Google · Gemini · Ciberseguridad
Google presenta Gemini 4 Carbon: acceso limitado y avances que varían según la prueba
Publicado:
Google anuncia un despliegue inicial para defensores de ciberseguridad. Analizamos su comparación de modelos sin confundir resultados del fabricante con una validación independiente.
Fecha de la fuente original:
Hecho reportado: 2026-10-28
Lo esencial
- El acceso inicial será para defensores seleccionados; no hay fecha de apertura general.
- La tabla muestra ventajas en varias tareas, pero Carbon queda detrás de competidores en FrontierSWE 2 y OSWorld-2.1.
- Las pruebas de ciberseguridad citadas se realizaron sin salvaguardas; su rendimiento no garantiza resultados idénticos en producción.
Un anuncio con acceso inicial restringido
Google anunció Gemini 4 Carbon el 28 de octubre para programación y tareas prolongadas. Previó acceso inicial esa semana para defensores seleccionados y después para socios de Fairwind, sin fecha general para desarrolladores o consumidores.
Qué muestran las comparaciones publicadas
La tabla de Google DeepMind sitúa a Carbon en 59 puntos del índice AA v5.0, frente a 58 de Claude Opus 5.5 y 57 de GPT-6 Astra. En Terminal-Bench 4.0 registra 65,2%, frente a 57,1% de Argon: una diferencia de 8,1 puntos porcentuales, no un aumento de 8,1%. En ExploitGym, sus 54,8% superan los 42,4% de Astra por 12,4 puntos.
La comparación, prueba por prueba
| Prueba | Unidad / alcance | Gemini 4 Carbon | Gemini 4 Argon | GPT-6 Astra | Claude Opus 5.5 | Claude Fable 5.1 |
|---|---|---|---|---|---|---|
| AA Index v5.0 | Puntos | 59 | 50 | 57 | 58 | 49 |
| Vals Index v2.2 | % | 70,4 | 69,2 | 65 | 70,2 | — |
| SWE-sweep | % | 9,6 | 4,3 | 9,5 | 3,6 | 2,9 |
| FrontierSWE 2 | % | 61,2 | 55 | 65,5 | 62,3 | 56,3 |
| Terminal-Bench 4.0 (AA) | % | 65,2 | 57,1 | 59,1 | 59,6 | 52 |
| Agents’ Last Exam v1.1 | Puntuación (%) | 77,4 | 69 | 73,1 | 71,6 | — |
| OSWorld-2.1 | Subconjunto sin conexión (%) | 81,5 | 74,7 | 80,9 | 87,2 | 76,8 |
| AutomationBench | Zapier (%) | 53,9 | 51,3 | 41,4 | 42,5 | 31,4 |
| Vending-Bench 2 | Saldo bancario (US$) | 16 484 | 13 718 | 15 515 | 9 235 | 5 422 |
| Chartography | % | 72,5 | 71,6 | 71 | 66,3 | 46,2 |
| Blueprint-Bench 2 | Similitud (%) | 58,6 | 54,4 | 49,7 | 51,2 | 41,9 |
| GraphWalks | 256k–1M; BFS F1 (%) | 96,2 | 84,2 | 71,8 | 66,8 | 65 |
| RiemannBench | % | 80 | 76 | 72 | 69,6 | 65,6 |
| Terminal-Bench-Science 0.1 (AA) | % | 64,8 | 52,9 | 63,3 | 59 | 43,3 |
| CWE-bench | % | 71 | 68 | 68 | 67 | 58 |
| ExploitGym | % | 54,8 | 42 | 42,4 | 34,5 | — |
| SEC-bench Pro | % | 88,2 | 83,4 | 85,4 | — | — |
—: sin dato publicado; no equivale a cero. Cada fila conserva su unidad. Son resultados comunicados por el fabricante, sin una réplica independiente de Tecnología CR. Fuente: Google DeepMind.
También hay pruebas en las que no lidera
La comparación también muestra límites: Carbon queda detrás de Astra y Opus en FrontierSWE 2, y detrás de Opus en OSWorld-2.1. Cada fila mide algo distinto: GraphWalks emplea F1 y Vending-Bench un saldo en dólares. No deben agregarse estas puntuaciones ni interpretar una celda ausente como cero.
Seguridad y precio: condiciones importantes
Google aclara que las evaluaciones externas de ciberseguridad se ejecutaron sin salvaguardas. Anuncia tarifas introductorias de US$2 por millón de tokens de entrada y US$10 de salida; después pasarán a US$4 y US$20. No precisa cuándo termina esa etapa. Son condiciones anunciadas, no una medición del costo de resolver un trabajo real.
Análisis propio: evaluar tareas, no coronar un ganador universal
Nuestra lectura: una ventaja en estas pruebas justifica evaluar tareas específicas, no proclamar un ganador universal. Un piloto debería comparar errores, correcciones aceptadas, tiempo y costo total con las salvaguardas activas. La tabla no incluye intervalos de incertidumbre ni demuestra mejoras reales en servicios usados por las personas. Es evidencia corporativa, no una réplica independiente de Tecnología CR.