
Gemini 4 Carbon fue al laboratorio. El propio artículo de Google acredita a Gemini 4 Argon trece veces.
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 90 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNUEVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 89 tok/s
- OrcaNUEVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 131 tok/s
- OrcaNUEVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 por 1M de tokens · 85 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 127 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 45 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 194 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 136 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 123 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencia
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencia
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 182 tok/s
Cincuenta millones de líneas de Lean 4. Eso es lo que hizo falta para verificar por máquina una demostración de la conjetura de Courtade–Kumar, un resultado de 2013 en teoría de la información sobre cuánto de una cadena de bits ruidosa sobrevive a la compresión, y es el mayor artefacto individual del informe de investigación publicado el 13 de noviembre de 2026 bajo el título «Avanzando la ciencia y la ingeniería con /teamwork de Antigravity». La publicación es la fuente de la afirmación que ahora circula de que los investigadores están poniendo a Gemini 4 Carbon a trabajar en problemas de varios pasos en física, matemáticas y ciencias de la vida. Carbon aparece en la publicación. Se lo menciona exactamente una vez, en una lista de tres modelos en la parte superior. Cada uno de los estudios de caso que aparecen debajo —la conjetura, las conjeturas de Weil formalizadas, la elucidación estructural por RMN, el motor de Go, la reescritura del núcleo de Zircon— se atribuye en el cuerpo a Gemini 4 Argon, o a «Gemini 4» sin especificar nivel, o al propio arnés.
Eso no es un escándalo y no es una corrección. Es una distinción que vale la pena precisar antes de que alguien haga presupuestos basándose en ella, porque los dos modelos no son intercambiables en la forma en que el tuit lo insinúa, y porque el precio de Carbon está programado para duplicarse el 1 de diciembre de 2026, catorce días a partir de hoy. Lo que sigue es lo que realmente dice la publicación, qué afirmaciones resisten el escrutinio, cuáles son reportadas por el proveedor y no reproducidas, y qué puede hacer un lector fuera de Google con algo de esto esta semana.
La publicación, el programa y la única frase
Google Research lo publicó el 13 de noviembre, atribuido a Vahab Mirrokni, Google Fellow y VP de Google Research. El párrafo inicial nombra los modelos en una sola lista: «Usando Gemini 4 Argon, Gemini 4 Carbon, Gemini 4 Hydrogen y flujos de trabajo multiagente como el /teamwork de Antigravity (basado en varios modelos Gemini), estas colaboraciones han producido nuevas innovaciones…». Esa oración es toda la presencia de Carbon en el argumento. Si se cuentan los nombres en el cuerpo que aparece debajo, Argon aparece trece veces, Hydrogen una vez y Carbon ninguna más.
La razón es estructural más que vergonzosa. /teamwork es un arnés, no un modelo: ejecuta un grupo de agentes especializados, da a cada uno solo los archivos y las herramientas que necesita su paso, pasa el trabajo a sucesores nuevos para que el contexto no se deteriore en ejecuciones de varios días y dirige cada prompt a un patrón de flujo de trabajo elegido para la tarea. Su capa de verificación es lo que Google vende en realidad —el comprobador de Lean 4, suites de pruebas sin modificar, simuladores de ejecución y contadores de hardware—, que actúan como falsadores que deciden qué respuesta candidata sobrevive. Cuando un arnés se encarga de la orquestación y un comprobador de demostraciones se encarga de juzgar, el modelo que hay debajo importa menos que el bucle que lo rodea. Argon, el modelo que ha estado disponible en la API de pago desde el 13 de octubre de 2026, es el que usaron las campañas.
El propio argumento de Carbon para estar en la lista es real, pero distinto: es el modelo de propósito general más potente que Google ha publicado y, en Artificial Analysis, actualmente ocupa el cuarto puesto entre 81 modelos, con 60 en Intelligence Index v5.0.1. Nada en la publicación del 13 de noviembre contradice eso. Tampoco demuestra que Carbon haya hecho el trabajo.

Los resultados, ordenados según su grado de verificabilidad
La entrada es inusualmente generosa en detalles para tratarse de un blog de investigación, lo que permite clasificar las afirmaciones según el tipo de evidencia que las respalda y no por lo impresionantes que suenan.
• Verificado por máquina, por lo que verificable en principio — la prueba de Courtade–Kumar, formalizada de principio a fin en Lean 4 con 50 millones de líneas, con la contribución humana debidamente atribuida: un equipo de la CUHK propuso la función candidata que redujo el problema a una optimización de 14 variables. También en este grupo están la formalización de las conjeturas de Weil con aproximadamente 1,8 millones de líneas en 28.800 invocaciones de subagentes, el décimo problema de Hilbert sobre anillos generales con más de 919.000 líneas, la conjetura de Birkhoff, abierta desde 1927, y la conjetura de Bochner–Riesz en 3D, donde el sistema informa haber encontrado y corregido una laguna en una prueba informal publicada recientemente. Una prueba en Lean que compila es una clase de afirmación distinta de una puntuación de benchmark, y Google merece el crédito por ello, aunque «50 millones de líneas de código de prueba generado» también es una afirmación sobre el volumen de búsqueda más que sobre la elegancia.
• Medido, con la medición descrita — el resultado de química molecular. Treinta agentes especializados en un bucle de autocorrección, junto con un simulador espectral informado por la física, alcanzaron una coincidencia exacta top-1 del 95% y un top-3 del 100% en pruebas de referencia de elucidación estructural por RMN, lo que Google describe como casi el doble del rendimiento de un solo agente. Es lo más parecido en la publicación a una afirmación de ciencias de la vida, y es la que más probabilidades tiene de ser citada. Las moléculas de referencia no se nombran en la publicación, la cifra basal de un solo agente solo se da como una proporción y aún no existe replicación independiente.
• Cercano a la revisión por pares, con una encuesta adjunta — Deep Review en STOC 2027. Los autores de 578 envíos, más de un tercio del total, optaron por recibir comentarios automatizados sobre sus borradores. En una encuesta en curso a 70 autores, el 90 % calificó los comentarios como mayormente o casi totalmente fácticos, el 90 % dijo que volvería a usarlos, más del 30 % dijo que detectaron errores sustanciales en las demostraciones, y el 14 % informó de carencias técnicas que tardaron más de una hora en corregirse. Se trata de encuestados autoseleccionados que describen sus propios envíos, lo cual es más débil que un estudio controlado y mucho más fuerte que un testimonio.
• Cifras de ingeniería de sistemas de producción — una reescritura en Rust de unas 800.000 líneas para el microkernel Zircon que supera sus pruebas unitarias y arranca en arm64; libgav1 portado a aproximadamente 170.000 líneas de Rust con una paridad bit a bit del 100 % y terminando entre un 20 % y un 30 % más rápido que el C++ original y el ensamblador escrito a mano; trabajo de kernels de TPU que reporta una aceleración de media geométrica de 4,09x en 17 kernels de JAXBench; Connected Components escalando a grafos de un billón de aristas con 6x menos RAM; y un motor de Go 9x9 que ganó unos 2.600 Elo en menos de ocho días, situándose entre KataGo con 16 y 32 visitas. Estas son mediciones internas que la empresa decidió publicar, sin auditoría externa y, en la mayoría de los casos, sin ningún artefacto publicado.
• No aparece en la publicación en absoluto — nada sobre el costo. No aparece en ninguna parte del texto un presupuesto de campaña, un recuento de tokens ni una factura por resultado. Para un sistema cuya salida incluye pruebas de 50 millones de líneas y ejecuciones de entrenamiento autónomo de ocho días, esa es la omisión que un lector que planifica su propia campaña más querría que se completara.
Vuelve a leer la lista con la atribución en mente y la forma se aclara: el arnés produce el resultado, el verificador lo certifica, los expertos humanos enmarcan el problema y el modelo es el motor —un motor entre tres—, y el artículo nombra aquel en el que se apoyó.
Por qué un resultado del harness no es un resultado del modelo, y cómo valorar la diferencia
El incentivo para confundir ambos es obvio, porque una puntuación de benchmark es un número que se puede comparar y un resultado de harness es una historia sobre un flujo de trabajo. El número comparable de Carbon, medido por un tercero sin interés en el harness, es 60 en Intelligence Index v5.0.1 —cuarto de 81, con Claude Fable 5.2 en 65 por encima y GPT-6.1 Sol en 55 por debajo. La misma página sitúa el coste de Carbon en 5,48 $ por tarea de índice completada y su tiempo en 33,2 minutos por tarea, ambos muy por encima de las medianas de su clase de precio, porque escribe 205 millones de tokens de salida para terminar lo que el modelo mediano termina en 78,6 millones.

Esa verbosidad no es un defecto en una búsqueda de pruebas. Cuando la tarea consiste en explorar un espacio de parámetros y verificar candidatos contra Lean, escribir más es el método. Cuando la tarea es un ticket de soporte, es la factura. La publicación del 13 de noviembre es evidencia para el primer caso y no dice nada sobre el segundo; y cualquier equipo que la lea como «Carbon es el modelo para nuestro agente» está tomando prestado un resultado de un arnés que no está ejecutando, en un tipo de tarea que quizá no tenga.
Lo que es transferible es el patrón de diseño, y no es exclusivo de Google: exploración en paralelo, un falsador externo que no tiene opinión, contexto fresco en cada paso y un crítico que nunca ve el razonamiento de quien produce. Cada uno de esos elementos es una propiedad de cómo se llama a un modelo, no de qué modelo se llama.
Qué puede conseguir realmente alguien de fuera, y cuánto cuesta a partir del 1 de diciembre
La publicación termina con el párrafo más práctico: científicos y desarrolladores externos pueden usar los modelos Gemini 4 con /teamwork y /boost en Antigravity y Deep Review desde hoy, y Google ha abierto las solicitudes para dar a 10.000 investigadores académicos seis meses de acceso gratuito a su nivel de uso más alto. Ese programa es la verdadera noticia para un laboratorio. También es la única vía disponible que es gratuita, y tiene cupo limitado, se accede mediante solicitud y tiene plazo limitado.
Todos los demás compran tokens. Gemini 4 Carbon pasó a estar disponible de forma general en la API de Gemini de pago el 10 de noviembre de 2026, trece días después de que Google lo anunciara, a 2,00 USD por millón de tokens de entrada y 10,00 USD por millón de tokens de salida —una tarifa que se mantiene hasta el 30 de noviembre y pasa a 4,00 y 20,00 USD el 1 de diciembre, mientras que la entrada en caché pasa de 0,10 a 0,20 USD en la misma fecha. No hay nivel gratuito para el modelo; se factura cada token procesado, incluidos los tokens de pensamiento. Una campaña de investigación de seis semanas con el precio de hoy es una campaña a la mitad de su costo de diciembre, lo que constituye o bien un argumento para empezar ahora o una razón para modelar la factura con la cifra más alta.
Carbon se enruta en OrcaRouter como google/gemini-4-carbon al precio de lista de Google con un 0 % de margen, en la misma clave y el mismo endpoint compatible con OpenAI que el resto del catálogo, lo que aquí importa por una razón mundana: el cambio del 1 de diciembre es un cambio de precio del proveedor, y una tarifa de traspaso directo significa que la cifra de nuestro lado se mueve junto con la de Google el mismo día y no después de un ciclo de reajuste de precios. La página del modelo recoge el conjunto de especificaciones actual: contexto de 1.048.576 tokens, salida máxima de 65.536 tokens, entrada de texto, imagen, audio, vídeo y PDF, salida de texto, llamada a herramientas nativa y salidas estructuradas, que es la hoja de especificaciones que la propia publicación de lanzamiento de Google no publicó.

La pregunta que deja abierta la publicación
Ahora Google ha publicado, en veinte días, un anuncio que colocó a Carbon en primer lugar de un índice neutral, una publicación de disponibilidad general que lo hizo invocable y le puso fecha a su propio descuento, y una publicación de investigación que lo usó en una lista junto a dos modelos hermanos. Lo que no ha publicado es un solo resultado que atribuya a Carbon por sí solo, con un costo declarado, en una tarea que un tercero pueda volver a ejecutar. Hasta que eso exista, el resumen honesto del 13 de noviembre es más limitado que el tuit y más útil: el harness funciona, el verificador es la parte interesante, y el modelo mencionado trece veces es con el que realmente se ejecutaron las campañas.
Comparados en este artículo1
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
