 4 Carbon es tan lento, según un benchmark independiente
El equipo de kernel.dev midió Gemini 4 Carbon en su propio set de evaluaciones privadas y encontró una diferencia incómoda: en tareas de corrección de bugs que a Opus 5.5 y Astra les tomaban minutos, Carbon se acercaba a la hora. En la corrida que publicaron, Carbon en nivel low tardó 22 minutos 21 segundos frente a los 9 minutos 33 segundos de Opus 5.5 en high.
Para un founder que paga por tokens y deja a un ingeniero esperando a un agente, ese número es costo directo: menos iteraciones por día, más contexto perdido y decisiones de producto que se postergan. El análisis recoge además comentarios de usuarios que describen el modelo como «inaceptablemente lento en uso real» y «casi inutilizable por lo lento que es».
¿Qué tarea se usó para medir la lentitud?
Cada tarea entrega al agente una base de código tal como estaba justo antes de que se corrigiera un bug, junto con un reporte que describe el fallo solo por sus síntomas. El agente debe diagnosticar la causa y arreglarla sin tocar nada más.
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 →La dificultad no está en la inteligencia bruta, sino en el criterio de ingeniería: rastrear el síntoma hasta la ruta de código correcta, descartar explicaciones rivales, colocar el fix en el lugar adecuado y saber cuándo detenerse. Es exactamente el tipo de trabajo donde un agente que «piensa de más» se vuelve caro.
¿La inferencia es lenta o el modelo hace más trabajo?
La primera variable que el equipo aisló fue la velocidad de inferencia: colas del proveedor, latencia de red, procesamiento del prompt y velocidad de generación.
La conclusión: la inferencia lenta explica entre 16% y 30% de la diferencia de Carbon frente a Astra, y entre 45% y 49% frente a Opus. Todo lo demás viene de trayectorias más largas. Carbon da cerca de siete veces más pasos que Astra y once veces más acciones como leer un archivo o ejecutar un comando. Escribe siete veces más y, como cada paso reenvía una conversación que crece, procesa más de dieciséis veces más input.
Traducido a tu operación: no es solo que cada paso sea más lento, es que hay muchos más pasos, y cada paso arrastra el historial completo de la conversación.
Dos explicaciones que quedaron descartadas
Antes de mirar dentro de las corridas, el equipo probó dos hipótesis simples.
- El entorno de ejecución. Corrieron Carbon dentro de otros dos agentes de código, opencode y mini-SWE-agent, y no vieron diferencias relevantes.
- Niveles de razonamiento mal alineados. Los ajustes de esfuerzo no están estandarizados entre proveedores, así que el «high» de Carbon podría estar más cerca del máximo de los otros modelos. Pero al bajarlo a low, Carbon muchas veces no producía ningún fix: daba vueltas releyendo código que ya había leído.
Ese segundo punto importa para cualquier equipo que calibra modelos: bajar el nivel de esfuerzo no es un dial de ahorro gratis. Puede devolverte una tarea sin resolver.
La mitad del trabajo que hace Carbon nadie lo pidió
El hallazgo más accionable aparece al etiquetar cada paso según para qué sirvió. La mitad de los pasos de Carbon se fueron en trabajo que el ticket nunca pidió:
- Auditar código más allá del bug. Una vez encontrada la causa, Carbon seguía ampliando la búsqueda, revisando cada ruta relacionada y auditando código que el fix no necesitaba tocar.
- Cerrar huecos que el ticket ya había descartado. Se defendía de casos que los hechos del reporte ya excluían, endureciendo el código contra problemas que nadie había reportado.
En la muestra, ambos modelos identificaron la causa temprano: Astra en un minuto y Carbon en unos seis. Astra escribió el fix tres minutos después; Carbon no escribió una sola línea de código durante 25 minutos más.
¿Falta de conocimiento o mal hábito? Para distinguirlo, el equipo reejecutó una prueba con un entorno modificado que inyecta cada cinco turnos la misma pregunta: «¿ya tienes suficiente para hacer el fix?». Con esos check-ins, Carbon terminó en 28 minutos en lugar de 37, y la espera entre nombrar la causa y editar el código bajó de 25 a unos 10 minutos. La lentitud parece venir de cómo se comporta el modelo, no de lo que sabe.
Las ineficiencias mecánicas: releer y leer de a un archivo
Incluso dentro de los pasos que el fix sí necesitaba, había grasa.
Astra hacía más de dos llamadas a herramientas por paso, leyendo varios archivos a la vez; Carbon hacía alrededor de una, casi siempre un solo archivo. Y releía mucho más: 39% de las líneas que leyó ya las había visto, contra 7% en Astra. El equipo estima que estas dos ineficiencias «mecánicas» explican cerca del 25% del tiempo extra de Carbon.
Un modelo lento, potente y en medio de una guerra de precios
El contexto importa porque Carbon no es un modelo barato que salió lento por descuido. The Verge reporta que Google lo lanzó con un precio introductorio de US$2 por millón de tokens de entrada y US$10 por millón de salida, cerca de un quinto del costo de GPT-6 Astra de OpenAI y un cuarto del modelo Fable 5.2 de Anthropic. Ese precio introductorio se duplica a fines de noviembre, según el mismo medio.
MindStudio documentó el otro lado del problema: alrededor de 67 segundos hasta el primer token, contra unos 12 segundos de un modelo típico, y tareas completas que se estiran decenas de minutos. Es un perfil razonable para un escaneo de seguridad que de otro modo tomaría días, y muy frustrante para trabajo interactivo.
Google ya está respondiendo con arquitectura. Según GCN, el 12 de noviembre de 2026 lanzó Gemini 4 Hydrogen, un modelo más barato y rápido (US$1.50 por millón de entrada y US$7.50 de salida) que completa tareas 2.5 veces más rápido que Gemini 3.8 Flash y saltó del 18.2% al 57% en Terminal-Bench 4.1. Y The New Stack describe Orchestrator, la función de Antigravity que reparte el trabajo: Carbon razona y planifica, Hydrogen escribe los cambios y corre los tests. Según ese medio, la combinación logra resultados cercanos a los de Carbon solo, con 24% menos de cuota y 19% más rápido. El mismo medio sitúa el lanzamiento público de Carbon el 28 de octubre y el de Argon el 30 de septiembre.
Qué significa esto para tu startup
El mensaje no es «no uses Carbon». Es que la lentitud de un agente rara vez es solo un problema del modelo: es un problema de cómo lo orquestas.
- Enruta por tipo de tarea, no por marca. Usa el modelo más potente para diagnóstico, diseño y decisiones irreversibles; manda lectura de archivos, cambios mecánicos y tests a un modelo rápido y barato. Es lo que hace Orchestrator, y el ahorro reportado —24% de cuota y 19% de tiempo— sale justamente de ahí.
- Mide costo por tarea resuelta, no por token. Un modelo con precio bajo que da siete veces más pasos puede salir más caro que el premium. Lleva una métrica simple: minutos de agente por bug cerrado.
- Mete check-ins en tu loop. Preguntar cada N turnos «¿ya tienes suficiente para aplicar el fix?» redujo la espera entre el diagnóstico y la edición a menos de la mitad en la prueba de kernel.dev. Es una línea de prompt, no un proyecto de ingeniería.
- Instrumenta los re-reads. Si tu agente relee archivos que ya vio, estás pagando dos veces por el mismo contexto. Registrar líneas leídas y detectar repeticiones te da un objetivo concreto de optimización.
- Define la condición de parada. La mitad del trabajo extra venía de auditar más allá del ticket. Un agente sin límite de alcance no es más riguroso: es más lento y más caro.
Conclusión
La lentitud de Gemini 4 Carbon no es un misterio de hardware: según el análisis de kernel.dev, se reparte entre inferencia más lenta, trabajo que nadie pidió y hábitos mecánicos ineficientes. La buena noticia para un equipo pequeño es que dos de esas tres causas se atacan desde tu propio código: límites de alcance, check-ins periódicos y enrutamiento por dificultad.
Google está empujando en esa dirección con Hydrogen y Orchestrator. Si tu stack depende de agentes de código, la pregunta ya no es qué modelo es el mejor, sino cuánto tarda el conjunto en cerrar una tarea.
Fuentes
- Why is Gemini 4 Carbon taking so long?
- Google releases Gemini 4 Carbon with agent swarm feature – The Verge
- Google launches Gemini 4 Hydrogen for everyday coding tasks – GCN
- Google’s Gemini 4 coding agent now switches models mid-task – The New Stack
- Gemini 4 Carbon’s Secret Strength – MindStudio
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 →













