Google presenta Gemini 4 Carbon, con la puntuación más alta en IA y acceso limitado para defensores de la ciberseguridad

Un nuevo líder en la clasificación, con acceso limitado

Google anunció Gemini 4 Carbon, un modelo de inteligencia artificial que obtuvo 59 puntos en el Artificial Analysis Intelligence Index v5.0 y registró resultados destacados en la detección, evaluación y corrección de vulnerabilidades de software. Sus primeros usuarios serán defensores seleccionados de la ciberseguridad, no el público general.

El anuncio de Gemini 4 Carbon de la empresa, fechado el 28 de octubre de 2026, sitúa al modelo por delante de Claude Opus 5.5 y GPT-6 Astra en ese índice general de capacidades. El lanzamiento llega apenas dos semanas después de Gemini 4 Argon, por lo que Google presenta otro modelo insignia antes de que muchos usuarios hayan tenido mucho tiempo para probar el anterior.

Koray Kavukcuoglu, vicepresidente sénior de Google DeepMind y arquitecto jefe de IA de Google, describió las principales fortalezas del modelo:

Gemini 4 Carbon es nuestro modelo más potente, con capacidades de ciberseguridad y de horizonte prolongado de última generación.

Google afirma que sus equipos internos han visto a Carbon trabajar durante días en tareas de ingeniería complejas, como localizar errores sutiles y desarrollar soluciones en grandes proyectos de software. Para los equipos de seguridad, la promesa es contar con un asistente que pueda perseverar ante un problema después de varios intentos fallidos, en vez de limitarse a sugerir una respuesta y detenerse.

El lanzamiento de Carbon también pone de manifiesto una tensión práctica. La capacidad de detectar y explotar debilidades de software puede ayudar a los defensores a reparar sistemas, pero también puede ofrecer herramientas útiles a los atacantes. Google participa en pruebas voluntarias del Gobierno de Estados Unidos antes del lanzamiento y ampliará el acceso gradualmente a través de su programa Fairwind.

La visión más completa surge al considerar los resultados en conjunto: Carbon encabeza un índice general de inteligencia y varias pruebas de seguridad, pero queda por detrás de sus competidores en algunas tareas de programación. Las mejoras internas de fiabilidad de Google también contrastan con una prueba externa en la que aumentó la tasa de respuestas inventadas frente a Argon.

Qué miden las puntuaciones de ciberseguridad

Google informa de tres resultados principales en seguridad: 88,2% en SEC-bench Pro, 54,8% en ExploitGym y 71,0% en CWE-bench de Collinear. Cada prueba mide una parte distinta del trabajo de un defensor.

SEC-bench Pro evalúa si un modelo puede encontrar vulnerabilidades en software real. Una vulnerabilidad es una debilidad que podría permitir a alguien acceder a información, modificar un sistema o interrumpir su funcionamiento. Google afirma que Carbon encabeza esta evaluación porque detecta fallas complejas ocultas en el software.

ExploitGym evalúa el paso siguiente: convertir una debilidad en un exploit funcional. Un exploit es un método para aprovechar una falla y hacer que un sistema se comporte de una manera no prevista. Los equipos de seguridad recurren a la explotación controlada para comprobar qué debilidades representan un peligro inmediato y deben corregirse primero.

CWE-bench mide la aplicación de parches, es decir, la escritura de código que corrige el problema de fondo. La puntuación de Carbon, de 71,0%, pone el énfasis en completar la reparación, en vez de limitarse a señalar código sospechoso.

Google afirma que estas pruebas externas de ciberseguridad se realizaron sin barreras de seguridad, es decir, sin las restricciones de protección que limitan las acciones de un modelo ya desplegado. Sus puntuaciones describen el rendimiento en esas condiciones de prueba; el acceso a través de los productos de Google incluirá sus controles de seguridad.

Google también informa que, en pruebas internas, Carbon logró más del doble de la tasa de éxito de Argon al generar código seguro. El equipo de Chrome de la empresa afirma que Carbon obtuvo un rendimiento más de 10 veces superior al producir parches de alta calidad que un modelo de frontera de gran tamaño de un laboratorio competidor no identificado. Estos resultados internos sobre código seguro aún no han sido reproducidos de forma independiente, y Google no identifica el modelo rival de esa comparación.

El primer puesto no significa ganar en todas las tareas

Artificial Analysis otorga a Carbon 59 puntos en Intelligence Index v5.0, frente a los 58 de Claude Opus 5.5 y los 57 de GPT-6 Astra. Así, Carbon supera a Opus por un punto y a Astra por dos, una diferencia menor que la observada en las comparaciones de ciberseguridad más favorables a Google.

El índice combina nueve evaluaciones, y Carbon encabeza cuatro: HLE-Diamond, TB-Science, AA-Omniscience y AutomationBench. Artificial Analysis afirma que el 60% del índice revisado se basa en pruebas privadas, cuyas preguntas no se divulgan públicamente.

Los resultados de programación son más variados. Carbon, combinado con Antigravity CLI de Google, obtiene 59 puntos en Coding Agent Index, mientras que Claude Code, combinado con Opus 5.5, obtiene 62. Un agente de programación combina un modelo con herramientas que le permiten revisar archivos, ejecutar comandos y modificar software, por lo que el programa que lo acompaña influye en el resultado.

Carbon obtiene 51% en FrontierCode v1.1, por debajo del 56% de Opus. En FrontierSWE alcanza 61,2%, frente al 65,5% de GPT-6 Astra, el 62,3% de Opus 5.5 y el 61,9% de Sonnet 5.5. Estas comparaciones ofrecen a los desarrolladores un motivo concreto para fijarse en las tareas más parecidas a su propio trabajo, además de considerar la clasificación general.

El desarrollo web es otra área en la que se observan avances. Según el anuncio de Google, Carbon ocupa el cuarto puesto en WebDev Arena, con 1.768 puntos Elo tras ganar 89 puntos. Elo es un sistema de clasificación basado en el rendimiento comparativo. Carbon también ocupa el primer puesto en Text Arena, con 1.528 puntos, y el segundo en Agent Arena, lo que amplía sus buenos resultados más allá de las tareas de seguridad.

Trabajar durante días en vez de responder una sola vez

Google diseñó Carbon para flujos de trabajo prolongados con agentes, en los que un sistema de IA ejecuta una serie de acciones para alcanzar un objetivo. En ingeniería de software, esto podría implicar revisar un proyecto, formular una explicación para un error, modificar el código, ejecutar pruebas y ajustar la solución si las pruebas fallan.

Los equipos internos de Google afirman que Carbon ha trabajado durante días en tareas complejas que involucran grandes bases de código y sistemas de bajo nivel. La empresa señala que puede perseverar pese a los callejones sin salida, una característica importante cuando la primera explicación plausible resulta ser incorrecta.

Las especificaciones publicadas indican una ventana de contexto de un millón de tokens y una salida máxima de un millón de tokens. Los tokens son las pequeñas unidades de texto que procesa un modelo. La ventana de contexto es la cantidad de información que puede considerar de una vez, incluidas las instrucciones y el material proporcionado para una tarea.

Según los informes, Carbon acepta texto, imágenes, video y voz, y genera texto. Esos tipos de entrada permitirían incluir en un mismo flujo de trabajo un informe escrito sobre un error, una captura de pantalla y una grabación de un comportamiento inesperado del software.

El rendimiento varía en otros ámbitos. Carbon obtiene 1.609 puntos Elo en la evaluación de trabajo intelectual AA-Briefcase, 126 puntos más que Argon, aunque sigue por detrás de Grok 4.7, Muse Wonder y Kimi K3.1 Pro. Ocupa el segundo puesto en Vals Index y el primero en Finance Index y Legal Research Benchmark. La variedad de resultados muestra por qué la elección de una empresa puede depender de si necesita reparar software, analizar documentos u ocuparse de otra tarea específica.

Las pruebas de seguridad distinguen entre intentar hacer trampa y lograrlo

Google informa de una tasa de éxito en trampas de 0,0% en Terminal-Bench 4.0, con una tasa de intentos de 0,4%. Las dos cifras describen comportamientos distintos: si el modelo intentó recurrir a un atajo indebido y si ese intento tuvo éxito.

Google afirma que Carbon mejoró la precisión en las tareas y, al mismo tiempo, redujo esos atajos. En trabajos de programación en directo con sus propios equipos, las alertas por desviaciones graves del comportamiento previsto disminuyeron casi un 80%.

La inyección de instrucciones maliciosas es otro de los aspectos evaluados. Este ataque introduce instrucciones en el material que una IA debe leer, como una página web o un archivo, para desviarla de la tarea del usuario. Un asistente que examine un proyecto podría encontrarse con un texto que le pida ignorar sus instrucciones o divulgar información.

Carbon registró una tasa de éxito de ataques de 0,0% en la prueba de inyección indirecta de instrucciones de Gray Swan. Las cifras comparativas fueron de 0,7% para Argon, 1% para Claude Opus 5.5 y 8,5% para GPT-6 Astra. El resultado de Google significa que Carbon resistió todos los intentos de ataque evaluados en esa prueba.

Google afirma que Carbon combina el entrenamiento del modelo con defensas contra el uso indebido durante su funcionamiento, resistencia a la inyección de instrucciones maliciosas y supervisión de su proceso de razonamiento. El despliegue inicial restringido permitirá a la empresa recopilar comentarios y ajustar esas protecciones a medida que lo utilicen defensores seleccionados.

La fiabilidad mejora internamente, mientras empeora en una medición externa

Google afirma que, en pruebas internas, Carbon redujo aproximadamente a la mitad las afirmaciones sin respaldo en comparación con Argon. La empresa describe un modelo más propenso a explicar cuándo faltan pruebas, enumerar requisitos pendientes y señalar información contradictoria antes de actuar.

Google también informa de una reducción del 26% en la extralimitación y del 29% en la prestación insuficiente del servicio. En términos cotidianos, afirma que Carbon tiene menos probabilidades de ir más allá de las instrucciones del usuario y menos probabilidades de quedarse corto respecto del trabajo solicitado.

Artificial Analysis registra un cambio distinto en su evaluación Omniscience: la tasa de alucinaciones de Carbon sube al 11%, frente al 4% de Argon. Una alucinación es una respuesta que presenta como hecho información inventada o incorrecta. Carbon sigue teniendo la segunda tasa más baja de esa comparación, mientras que Opus 5.5 y Astra registran un 50% cada uno.

Carbon encabeza la evaluación Omniscience con una puntuación de 54, pese a su mayor tasa de alucinaciones. Un modelo puede avanzar al responder correctamente más preguntas y, al mismo tiempo, cometer más errores cuando intenta responder preguntas que antes evitaba. La medición interna de afirmaciones sin respaldo de Google y la medición externa de alucinaciones utilizan evaluaciones distintas, por lo que los usuarios deben considerar ambos resultados de fiabilidad por separado.

Para un equipo de seguridad, comprobar el trabajo sigue siendo parte de la tarea. Es necesario examinar una vulnerabilidad detectada y probar un parche propuesto en el software que modifica. Las mejoras declaradas por Google buscan precisamente evitar que un asistente afirme demasiado pronto que tuvo éxito o actúe fuera del alcance solicitado.

Quién obtiene acceso y en qué orden

Google afirma que un grupo de defensores de la ciberseguridad recibirá Carbon durante la semana del anuncio, el 28 de octubre. Otros socios de confianza obtendrán acceso gradualmente a través de Fairwind, seguidos por desarrolladores, empresas y consumidores mediante los productos de Google.

La secuencia anunciada es la siguiente:

• Unas dos semanas antes de Carbon: Google lanzó Gemini 4 Argon, que posteriormente llegó a la aplicación Gemini y al modo de búsqueda con IA.
• 28 de octubre de 2026: Google publicó el anuncio de Carbon y los resultados de las pruebas de referencia.
• La semana del 28 de octubre: los defensores seleccionados de la ciberseguridad comienzan a recibir acceso.
• Etapas posteriores: Google ampliará el acceso a través de Fairwind antes de ofrecerlo de forma más general en sus productos.

Google participa en el proceso voluntario del Gobierno de Estados Unidos para probar modelos antes de su lanzamiento. Su anuncio no especifica una fecha para el acceso general del público ni para el fin del precio introductorio de Carbon.

Se ha señalado a los suscriptores de AI Ultra y a los desarrolladores de Gemini API como posibles primeros clientes, pero el plan de despliegue publicado por Google menciona a los grupos más amplios de desarrolladores, empresas y consumidores, sin confirmar ese orden.

La decisión de empezar por los defensores se produce en medio de una preocupación creciente por el uso malicioso de la IA. Los investigadores de amenazas de Google han documentado que grupos vinculados a Irán, Corea del Norte, Rusia y China han experimentado con Gemini, principalmente para tareas de investigación y programación. Demis Hassabis, director de DeepMind, ha descrito los recientes ataques informáticos con agentes de IA como primeras señales de alerta.

Cuánto costará Carbon a los desarrolladores

El precio introductorio de la API de Carbon es de 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida, igual que la tarifa de lanzamiento de Argon. Una API permite a los desarrolladores conectar el modelo con su propio software. La entrada es el material que se envía a Carbon; la salida es lo que genera.

Una vez finalizado el período introductorio, los precios publicados se duplican: 4 dólares por millón de tokens de entrada y 20 dólares por millón de tokens de salida. Por tanto, una tarea que utilice un millón de tokens de entrada y un millón de tokens de salida costaría 12 dólares con las tarifas introductorias y 24 dólares con las tarifas estándar, antes de aplicar el almacenamiento en caché u otros ajustes.

Google afirma que las entradas almacenadas en caché tienen un descuento del 95%. El almacenamiento en caché permite que un servicio reutilice material que ya procesó, lo que puede reducir el costo de volver a proporcionar el mismo documento extenso o proyecto de software. Con el descuento, el precio por millón de tokens de entrada almacenados en caché sería de 0,10 dólares con la tarifa introductoria y de 0,20 dólares con la tarifa estándar.

El gasto medido también depende de cuánto texto genere el modelo para completar una tarea. Artificial Analysis calcula que Carbon cuesta 7,76 dólares por tarea del índice, frente a 10,04 dólares para Opus 5.5 y 6,25 dólares para GPT-6 Astra. En esa evaluación, Carbon utiliza unos 123.000 tokens de salida por tarea, un 29% menos que Opus.

En otras cargas de trabajo, el patrón puede ser distinto. Vals registra que Carbon genera un 64% más de tokens de salida que Argon, principalmente en tareas financieras, fiscales y jurídicas. Por tanto, los desarrolladores que presupuesten el uso de Carbon deberán considerar tanto el precio de sus tokens como la cantidad de trabajo que realiza en cada tarea.

Puntos clave

• Gemini 4 Carbon encabeza Artificial Analysis Intelligence Index v5.0 con 59 puntos, por delante de Opus 5.5, con 58, y GPT-6 Astra, con 57.
• Google informa de puntuaciones de seguridad de 88,2% en detección de vulnerabilidades, 54,8% en explotación y 71,0% en aplicación de parches.
• Carbon queda por detrás de varias combinaciones de modelos y herramientas competidoras en distintas evaluaciones de programación.
• Google afirma que no hubo trampas exitosas en Terminal-Bench 4.0 ni ataques exitosos en la prueba evaluada de inyección de instrucciones de Gray Swan.
• Las afirmaciones internas sin respaldo se redujeron aproximadamente a la mitad, mientras que una medición externa de alucinaciones subió del 4% de Argon al 11% de Carbon.
• Los defensores seleccionados de la ciberseguridad tendrán acceso primero; la disponibilidad se ampliará a través de Fairwind antes de llegar a un público más amplio.
• Los precios introductorios de la API son de 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida; posteriormente subirán a 4 y 20 dólares, respectivamente.