Gemini 4 Carbon vs Argon: escribe igual, tarda el doble

Desde el 21 de octubre circula que Gemini 4 Carbon, el nuevo modelo de Google, es «de 2 a 4 veces más lento» que Gemini 4 Argon. Google lo anunció el 28 de octubre como su modelo más potente, y la cifra sigue repitiéndose, pero nunca fue una medición: la escribió un solo usuario de X después de probar una versión preliminar en Arena. Lo que sí está medido, por Artificial Analysis, cuenta otra historia: Gemini 4 Carbon escribe igual de rápido que Argon (82,5 contra 83,5 tokens por segundo), pero tarda el doble en decir la primera palabra, unos 100 segundos contra 48, porque razona más antes de responder. Para quien elige o administra el modelo de un chat de soporte, un asistente interno o un agente, la diferencia importa: no se trata de si Carbon es lento, sino de cuánto puede esperar tu usuario y para qué tareas conviene cada uno.

De dónde salió el «2 a 4 veces más lento» de Gemini 4 Carbon

La cifra nació el 21 de octubre en una publicación de @LuminaBench en X. Contaba que llevaba desde el día anterior probando Carbon en Arena y mostraba algunas de sus respuestas: una mejora notable sobre Argon, escribió, pero increíblemente lento, como de 2 a 4 veces según la tarea. En las respuestas a su propia publicación aclaró que eran salidas de antes, que las había obtenido en Arena y que era «solo el checkpoint 1». Business Insider, que el 9 de octubre informó que empleados de Google probaban un nuevo modelo Gemini 4, llamó checkpoint a una nueva actualización del modelo, y describió a Carbon como posiblemente una actualización de Argon.

Ese contexto pesa. En Arena, en el modo de duelo, te muestran dos modelos anónimos y votas cuál responde mejor: es un lugar para comparar respuestas, no para cronometrar. Y al día siguiente, el 22 de octubre, otra usuaria, @lyraxana, avisó que el checkpoint de Carbon en Arena y en la web y la app de Gemini se había actualizado. Es decir, la impresión de Lumina corresponde a una versión que cambió al día siguiente.

En el mismo hilo, alguien hizo la pregunta clave: si la mayor parte de esa demora estaba en la espera hasta el primer token. En la conversación no hay respuesta de Lumina. El otro probador citado, @Lentils80, solo dijo que es más lento, pero menos flojo, sin dar una cifra.

TestingCatalog juntó esas publicaciones el 23 de octubre y repitió el «de dos a cuatro veces más lento según la tarea», aunque con una advertencia que casi no viajó con la cifra: son duelos de Arena con pedidos elegidos a mano, no benchmarks, y nadie puede saber qué checkpoint responde en cada caso.

Lo que dice Google de Gemini 4 Carbon

Google anunció Gemini 4 Carbon el 28 de octubre como «nuestro modelo más potente». Según su blog, ocupa el puesto número 1 en la versión 5.0 del índice de inteligencia de Artificial Analysis, con 59 puntos. Sus cifras destacadas son de ciberseguridad, evaluadas sin restricciones: 88,2 % en SEC-bench Pro para detectar vulnerabilidades, 54,8 % en ExploitGym para explotarlas y 71,0 % en CWE-bench para parcharlas. En desarrollo web, subió 89 puntos Elo y quedó cuarto en WebDev Arena, con 1768. Google cuenta además que sus equipos han visto a Carbon trabajar durante días en tareas de ingeniería complejas, de varias etapas.

El acceso, por ahora, es restringido. Google lo entrega a un subconjunto de expertos en ciberseguridad y, de forma gradual, a otros socios de su programa Fairwind, que trabaja con más de 650 socios en el mundo y al que se entra pidiéndolo al equipo de cuentas de Google Cloud. Para desarrolladores, empresas y consumidores, Google solo dice «próximamente». Saldrá al mismo precio introductorio que Argon: 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida. En todo el anuncio, Google no habla de velocidad.

Lo que se midió: velocidad de escritura frente a espera hasta la primera palabra

Artificial Analysis sí midió a Gemini 4 Carbon. En su página, consultada la noche del 29 de octubre, la velocidad de escritura de Carbon (la mediana de las últimas 72 horas, con un pedido de 10.000 tokens) era de 82,5 tokens de salida por segundo; esa misma tarde había marcado 84,9. Argon, medido igual y a la misma hora, escribía a 83,5. Los dos, con el mismo esfuerzo de razonamiento, el alto. Pusimos las dos cifras lado a lado: Carbon escribe al 99 % de la velocidad de Argon. Ahí no hay lentitud.

La diferencia aparece en otra columna: la espera hasta el primer token de la respuesta. Con 10.000 tokens de entrada, Carbon tarda 100,53 segundos en empezar a responder y Argon, 48,07: 2,09 veces más. Con 1.000 tokens de entrada, 64,99 contra 27,39 segundos (2,37 veces). Con 100.000, 113,10 contra 72,68 (1,56 veces). Y en el percentil 95, el 5 % de los casos más lentos, con 10.000 tokens la espera llega a 210 segundos con Carbon y a 99 con Argon.

La explicación está en cómo mide Artificial Analysis. En los modelos que razonan, la espera hasta el primer token de la respuesta se cuenta después del tiempo de pensar, y la velocidad de escritura, en los modelos que no muestran todo su razonamiento, se calcula con el último 80 % de la respuesta. Gemini razona internamente antes de responder, según la documentación de Google, y ese razonamiento no se entrega en la respuesta. Así que lo que se dobla no es la escritura, sino el pensamiento previo. Las mediciones son medianas de las últimas 72 horas, con pruebas ocho veces al día.

Hay una opinión en contra que vale la pena registrar. En Hacker News, donde el anuncio juntó 1001 puntos, un usuario escribió que el gráfico de tokens por segundo de Artificial Analysis le parece prácticamente inútil, porque con Argon y Carbon en su herramienta, Opencode, ve menos de 30 tokens por segundo. Es un testimonio, no una medición, pero recuerda que tu experiencia real depende de cómo llamas al modelo.

Según la tarea: cuánto piensa Gemini 4 Carbon y cuánto cuesta

Cuánto piensa Carbon depende mucho de lo que le pidas. En las pruebas del índice de Artificial Analysis, comparamos los tokens de salida que gasta cada modelo por tipo de tarea, y el resultado va de un extremo al otro. En ingeniería de software con agentes (FrontierCode 2.0), Carbon gasta 127.768 tokens y Argon 156.345: Carbon usa un 18 % menos. En código y terminal con agentes (Terminal-Bench 4.0) y en trabajo de conocimiento con agentes (AA-Briefcase), Carbon gasta un 3 % menos. Pero en razonamiento difícil (HLE-Diamond) gasta 3,28 veces más, y en preguntas de conocimiento (AA-Omniscience), 11.900 tokens contra 883: 13,47 veces más.

Ese pensar de más se cobra. En la API de Gemini, el precio de salida incluye los tokens de razonamiento, aunque no los veas. En Gemini, un token equivale a unos cuatro caracteres, así que los 11.900 tokens de una pregunta de conocimiento son del orden de 47.000 caracteres, buena parte de ellos razonamiento que no ves pero pagas. Hicimos la cuenta con un uso real: 1.000 preguntas cortas, solo la salida, al precio de lanzamiento de 10 dólares por millón. Con Carbon cuestan unos 119 dólares; con Argon, unos 8,83. Y el precio de lanzamiento no es eterno: Argon cuesta 10 dólares por millón de salida hasta el 30 de noviembre de 2026 y 20 desde el 1 de diciembre. A ese precio, las mismas 1.000 preguntas suben a 238 dólares con Carbon y a 17,66 con Argon.

En tareas largas con agentes, en cambio, la cuenta se empareja. Según Artificial Analysis, a precio estándar el costo por tarea de Carbon es parecido al de Argon (7,68 dólares), con 9 puntos más en el índice; y en su índice de agentes de código, Carbon queda segundo, solo detrás de Claude Opus 5.5.

La letra chica: medición previa, alucinaciones y fecha

Hay tres advertencias antes de decidir. La primera: la medición es previa al lanzamiento. Carbon no tiene una API pública, así que Artificial Analysis lo midió en un acceso que le dio Google, en esfuerzo alto; con otro nivel de razonamiento, o una vez abierto al público, los números pueden cambiar. Artificial Analysis también anota que Google ofrece un descuento de lanzamiento del 50 % sin fecha de término confirmada.

La segunda: Carbon acierta más, pero también inventa más. En AA-Omniscience, su tasa de acierto sube 10 puntos sobre Argon, hasta el 58 %, pero su tasa de alucinación sube del 4 % al 11 %. Google, por su parte, dice que en sus pruebas internas Carbon reduce aproximadamente a la mitad las afirmaciones sin fundamento frente a Argon; son pruebas propias, no una medición independiente.

La tercera: no hay fecha para que llegue a todos. Lo único que existe es un antecedente. Con Argon fue el mismo libreto: el 30 de septiembre llegó a un grupo de defensores de ciberseguridad a través de Fairwind y el 13 de octubre quedó disponible para todos, 13 días después. Es un precedente, no una promesa. Si quieres el contexto de Argon frente a la competencia, lo contamos en «Gemini 4 Argon vs Opus 5.5: cuál te rinde más por US$ 20».

Nuestra lectura: el «2 a 4 veces» juntó dos esperas distintas

Cuando alguien dice que un modelo es lento, puede estar hablando de dos cosas: de cuánto tarda en empezar o de cuánto tarda en escribir. El «2 a 4 veces» las mezcló. La medición pone toda la diferencia en la primera, y esa diferencia cambia mucho según la tarea: en un agente que trabaja solo durante minutos, nadie nota 50 segundos más al comienzo; en un chat de soporte, el cliente sí los nota. Por eso la pregunta útil no es si Gemini 4 Carbon es más lento, sino cuánto puede esperar tu usuario.

El veredicto: Gemini 4 Carbon o Argon, según el uso

Para un chat en vivo, donde una persona espera la primera palabra, hoy conviene Gemini 4 Argon: empieza a responder en la mitad del tiempo, escribe igual de rápido y en preguntas cortas cuesta una fracción. Para agentes en tareas largas, de código o de varias etapas, Gemini 4 Carbon es la mejor apuesta cuando se abra: gasta igual o menos tokens que Argon, puntúa más alto y la espera inicial se diluye en el trabajo total.

Qué significa para ti: qué medir hoy con Argon

No hace falta esperar a Carbon para prepararse. Lo primero es medir tu propia espera hasta la primera palabra con Argon, en tu aplicación y con tus pedidos reales, porque es la cifra que vas a comparar cuando Carbon se abra. Lo segundo, separar lo que va en vivo de lo que corre detrás: las conversaciones con personas por un lado, los agentes y procesos que nadie mira en tiempo real por otro. Y lo tercero, si necesitas respuestas más rápidas o más baratas, bajar thinkinglevel en vez de recortar maxoutput_tokens. En la API, Argon piensa en nivel medio por defecto, y Google advierte que, si el modelo llega al límite de tokens mientras razona, el resultado sale truncado o vacío, y esos tokens de razonamiento se cobran igual.

¿Cuántos segundos aguantaría la gente de tu chat de soporte esperando la primera palabra, a cambio de una respuesta mejor? Opina con libertad, siempre con respeto.