Gemini 4 Carbon rompió el brazo robótico: qué dice una ejecución de laboratorio de 7 horas y 33 minutos antes de que exista la puntuación

Todavía no hay puntuación. Eso es lo primero que hay que entender sobre el resultado de robótica de Gemini 4 Carbon, y casi todo lo demás en este artículo se deriva de ello. Lo que existe, a fecha de 13 de noviembre de 2026, es una única publicación de Artificial Analysis del 12 de noviembre que afirma que Gemini 4 Carbon pasó 7 horas y 33 minutos dentro del laboratorio AA-Robotics v0.1, «dando tantos golpes al brazo que rompió una pinza», con la nota adicional de que el laboratorio le dio un reintento en ese intento. La clasificación de cinco modelos publicada el 14 de octubre sigue mostrando las mismas cinco filas que mostraba entonces —GPT-6 Astra 69,4, GPT-6.1 Sol 64,6, Gemini 4 Argon 55,3, Claude Opus 5.5 48,8, Claude Fable 5.1 46,3— y Carbon no está entre ellas. Sin agregado, sin desglose por tarea, sin tasa de agarre, sin factura.

Así que trátalo como una señal temprana en lugar de un resultado: una duración, un fallo de hardware y un reintento, del laboratorio que es dueño del benchmark, publicados antes de que se haya actualizado su propia tabla. Todo lo que sigue y va más allá de esos tres hechos es inferencia, y se señala como tal. La razón por la que aún vale la pena leerlo ahora es que el predecesor de Carbon, Gemini 4 Argon, es el modelo más lento de ese laboratorio por un margen amplio, y 7 horas 33 minutos coincide casi exactamente con la cifra de Argon, lo que hace que la duración sea interpretable incluso sin una puntuación.

El único número público es un reloj.

Artificial Analysis describe AA-Robotics como la medición de «qué tan bien comprenden, planifican y actúan los modelos de lenguaje en el mundo físico al controlar un brazo robótico». El equipo es un Hiwonder NexArm de 6 ejes con cinco articulaciones y una pinza, observado por cuatro cámaras —tres en la mesa y una en la muñeca— en ocho tareas de sobremesa: pulsar un botón rojo, poner un cocodrilo de juguete en un rectángulo, verter una bebida en una taza, guardar bloques ordenadamente en una caja, incluida su tapa, completar un tablero de emparejamiento de formas, escribir "hello world", construir la torre de espuma más alta y medir una caja con una tolerancia de 2 mm por dimensión. Los intentos son zero-shot, cada uno puntuado de 0 a 100 con puntuación parcial. Los modelos se incorporan a través de sus propios arneses de programación en modo de alto esfuerzo —Codex para los modelos GPT, Claude Code para Claude, Antigravity para Gemini— y tienen que escribir ellos mismos el Python que planifica y ejecuta el movimiento.

Frente a eso, el dato de {{1}}Carbon{{/1}} es escaso a propósito. {{2}}Siete horas y treinta y tres minutos{{/2}} son 453 minutos. No se especifica si eso abarca las ocho tareas, si incluye el intento reintentado o cuánto costó la ejecución. Cualquiera que lo cite como una cifra de rendimiento está leyendo un cronómetro como si fuera un marcador.

Lo que sí dice, sin ambigüedad, es que Carbon pasó por el laboratorio y el equipo no salió intacto. La propia publicación del benchmark documenta docenas de modos de fallo —agarres en vacío, botellas caídas, bloques empujados fuera de la mesa, un bolígrafo probado sobre la propia página— y ninguno de ellos es una pinza rota. La destrucción de hardware es una categoría que el informe de octubre nunca tuvo que describir, porque ninguno de los cinco modelos que aparecen en él la produjo.

Siete horas y treinta y tres minutos, medidas con respecto a Argon.

La línea base importa más de lo habitual aquí, porque la comparación es inusualmente limpia. Artificial Analysis publicó los tiempos de ejecución acumulados de cada uno de los cinco modelos de octubre: GPT-6 Astra 242 minutos, GPT-6.1 Sol 224, Claude Opus 5.5 253, Claude Fable 5.1 249 y Gemini 4 Argon 419. Los 453 minutos de Carbon se sitúan 34 minutos por encima de Argon —alrededor de un 8 % más— y aproximadamente 200 minutos por encima de los cuatro modelos no Gemini, que se agrupan en una franja de 224 a 253 minutos.

• Ritmo por tarea, si la sesión abarcó las ocho tareas: Carbon, alrededor de 56,6 minutos por tarea frente a los 52,4 de Argon, los 30,3 de Astra y los 28 de Sol.

• Frente a un humano: AA calcula que las personas tardan unos 20 segundos por tarea, así que hacerlo en 453 minutos repartidos entre ocho tareas es aproximadamente 170 veces más lento que una persona que realiza el mismo trabajo de mesa.

• Proporción del tiempo dedicada a la planificación: el reparto de Argon era 42 % de comprensión, 45 % de planificación, 6 % de cámaras y 6 % de brazo. Astra y Sol lo invirtieron, dedicando el 13 % de la ejecución al movimiento real del brazo y la mayor parte a la planificación.

Esa última línea es donde la pinza rota se vuelve interesante en lugar de graciosa. En los datos de octubre, los dos modelos con mayor puntuación (Astra con 69,4 y Sol con 64,6) dedicaron el menor tiempo a comprender la escena y el mayor a planificar; Argon, el más lento y tercero mejor, pasó el 42% de su ejecución solo observando. Un modelo que delibera durante más tiempo y luego daña el hardware no muestra el mismo fallo que describía el muro de errores de octubre. El muro está lleno de modelos que juzgaron mal el estado: «informa que la tapa está a nivel y alineada mientras descansa sobre una cuña», «da por colocado un hexágono amarillo inclinado». Esos son errores de percepción y autoevaluación. Golpear un brazo hasta que se rompe una pinza es un error de autoridad de mando: el modelo le pidió al hardware algo que el hardware no podía soportar. Si Carbon lo hizo chocando contra un límite de colisión, aplicando un par excesivo a un agarre o simplemente repitiendo un movimiento que ya se le había indicado que había fallado, AA no lo ha dicho, y el clip de 11 segundos adjunto a la publicación no lo resuelve.

El reintento es la cuestión metodológica, no una nota a pie de página.

«Le dimos un reintento en ese caso» es la media frase más trascendental de la publicación, y merece más escrutinio que la pinza rota. AA-Robotics se basa en intentos zero-shot —la publicación de octubre lo dice explícitamente—, y el sentido mismo de un benchmark físico zero-shot es que el modelo tenga una sola oportunidad, como la tendría una persona. Conceder un reintento tras un fallo del equipo es defendible: una pinza partida es un problema del laboratorio, no una medida de la planificación del modelo, y puntuar el intento destruido como un cero castigaría la fragilidad del equipamiento.

Pero crea un problema de comparabilidad al que la puntuación final tendrá que dar respuesta. Si se anuló y se repitió exactamente un intento, el agregado es comparable al de los otros cinco y el reintento es una nota al pie. Si el reintento se concedió más de una vez, o solo en tareas en las que Carbon ya había fallado por razones del lado del modelo, la cifra que aparezca en la tabla de clasificación no significará lo que significan las otras cinco cifras. Lo honesto que hay que buscar cuando se actualice la tabla es una línea que indique cuántos intentos se anularon, en qué tarea y con qué criterio — igual que la publicación de octubre documentó que la muestra de agarre de Argon era n=75 frente a la de Astra, n=95.

Hay un segundo problema de medición, más discreto. Los tiempos de Argon en la publicación de octubre son estimaciones explícitas: Antigravity, el entorno de pruebas de Gemini, no registra marcas de tiempo de los pasos, así que AA los interpoló por tokens entre comandos de brazo cronometrados. Carbon se ejecuta en el mismo entorno de pruebas. Si la cifra de 7 horas se midió de la misma manera, no es directamente comparable con las cifras en minutos generadas por Codex y Claude Code, y la diferencia de 34 minutos respecto a Argon está muy dentro del error que un método de interpolación por tokens podría introducir en una ejecución de 453 minutos. Eso no hace que la duración carezca de sentido. Hace que «Carbon es un 8% más lento que Argon» sea una afirmación que los datos no respaldan, aunque «Carbon tardó mucho tiempo» sea segura.

Lo que predeciría el perfil de texto de Carbon

Nada de esto resulta sorprendente frente al comportamiento publicado de Carbon, que es la parte que podemos verificar de forma independiente. En el índice v5 de Artificial Analysis, el modelo obtiene 60 puntos, el cuarto de 78, y su perfil es el de un razonador deliberado y verboso más que uno rápido: 28,4 minutos por tarea frente a una mediana de 13,0 minutos, 72 tokens de salida por segundo, 64,71 segundos hasta el primer token de respuesta y 205 millones de tokens de salida en todo el índice —descrito por AA como «muy verboso» frente a una mediana de 72,8 millones—. Además, cuesta 5,48 dólares por tarea del índice, lo que lo sitúa en el puesto 59 de 77 en eficiencia de coste.

Si se leen en conjunto, el resultado del laboratorio ya tiene una forma antes de que llegue la puntuación. Un modelo que tarda un minuto antes de su primer token en un prompt de texto, emite casi el triple del volumen mediano y ya tardaba 28 minutos por tarea en un benchmark estático no va a ser rápido en un bucle donde cada paso requiere leer cuatro transmisiones de cámara y luego escribir código de movimiento. La cifra de 7 horas es el aspecto que tiene el perfil de texto de Carbon cuando se conecta a un brazo robótico. Si esa deliberación produjo una mejor manipulación es exactamente lo que nos diría la puntuación que falta, y el agarre roto es al menos una evidencia débil de que pensar más no se tradujo en actuar con más suavidad.

Cuánto cuesta una racha como esta y por qué importa el calendario

El costo por tarea es la cifra que AA no ha publicado para Carbon, y adivinarla sería inútil porque la dispersión existente es enorme: la ejecución de 242 minutos de GPT-6 Astra costó $16,36 por tarea, la de GPT-6.1 Sol costó $1,93 — una brecha de 8,5 veces entre dos modelos del mismo proveedor que realizan las mismas ocho tareas. A lo largo de ocho tareas, eso es aproximadamente $131 frente a $15. Alrededor del 70 % del gasto se destinó a entrada y contexto en lugar de a salida, que es lo que cuatro transmisiones de cámara y una transcripción en crecimiento le hacen a una factura de tokens. Carbon es más verboso que cualquiera de los dos en texto, así que, si acaso, su cifra por tarea debería quedar alta; pero eso es una predicción, no una cifra, y su único uso honesto es como rango para presupuestar en lugar de como cotización.

El calendario es la parte sobre la que puedes actuar. Carbon está a $2 por millón de tokens de entrada y $10 por millón de tokens de salida hasta el 30 de noviembre de 2026; el 1 de diciembre pasan a $4 y $20 con el modelo sin cambios. La entrada en caché pasa de $0,10 a $0,20, el lote y flex se ejecutan a mitad de tarifa, y prioridad a 1,8 veces la estándar. Cualquier bucle agéntico largo del tipo que AA acaba de ejecutar es en su mayoría contexto en caché y fotogramas de cámara repetidos, lo que significa que una carga de trabajo estilo robótica es precisamente la forma que más se beneficia de la tarifa actual y más se perjudica después. Volver a ejecutar este experimento en diciembre cuesta el doble de lo que cuesta esta semana.

Cómo leer el número cuando cae

Cuando AA actualice la tabla, tres cosas determinan si Carbon es un paso adelante o otro Argon.

• El agregado frente a 55.3 — la puntuación de Argon. Un modelo Gemini igual o inferior a su propio predecesor, una versión después, convertiría la historia de robótica de la familia en una historia sobre la latencia del arnés más que sobre la capacidad.

• Éxito de agarre frente a la banda del 28 al 45 %: Astra 45 % (n=95), Fable 44 % (n=89), Opus 40 % (n=100), Argon 36 % (n=75), Sol 28 % (n=111). Esta es la métrica que registraría un modelo que rompe pinzas, porque un comando que daña el hardware y un agarre que no alcanza el objeto provienen de la misma ausencia de retroalimentación de fuerza.

• El perfil por tarea, tarea a tarea. El de Argon fue 100, 100, 100, 40, 0, 45, 57, 0 en botón, cocodrilo, verter, ordenar, formas, escribir, torre, medir. La tarea de medir la caja es la que nadie resuelve: Astra 0, Argon 0, Fable 0, con solo Sol y Opus en 17. Una tolerancia de 2 mm en tres dimensiones es una tarea de precisión, y la precisión es donde un modelo que golpea un brazo debería quedar peor.

También hay una pregunta justa sobre qué está puntuando realmente el benchmark. Carbon se ejecutó dentro de Antigravity con esfuerzo alto, como lo hizo Argon. Una sesión de 7,5 horas es una prueba conjunta de la planificación del modelo y de la capacidad del harness para mantener coherente un bucle largo — y los datos de octubre ya mostraban artefactos con forma de harness, desde la primera acción de Argon a los 25 minutos hasta los diez minutos de estudio de Fable antes de tocar nada. El resultado de Carbon se citará como una cifra del modelo de todos modos. Es, al menos en parte, una cifra del bucle de agente.

Si quieres reproducir el experimento en lugar de esperar

Lo útil de un benchmark público con un rig público es que la puntuación no es la única forma de aprender de él. Carbon ya se puede invocar — Google puso gemini-4-carbon a disponibilidad general en la API de Gemini de pago el 10 de noviembre de 2026, tras anunciarlo a una cohorte restringida de ciberdefensores el 28 de octubre — y está en OrcaRouter como google/gemini-4-carbon con la propia tarifa introductoria de Google de $2/$10, en el mismo endpoint compatible con OpenAI que los otros más de 200 modelos de la clave. Como trasladamos el precio de lista del proveedor con 0 % de margen, el cambio de precio del 1 de diciembre llega a nuestro lado el mismo día que Google lo aplica, en lugar de después de un ciclo de reventa.

Dos notas prácticas antes de que alguien apunte un modelo recién lanzado a hardware caro. Primero, un endpoint de la primera semana no es un endpoint de producción: nuestras propias cifras agregadas de google/gemini-4-carbon actualmente indican una tasa de error del 30,2 % y un tiempo p50 hasta el primer token de 6,89 segundos durante los últimos siete días, medido en la ruta del proveedor que enrutamos. Eso es normal para un modelo a tres días de su disponibilidad general y también es exactamente por lo que no se codifica fijamente un único endpoint en un bucle que se ejecuta durante siete horas: la conmutación por error automática entre proveedores es lo que evita que una sesión agéntica larga muera en la cuarta hora. Segundo, el DSL de enrutamiento permite mantener un modelo barato en el bucle para los pasos que no necesitan Carbon, lo cual importa a los 453 minutos: la mayor parte de esa sesión consistió en leer fotogramas y volver a planificar, no en decidir nada difícil.

Lo que cambiaría esta lectura no es un mejor clip del brazo. Es que AA publique una puntuación con los intentos anulados documentados y una tasa de agarre junto a las otras cinco. Hasta entonces, el resumen preciso es limitado: Gemini 4 Carbon es el primer modelo de ese laboratorio que le cuesta al laboratorio una pieza de hardware, tardó más que cualquier cosa que el laboratorio haya medido excepto su propio predecesor, y el reintento que siguió es un detalle que la cifra final tendrá que reflejar. La publicación del 12 de noviembre es un dato real sobre cómo se comporta este modelo cuando se le dan manos. Todavía no es un resultado sobre qué tan bien las usa.