Google anunció
Gemini 4 Carbon el 28 de octubre de 2026, quince días después de la disponibilidad general de Argon. Carbon mejora en programación, razonamiento con contextos largos y ciberseguridad. Al principio se ofrece a determinados profesionales de ciberdefensa; aún no hay fecha para la API pública.
Anuncio de Google,
lanzamiento de ArgonLa mejora es considerable en algunas tareas exigentes: GraphWalks pasa del 84,2 % al 96,2 % y ExploitGym, del 42,0 % al 54,8 %. Las pruebas independientes también muestran avances, aunque Opus 5.5 sigue liderando el índice de agentes de programación de Artificial Analysis y Carbon no encabeza todas las categorías de trabajo de oficina.
Gemini 4 Carbon vs. Argon: principales diferencias
Google publicó resultados de ambos modelos en ingeniería de software, uso de ordenadores y tareas de contexto largo. Los cambios se expresan en puntos porcentuales.
| Tarea y benchmark | Argon | Carbon | Diferencia |
|---|
| Ingeniería de software: FrontierSWE 2 | 55,0 % | 61,2 % | +6,2 puntos |
| Uso de ordenador: Agents' Last Exam v1.1 | 69,0 % | 77,4 % | +8,4 puntos |
| Tareas de escritorio: subconjunto sin conexión de OSWorld-2.1 | 74,7 % | 81,5 % | +6,8 puntos |
| Razonamiento con contexto largo: GraphWalks | 84,2 % | 96,2 % | +12,0 puntos |
Fuente:
evaluación de modelos de Google. Los benchmarks utilizan tareas y sistemas de puntuación distintos; sus porcentajes no son intercambiables.
Ingeniería de software más exigente
FrontierSWE 2 mide el rendimiento en ingeniería de software. Carbon supera a Argon en 6,2 puntos, pero GPT-6 Astra con un 65,5 % y Opus 5.5 con un 62,3 % quedan por delante del 61,2 % de Carbon en la misma comparación.
Google describe usos internos para errores cuya causa debe rastrearse en grandes bases de código y sistemas de bajo nivel; algunas tareas duraron días. También informa de una tasa de éxito más del doble de la de Argon en una prueba interna de generación de código seguro. Esa mejora se refiere a la seguridad del código generado, no a una duplicación de todas las puntuaciones de programación.
Resultados de ingeniería de GoogleEntradas largas y tareas de escritorio
GraphWalks evalúa el recorrido de grafos en entradas de entre 256.000 y un millón de tokens. El 96,2 % de Carbon es el F1 de búsqueda en anchura en ese benchmark. Es una señal de mayor capacidad de razonamiento sobre entradas largas, no una garantía de igual precisión con cualquier documento de un millón de tokens.
Carbon también alcanza el 77,4 % en Agents' Last Exam y el 81,5 % en el subconjunto sin conexión de OSWorld. Opus 5.5 sigue por delante en este último con un 87,2 %. La evaluación de OSWorld incluye aquí 82 tareas sin acceso a Internet, por lo que no describe navegación web sin restricciones.
Condiciones y resultadosCiberseguridad: detectar, validar y corregir vulnerabilidades
La ciberseguridad ocupa un lugar central en el lanzamiento. Las tres pruebas destacadas cubren etapas distintas: descubrir una falla, demostrar que se puede explotar y producir una corrección.
| Benchmark | Qué evalúa | Argon | Carbon |
|---|
| SEC-bench Pro | Descubrimiento de vulnerabilidades y pruebas de concepto | 83,4 % | 88,2 % |
| ExploitGym | Explotación de vulnerabilidades reales de software | 42,0 % | 54,8 % |
| CWE-bench | Auditoría y corrección de código vulnerable | 68,0 % | 71,0 % |
Los resultados proceden del
anuncio de Google, que indica que las evaluaciones de ciberseguridad se realizaron sin las salvaguardas del modelo.
SEC-bench Pro exige más que una descripción plausible: los agentes buscan vulnerabilidades y generan pruebas de concepto en entornos objetivo ejecutables.
Descripción del benchmark
ExploitGym incluye vulnerabilidades de programas ordinarios en espacio de usuario, del motor JavaScript V8 de Google y del núcleo Linux. Desarrollar un exploit funcional pone a prueba una capacidad distinta de identificar código sospechoso. En la prueba publicada por Google, Carbon mejora 12,8 puntos porcentuales frente a Argon.
Proyecto ExploitGym
CWE-bench comprueba que la corrección bloquee la vulnerabilidad y conserve las funciones existentes. Su clasificación independiente también sitúa a Carbon primero con un 71 % de programmatic pass@1, frente al 68 % de Argon. Cada modelo dispone de cuatro intentos por tarea; pass@1 y pass@4 se publican por separado.
Clasificación y metodología
Un ejemplo público trata de un decodificador Rust de marcadores de imagen que puede fallar ante cadenas mal formadas. Una corrección válida debe devolver un error recuperable para entradas inválidas sin alterar las imágenes válidas. Evitar el fallo rompiendo el decodificador no supera la prueba.
Evaluaciones independientes: dónde destaca Carbon y dónde no
Artificial Analysis: mejor razonamiento, segundo en agentes de programación
En la evaluación de AA del 28 de octubre, Carbon obtiene 59 en Intelligence Index v5, frente a 50 de Argon. En AA-Briefcase, que evalúa trabajo intelectual realizado por agentes, pasa de 1483 a 1609 Elo. Sigue detrás de modelos como Kimi K3.1 Pro, con 1678.
El índice de agentes de programación asigna 59 a Carbon high con Antigravity CLI y 62 a Opus 5.5 max con Claude Code. Las herramientas y la configuración de razonamiento forman parte del resultado: se comparan los sistemas de agentes probados.
En AA-Omniscience v1.1, la precisión de Carbon sube al 58 %, diez puntos por encima de Argon, mientras que la tasa de alucinación publicada aumenta del
4 % al 11 %.
Evaluación de lanzamiento de AAAA calcula esa tasa entre las respuestas que no fueron totalmente correctas, incluidas respuestas erróneas, parciales y abstenciones. El aumento significa que una mayor proporción de esas respuestas fue errónea, en vez de reconocer incertidumbre o responder parcialmente. No es el porcentaje de respuestas incorrectas sobre todas las preguntas.
Puntuación de AA-OmniscienceVals AI: buenos resultados en finanzas e investigación, menor posición en código
Vals prueba tareas profesionales y programación:
| Evaluación | Resultado de Carbon | Puesto publicado |
|---|
| Vals Index v2.2 | 70,36 % | 2 de 30 |
| Vals Finance Index | 66,35 % | 1 de 34 |
| Legal Research Bench | 55,77 % | 1 de 88 |
| Vibe Code Bench v1.1 | 89,06 % | 8 de 122 |
Clasificaciones consultadas el 30 de octubre de 2026; el número de modelos puede cambiar.
Sonnet 5.5 lidera el Vals Index general con un 70,85 %. La diferencia de 0,49 puntos es pequeña frente a la incertidumbre de ±0,97 puntos publicada para Carbon. Carbon ocupa una posición más alta en finanzas e investigación jurídica que en el benchmark de programación indicado.
Resultados de ValsArena: mejores resultados de sesión, con tareas más largas
La tabla general de Agent Arena del 28 de octubre coloca a Carbon segundo y a Argon séptimo. Los usuarios confirmaron explícitamente la finalización en el 18,05 % de las sesiones de Carbon y el 12,84 % de las de Argon. Carbon figura como Preliminary.
La duración mediana también es mayor para Carbon:
11,4 minutos frente a 7,6 minutos. Como las sesiones contienen tareas diferentes, estas cifras describen el uso de la plataforma y no una prueba de velocidad emparejada.
Agent ArenaFrontierCS 2: qué ocurre en tareas largas de programación
En una
evaluación independiente de FrontierCS 2 publicada el 29 de octubre, Carbon superó 25 de 48 tareas y Argon, 26. Cada modelo se ejecutó una vez por tarea en Antigravity, con hasta cinco horas para mejorar implementaciones de código publicadas. En las 45 tareas con entregas de ambos, Carbon obtuvo una puntuación media de 57,6 frente a 52,9 de Argon; esa media y el número de tareas superadas miden cosas distintas.
El equipo revisó las 25 ejecuciones aprobadas de Carbon y detectó tres que aprovecharon fallas de la prueba; en una de ellas, el resultado dependía de esa falla. En la primera evaluación, tres ejecuciones de Carbon terminaron sin entrega porque la CLI dejó de esperar un comando en segundo plano a los 30 minutos; el equipo repitió esas tareas con un límite de seis horas y una de ellas aprobó. Son resultados de la combinación de modelo y herramienta evaluada, no una tasa de fallos aplicable a cualquier entorno. Conviene mirar tanto el resultado entregado como el desarrollo de la tarea, además de la puntuación.
Ventana de contexto, entradas y salida
Artificial Analysis indica una
ventana de contexto de un millón de tokens, entradas de texto, imagen, audio y vídeo, y salida de texto. Vals también indica un millón de tokens.
La entrada multimodal permite al modelo procesar materiales en esos formatos. No significa que Carbon genere imágenes o vídeos nativos. Por ejemplo, una escena 3D creada con JavaScript generado es código que representa un navegador.
El catálogo público de API de Google todavía no contiene una entrada de Carbon con parámetros de solicitud, cuotas y controles admitidos. Por ello, las características documentadas de Argon no pueden darse por válidas como especificación pública de la API de Carbon.
Catálogo de Google¿Se puede usar Gemini 4 Carbon ahora?
Al
30 de octubre de 2026, Carbon aún no aparece en el catálogo público de modelos de Google y EvoLink todavía no ofrece acceso. Google comienza con determinados profesionales de ciberdefensa y prevé ampliar el acceso gradualmente a socios de confianza mediante Fairwind. No se ha anunciado una fecha de apertura general.
Anuncio de Google ·
Catálogo de modelos de GooglePara consultar el acceso, el ID del modelo, los precios de EvoLink y la alerta de disponibilidad, visita la
página del modelo Carbon en EvoLink.
Gemini 4 Argon sigue disponible como alternativa.
Preguntas frecuentes
¿Carbon reemplaza a Argon?
Google presenta Carbon como una evolución de Argon, pero no ha anunciado una fecha de retirada de Argon. Este sigue en el catálogo público de la API. Los dos nombres no son ID de solicitud intercambiables.
EvoLink TeamEquipo de producto
