Claude Opus 5.5 vs Gemini 4 Carbon: un techo del 12 % y un tercio de la factura

Claude Opus 5.5 y Gemini 4 Carbon son los dos mejores modelos del nuevo benchmark GDPx de SemiAnalysis, y la diferencia entre ambos es de poco más de un punto: 12,0 % para Opus 5.5 y 10,9 % para Carbon. El dato más útil está debajo de la puntuación. Carbon lo consiguió por 16,29 $ por tarea; Opus 5.5 necesitó 51,41 $. Esa es toda la decisión en una sola línea, con una pega que la tabla de clasificación no puede mostrar. Opus 5.5 está disponible de forma general desde el 22 de septiembre de 2026. Carbon se anunció el 28 de octubre y sigue restringido a socios de ciberdefensa mediante el programa Fairwind de Google, sin ID de modelo público. Un tercio de la factura solo es una ganga si puedes hacer el pedido.

GDPx v1.0 es un nuevo benchmark, publicado esta semana, y es la primera evaluación independiente que puntúa estos dos modelos en las mismas tareas con el mismo harness e informa cuánto costó cada ejecución. Ese momento importa más que la clasificación. Seis semanas después del lanzamiento de Opus 5.5, y días después de que se anunciara Carbon, por fin hay una comparación con mediciones en lugar de dos tablas de proveedores puestas una al lado de la otra.

Qué es cada modelo, antes de la tabla

Claude Opus 5.5 es el actual buque insignia de Anthropic para la programación agéntica y el trabajo de conocimiento de larga duración. Sustituyó a Opus 5 con una reducción de precio del 20 % y una ventana de contexto documentada de 1 millón de tokens, y es el modelo que Anthropic posiciona para Claude Code y las aplicaciones de Claude.

• Precio — $4 por millón de tokens de entrada, $20 por millón de salida. Las solicitudes por lotes tienen un 50 % de descuento: $2 / $10.

• Contexto y salida: 1M de tokens de entrada, 128K de salida en la API síncrona, 300K de salida en la Batch API con el encabezado beta de salida extendida.

• Almacenamiento en caché: una escritura de caché de cinco minutos cuesta $5 por millón de tokens, una escritura de una hora $8 y una lectura de caché $0.20.

• Pensamiento — el pensamiento adaptativo siempre está activado y no se puede desactivar; el nivel de esfuerzo predeterminado es medio, y la fecha de corte de conocimientos fiable es junio de 2026.

• Dónde — la API de Claude con claude-opus-5-5, Amazon Bedrock, Google Cloud a través tanto de las rutas gestionadas por Google como de las gestionadas por Anthropic, Microsoft Foundry y la Claude Platform en AWS.

Gemini 4 Carbon es el modelo de frontera más reciente de Google, anunciado por Koray Kavukcuoglu el 28 de octubre como el modelo más potente de la empresa para ciberseguridad, agentes de largo horizonte e ingeniería de software compleja. El anuncio de Google incluye tres afirmaciones destacadas y una omisión llamativa: no se publica la ventana de contexto. Las cifras de benchmark son de Google —SEC-bench Pro 88,2 % para el descubrimiento de vulnerabilidades, ExploitGym 54,8 % para la explotación y CWE-bench 71,0 % para la aplicación de parches— y deben interpretarse como reportadas por el proveedor, no reproducidas de forma independiente.

Precio — $2 por millón de tokens de entrada y $10 por millón de salida durante un periodo introductorio, con la entrada en caché con un 95 % de descuento; la tarifa estándar será posteriormente de $4 / $20, y Google no ha dicho cuándo termina el precio introductorio.

• Acceso — solo Fairwind, a un subconjunto de defensores de ciberseguridad y socios de confianza, con un acceso más amplio para desarrolladores, empresas y consumidores prometido «lo antes posible» y sin fecha.

• Punto de conexión — ninguno público. La API de Gemini sigue exponiendo gemini-4-argon, no Carbon.

• Contexto: no se indica en el anuncio. Los resultados de recuperación de contexto largo han circulado en la cobertura de la semana de lanzamiento, pero la ventana en sí no es una especificación publicada.

Esa asimetría es lo primero que hay que entender sobre esta comparación. Un modelo es un producto al que puedes llamar hoy desde la API de Claude, cuatro plataformas en la nube y una docena de SDK. El otro es una demostración de capacidades con lista de espera. Todo lo que sigue los compara como modelos; solo uno de ellos es actualmente una opción de despliegue.

GDPx: 206 tareas, un techo del 12% y una brecha de costos de 3,2x

SemiAnalysis creó GDPx como sucesor de GDPval de OpenAI, con 14 socios de datos y 206 tareas distribuidas en 11 dominios profesionales: finanzas, jurídico, biología, ciencia de materiales, diseño de chips, diseño de hardware, ciberseguridad, ingeniería de software, alineación, trading cuantitativo y automejora recursiva. Cada tarea recibe un presupuesto predeterminado de ocho horas, se promedian tres ejecuciones y los dominios tienen la misma ponderación. Solo 13 de los 20 modelos probados aparecen en el tablero público.

• Claude Opus 5.5 — 12,0 %, primero, a 51,41 $ por tarea y aproximadamente 548 000 tokens de salida por tarea.

• Gemini 4 Carbon — 10,9 %, segundo, a 16,29 $ por tarea y aproximadamente 594.000 tokens de salida por tarea.

• GPT-6 Astra — 9,6 %, tercero, a 53,99 USD por tarea.

• Claude Fable 5.1 — 8,5 % a 67,16 $, el modelo más caro del tablero.

Aquí compiten dos lecturas, y ambas son correctas. La primera es que Carbon ofrece alrededor del 91 % de la puntuación de Opus 5.5 por alrededor del 32 % del coste, lo cual es un verdadero argumento de valor y el que 9to5Google destacó en primer lugar. La segunda es que ninguno de los dos modelos termina siete de cada ocho tareas profesionales que se le asignan. Una ventaja de un punto en el 12 % no es un problema resuelto; es el límite actual de lo que pueden hacer los agentes cuando el trabajo es largo, de final abierto y lo juzga un experto en la materia.

SemiAnalysis publicó una segunda perspectiva en la que se eliminan ciberseguridad, biología y alineación, y el orden cambia: GPT-6 Astra pasa al primer puesto y Carbon cae por debajo de GPT-6.1 Sol y Claude Sonnet 5.5. La empresa afirma que esa perspectiva encaja mejor con sus impresiones subjetivas. El mecanismo son las barreras de seguridad: un modelo que rechaza una tarea obtiene cero en ella, y el comportamiento de seguridad de Carbon es más estricto exactamente en los ámbitos donde sus fortalezas en ciberseguridad son mayores. Así que el segundo puesto de Carbon es en parte resultado de su capacidad y en parte resultado de sus permisos. Si tu trabajo se parece a los ámbitos eliminados, la clasificación principal no te describe.

Dónde Carbon realmente lleva ventaja

En el Índice de Inteligencia v5.0 de Artificial Analysis, Carbon se sitúa en 59 y Opus 5.5 en 58. Un punto, en un compuesto cuya base se reajustó el 27 de octubre, no es una diferencia por la que merezca la pena migrar un sistema en producción. Lo que sí establece es que el modelo de Google está en la frontera, y no por detrás, lo cual es una afirmación más contundente de lo que el despliegue restringido permite verificar con facilidad.

Las cifras de ciberseguridad son el punto donde el caso de Carbon es más claro y, a la vez, donde las fuentes son más débiles. El propio sistema de pruebas de Google lo sitúa en el 54,8 % en ExploitGym, el 71,0 % en CWE-bench y el 88,2 % en SEC-bench Pro. Son afirmaciones amplias y específicas sobre el descubrimiento y la corrección de vulnerabilidades, y son justo el tipo de afirmación que exige una nueva ejecución independiente antes de que un equipo de seguridad presupueste en función de ella. El dominio de ciberseguridad de GDPx es una entrada para eso, no una replicación de esas tres suites.

El precio es la tercera ventaja, con un asterisco. Con 2 $ / 10 $, la tarifa introductoria de Carbon es la mitad de los 4 $ / 20 $ de Opus 5.5. Con la tarifa estándar de 4 $ / 20 $, son iguales. El descuento del 95 % en la entrada en caché es real, pero se reduce a precio de lista: 0,10 $ por millón de tokens en caché con la tarifa introductoria, 0,20 $ con la tarifa estándar, frente a los 0,20 $ de lectura de caché de Opus 5.5. La ventaja de coste es máxima hoy, mientras dure el descuento, y Google no ha dicho cuánto tiempo durará.

Donde Opus 5.5 todavía lidera

El resultado independiente más sólido de Opus 5.5 no es la puntuación GDPx, sino el perfil de programación. El Coding Agent Index de Artificial Analysis lo sitúa en 62 frente a 59 de Carbon, y ese índice se construye a partir de ejecuciones de programación agéntica en lugar de completaciones de un solo intento. Para un modelo cuyo propósito declarado es el trabajo de software de larga duración, esa es la medición más cercana.

Las propias cifras de lanzamiento de Anthropic apuntan en la misma dirección, y son reportadas por el proveedor: Terminal-Bench 4.0 con 66,4 %, FrontierCode v1.1 con 54,4 %, CursorBench 4.0 con 57,8 % y AutomationBench con 40,0 %. El arnés de evaluación importa. Artificial Analysis midió el mismo modelo con 59,6 % en Terminal-Bench 4.0 con esfuerzo xhigh, y Vals AI reportó 65,2 %. Una diferencia de siete puntos entre el proveedor y un arnés independiente es normal en los benchmarks agénticos, y es la razón por la que una sola fila nunca debería decidir una compra.

La ventaja poco glamurosa es la disponibilidad. Opus 5.5 tiene una ventana de contexto publicada, un límite de salida documentado, un nivel por lotes, un modo rápido a $8 / $40, una guía de migración y seis semanas de uso en producción a sus espaldas. Carbon tiene una entrada de blog, un programa de socios y una lista de precios. Para un equipo que necesita una respuesta este trimestre, esa diferencia decide más casos que 59 frente a 58.

Lo que realmente cuesta una tarea

Las cifras de coste de GDPx son el gasto en tokens medido con un presupuesto de ocho horas, no precios de lista, por lo que incluyen cuánto decide escribir cada modelo. Carbon utilizó aproximadamente un 8% más de tokens de salida por tarea que Opus 5.5 y aun así costó un tercio, porque la tarifa introductoria es la mitad y es en el lado de la entrada donde se acumulan las ejecuciones largas de agentes. En 1.000 tareas, la diferencia reportada es de aproximadamente 51.000 $ frente a 16.000 $.

A precio de lista, la aritmética es menos dramática. Una solicitud con {{1}}1M de tokens de entrada{{/1}} y {{2}}250K de tokens de salida{{/2}} cuesta {{3}}$9{{/3}} en Opus 5.5 a {{4}}$4 / $20{{/4}}, {{5}}$4.50{{/5}} en Carbon a la tarifa introductoria de {{6}}$2 / $10{{/6}}, y $9 en Carbon a su tarifa estándar de $4 / $20. La Batch API de Opus 5.5 con 50% de descuento queda en $2 / $10 —lo mismo que la tarifa introductoria de Carbon— para trabajos que pueden esperar. Cuando termina el periodo introductorio de Carbon, la diferencia de tarifa desaparece por completo; lo que queda es la diferencia por tarea en el uso de tokens, que es pequeña.

Esta es la parte de la comparación que más probablemente se cite fuera de contexto. «Un tercio del costo» es cierto para las ejecuciones de GDPx con los precios promocionales actuales. No es una propiedad permanente del modelo y no es la proporción que verá en una carga de trabajo por lotes a tarifas estándar.

La brecha de disponibilidad es la verdadera decisión

Claude Opus 5.5 ya está disponible en OrcaRouter como anthropic/claude-opus-5.5 al precio de lista del proveedor de $4 / $20, sin recargo añadido, junto con más de 200 modelos con una sola clave. Enrutarlo es un cambio en la cadena del modelo, y una porción ponderada con conmutación automática por error es la forma económica de probarlo frente a tu modelo actual sin apostar una ruta de producción al resultado.

Gemini 4 Carbon no está en OrcaRouter y no puede estarlo. Google no ha publicado ningún ID de modelo ni ningún endpoint público, así que no hay nada a lo que enrutar; la única afirmación honesta es que el acceso se realiza a través del programa Fairwind de Google y, con el tiempo, de la propia API del proveedor. Cuando aparezca un endpoint público, el modelo de paso directo significa que el precio de lista es lo que pagas aquí el día en que cambia, en lugar de una versión con el precio recalculado.

Eso deja una decisión más acotada de lo que sugiere la tabla de referencia:

• Trabajo de seguridad con acceso a Fairwind: prueba Carbon en tu propia cola de triaje y aplicación de parches. Sus cifras de ciberseguridad del proveedor son las más sólidas de las publicadas, pero no se han replicado, y el resultado de reponderación por dominio de GDPx indica que su ventaja depende del dominio.

• Agentes de programación de larga duración — Opus 5.5. Lidera el índice independiente de programación, cuenta con una ventana documentada de 1M de tokens y 128K de salida, y está disponible en las plataformas con las que la mayoría de las empresas ya tienen contrato.

• Trabajo por lotes sensible a los costos: la Batch API de Opus 5.5 a $2 / $10 coincide hoy con la tarifa introductoria de Carbon y no depende de un descuento que Google pueda finalizar sin previo aviso.

• Una apuesta directa por la capacidad — espera. Una ventaja de un punto en el Intelligence Index y una ventaja de 1,1 puntos en GDPx están dentro del ruido de la elección del arnés, y ninguno de los modelos está cerca de terminar las tareas profesionales que plantea GDPx.

¿Qué cambiaría la respuesta?

Hay tres cosas que merecen atención, y ninguna de ellas es otro benchmark de proveedor. La primera es un endpoint público de Carbon. Hasta que Google lance un ID de modelo, toda comparación de costes es hipotética para cualquiera fuera de Fairwind, y el precio de introducción es una promesa más que una factura. La segunda es el fin de ese periodo introductorio; a $4 / $20, la tarifa de Carbon es idéntica a la de Opus 5.5, y el argumento de valor vuelve a reducirse a la eficiencia de tokens. La tercera es una replicación independiente de los resultados de ciberseguridad. SEC-bench Pro con un 88,2% y ExploitGym con un 54,8% son las cifras que justificarían un presupuesto de seguridad, y actualmente se apoyan en el arnés de un solo laboratorio.

Por ahora, el resumen honesto es más limitado de lo que a cualquiera de los dos proveedores le gustaría. Opus 5.5 es el mejor modelo sobre el que construir, porque es el modelo sobre el que se puede construir. Carbon es el modelo más interesante de observar, porque está a la altura de la frontera a un precio más bajo y todavía no se le ha permitido demostrarlo en público. El techo del 12 % pertenece a ambos.