El nuevo modelo de frontera de Google llegó en un orden poco habitual. Gemini 4 Carbon, anunciado el 28 de octubre de 2026, dos semanas después de Gemini 4 Argon, fue primero a un grupo reducido de defensores de ciberseguridad y no a desarrolladores ni al público. Google lo presenta como su modelo más potente, pensado para trabajo largo con agentes y para seguridad, y el lanzamiento escalonado dice tanto sobre los riesgos que ve como cualquier benchmark.
Las puntuaciones principales son sólidas. Carbon quedó primero en el Artificial Analysis Intelligence Index v5.0 con 59. En pruebas de seguridad obtuvo un 88,2% en SEC-bench Pro, que mide la detección de vulnerabilidades, un 54,8% en ExploitGym, que mide su explotación, y un 71,0% en el CWE-bench de Collinear para la corrección. Subió 89 puntos Elo en WebDev Arena hasta el cuarto puesto. Google afirma que el modelo ha trabajado internamente durante días seguidos, superando callejones sin salida para hallar la causa de errores sutiles en grandes bases de código, y que el equipo de Chrome lo encontró muy superior al modelo de otro laboratorio, sin nombrar, a la hora de escribir parches de calidad.
El acceso fue escalonado. Primero un subconjunto de defensores, después socios de confianza a través del programa Fairwind de Google, y desarrolladores, empresas y consumidores más adelante, sin fecha. Como recoge nuestro análisis de Gemini 4 Carbon, esa fase llegó el 10 de noviembre, cuando pasó a la API de pago de Gemini, a Antigravity y a la app Gemini para suscriptores de Google AI Ultra. El precio arranca al nivel de Argon, $2 por millón de tokens de entrada y $10 por millón de salida, y se duplica a $4 y $20 tras el periodo introductorio, que nuestro análisis sitúa en el 30 de noviembre.
Las cifras de seguridad merecen leerse junto a las de capacidad. Google indica que las trampas con éxito en Terminal-Bench 4.0 cayeron al 0,0%, que las alertas graves de desalineación en programación real bajaron casi un 80% y que los ataques en la prueba de inyección indirecta de prompts de Gray Swan tuvieron éxito el 0,0% de las veces, frente al 0,7% de Argon. Un modelo capaz de encontrar y encadenar fallos así sirve tanto a atacantes como a defensores, y por eso Google participó en las pruebas voluntarias previas al lanzamiento del Gobierno de EE. UU. Anthropic describió capacidades parecidas en su propio modelo sin publicar el día anterior, así que se está convirtiendo en un problema común de los laboratorios de frontera.
Hay varias salvedades. Los benchmarks externos de ciberseguridad se hicieron sin salvaguardas, así que el modelo desplegado puede negarse a parte de ese trabajo o suavizarlo. La tabla comparativa completa se publicó como imagen y el texto no nombra ningún modelo rival, de modo que las comparaciones directas no se pueden verificar con el anuncio. Todas las cifras son de Google o de socios como Wiz. Los equipos que preparen presupuestos deberían calcular con el precio duplicado, no con el de lanzamiento.