Gemini 4 Carbon vs. DeepSeek V4 Pro: qué compran realmente 37 puntos de índice y un coste por tarea 4,4 veces mayor

Put G​emini 4 Carbon and DeepSeek V4 Pro on the same scale and the result is not close: 60 against 23 on Artificial Analysis Intelligence Index v5.0.1, a 37-point gap between the fourth-best model on the board and one sitting below the median. Put them on the cost scale and it is not close either, in the other direction — $7.76 per index task against $1.77. The interesting question is not which is better. It is which of those two numbers you are actually paying for in the work you have, because for a large share of production traffic the 37 points go unused while the 4.4x bill arrives every month.

Both models are callable today, which makes this a real comparison rather than a roadmap exercise. G​emini 4 Carbon opened to paid API developers on 10 November 2026 after a twelve-day gated rollout. DeepSeek V4 Pro has been generally available since 13 August 2026 as the 0813 checkpoint, with open weights under MIT.

Dos modelos construidos sobre supuestos opuestos

Las especificaciones explican la mayor parte de la diferencia de comportamiento antes de que lo haga cualquier benchmark.

• Price, standard rate — G​emini 4 Carbon: $2 in / $10 out per million until 30 November 2026, then $4 / $20. DeepSeek V4 Pro: $0.66 / $1.98 off-peak and $1.32 / $3.96 at peak, straight from D​eepSeek's own rate card.

• Cached input — Carbon $0.10 per million now, $0.20 after 1 December, implicit caching only. D​eepSeek $0.022 off-peak and $0.044 at peak, a 97% discount on the fresh-token rate.

• Contexto y salida — ambos tienen una ventana de 1 M de tokens. Carbon limita la salida sincrónica a 65.536 tokens y permite hasta 1.048.576 con decodificación larga; V4 Pro se limita a 384.000.

• Input modality — Carbon takes text, image, audio, video and PDF. V4 Pro is text only, and D​eepSeek's own pricing page says vision is not supported on v4-pro.

• Pesos — Carbon es de código cerrado. V4 Pro se distribuye bajo MIT, con una mezcla de expertos de 1,6 billones de parámetros y 49 mil millones de parámetros activos, para que puedas autoalojarlo, ajustarlo y redistribuirlo conforme a la licencia.

• Control de esfuerzo — Carbon expone el pensamiento en bajo, medio y alto. V4 Pro expone un dial de razonamiento en bajo, alto y máximo.

La línea de modalidad no es una nota al pie. Si tu pipeline ingiere capturas de pantalla, PDF escaneados o grabaciones de llamadas, V4 Pro no puede ser el modelo en esa parte del stack a ningún precio, y la comparación se reduce a un único candidato. Si tu tráfico es código, registros y documentos de texto, la diferencia es genuinamente una elección.

Los 37 puntos, desglosados

Una brecha compuesta de ese tamaño suele deberse a unas pocas evaluaciones que hacen todo el trabajo, y eso es lo que muestran los paneles independientes para este par. Artificial Analysis mide Carbon con esfuerzo alto y V4 Pro 0813 con esfuerzo máximo; ambas cifras son de ese evaluador, no de los proveedores.

• Coste por tarea del Intelligence Index — Carbon 7,76 $, V4 Pro 1,77 $. Esa ratio ya incorpora la verbosidad, por lo que es la cifra económica única más justa entre ambos.

• Tokens de salida consumidos en el índice: Carbon 205 millones, V4 Pro 119 millones, frente a una mediana de 72,8 millones. Ambos modelos son verbosos; Carbon lo es aproximadamente 1,7 veces más, y de ahí proviene buena parte de la diferencia de precio, más que de la tarifa por token en sí.

• Velocidad y latencia: Carbon produce 80 tokens de salida por segundo con 66,85 segundos hasta el primer token de respuesta; V4 Pro, 67 tokens por segundo con 67,71 segundos. En este eje son casi idénticos, y ambos son lo bastante lentos como para que ninguno tenga cabida en una ruta de chat interactiva sin streaming y paciencia.

• Sensibilidad al esfuerzo — Carbon obtiene 60 en nivel alto, 58 en medio y 54 en bajo. La configuración sin razonamiento de V4 Pro obtiene 13 frente a 23 al máximo. El modelo más barato pierde mucho más cuando se reduce el razonamiento, así que «ejecutarlo de forma barata» no es un cambio gratuito en ninguno de los dos lados.

On the vendor side the numbers are loud and unaudited, and they do not overlap enough to compare directly. D​eepSeek's own card for the 0813 build reports Terminal-Bench 2.1 at 87.9, DeepSWE at 62.7, CyberGym at 83.3, SWE-bench Verified at 80.6 and a Codeforces rating of 3206 — all vendor-reported, none reproduced by a neutral party at the time of writing. G​oogle's card for Carbon reports SEC-bench Pro at 88.2%, ExploitGym at 54.8% and CWE-bench at 71.0%. Note what happens if you try to line those up: CyberGym and ExploitGym are different harnesses, Terminal-Bench 2.1 and Terminal-Bench 4.0 are different versions of a moving target, and only one of the two vendors published a cyber score on a benchmark the other also ran. Any chart setting 83.3 beside 54.8 is comparing a scale to a different scale.

El reloj de facturación para el que nadie presupuesta

D​eepSeek's price is not one price, and this is the most under-reported difference between the two models. V4 Pro bills at half rate outside a defined peak window: peak is 01:00–04:00 and 06:00–10:00 UTC, Monday to Friday, excluding Chinese public holidays. Everything else — nights, weekends, holidays — is off-peak.

Siete horas de un día laborable de 24, cinco días a la semana, es aproximadamente el 21 % de la semana calendario. Si tus trabajos por lotes se programan mediante un cron en UTC, eso es fácil de alinear. Si tu tráfico es de un producto en vivo con una curva diurna de EE. UU. o Europa, una parte significativa de él cae dentro de la ventana de máxima actividad y tu tasa combinada real se sitúa entre $0,66 y $1,32, no en la cifra de la página de marketing.

El reloj de Carbon funciona al revés. Se mantiene plano hasta el 30 de noviembre y luego se duplica. Dos modelos, dos fuentes completamente distintas de variación en la factura: uno varía según la hora del día y el otro según la fecha del calendario. Ninguna es visible a partir de una sola cifra por token, y una comparación que cita $4/$20 frente a $0.66/$1.98 describe un peor caso en un lado y un mejor caso en el otro.

La versión honesta: con la tarifa introductoria de Carbon frente a la tarifa en hora punta de V4 Pro, Carbon es 1,5x en entrada y 2,5x en salida. Después del 1 de diciembre, frente a la tarifa fuera de hora punta, es 6x y 10x. La cifra de 4,4x de coste por tarea se sitúa entre ambas y es la cifra con la que conviene planificar, porque tiene en cuenta cuántos tokens necesita realmente cada modelo para terminar.

Donde vale la pena pagar por la diferencia

En lugar de un veredicto, cuatro divisiones que se sostienen frente a cómo están realmente conformados los dos modelos.

Cyber and vulnerability work. This is Carbon's home ground and the reason G​oogle gated it to defenders first. Carbon reads code, images and PDFs in one call, which is what a vulnerability triage pipeline needs, and G​oogle's own reported numbers put it at the top of the cyber boards it chose to publish. V4 Pro has respectable self-reported cyber scores and cannot see a screenshot. For a security team, Carbon at 6x the input price is not obviously the wrong call.

Clasificación, extracción y enrutamiento de alto volumen. Envía esto a V4 Pro. Una brecha compuesta de 37 puntos no dice casi nada sobre si un modelo puede etiquetar un ticket de soporte o extraer campos de una factura, y a $0.66 por millón de tokens de entrada, el modelo barato gana en aritmética mucho antes de perder en calidad. La mayoría de los equipos compra de más aquí.

Trabajo con documentos de contexto largo. Ambas ventanas son de 1M de tokens, así que empatan en capacidad bruta. El diferenciador es la modalidad y el techo de salida: Carbon ingiere el PDF escaneado y escribe hasta 1M de tokens; V4 Pro necesita el texto ya extraído y se detiene en 384K. Si tu pipeline ya está OCRizado, V4 Pro ofrece la misma ventana de 1M por una décima parte del precio de salida.

Todo lo que quizá tengas que autoalojar. Solo V4 Pro es una opción. Los pesos con licencia MIT significan que ningún proveedor puede retirar el modelo, cambiarle el precio ni limitar su acceso a un programa, lo cual no es una preocupación hipotética en un año en el que las condiciones de acceso de Carbon cambiaron dos veces en catorce días y su precio vuelve a cambiar el 1 de diciembre.

La respuesta de enrutamiento, con la advertencia honesta

La versión madura de esta decisión no consiste en elegir una sola opción. Consiste en ejecutar V4 Pro para la mayor parte del tráfico y escalar los casos difíciles a un modelo de frontera, que es exactamente la composición para la que existe nuestro DSL de enrutamiento: una rama barata que gestiona el volumen, una condición de escalado que se activa cuando la confianza es baja o falla la validación, y un único endpoint compatible con OpenAI delante de ambos.

What is on that endpoint today is deepseek/deepseek-v4-pro at D​eepSeek's own $0.66/$1.98, alongside google/gemini-4-argon at $2/$10 — Argon being the G​emini 4 model that carries the same 1M window and a 50 on the same index, at half Carbon's post-December output price. G​emini 4 Carbon is not in our catalogue; it is reached through G​oogle's paid API, and a Carbon branch in a pipeline is a direct integration. Because provider list price is passed through with 0% markup across the 200-plus models on the key, a vendor rate change lands the day it happens, which for Carbon means 1 December.

La conmutación por error automática es la parte que cambia el cálculo en el modelo barato. La razón por la que los equipos compran capacidad de frontera en exceso es el miedo a una mala respuesta en el 5 % de las solicitudes que importan. La conmutación por error y la escalación permiten que el modelo barato asuma el 95 % que maneja bien, con el modelo caro accesible en un solo endpoint cuando una solicitud queda fuera de su alcance, en lugar de pagar tarifas de frontera por cada token para asegurarse contra una cola que, en cambio, podría enrutar.

¿Qué cambiaría esta recomendación?

Two developments, both plausible within a quarter. If a neutral evaluator runs Carbon on a cyber benchmark that D​eepSeek also published, the two scorecards become comparable for the first time and the gap stops being an inference. And if D​eepSeek ships the V4.1-Pro that its own migration note pointed at, the cheap side of this comparison gets stronger without the expensive side moving — which would make the escalation split even more attractive than it is now.

Hasta entonces, la postura defendible es poco atractiva: V4 Pro para el volumen, Carbon solo donde la entrada multimodal o la capacidad cibernética sean determinantes, y no firmar ningún contrato a largo plazo en ninguno de los dos lados de un precio que se duplica en veinte días.