Gemini 4 Carbon

Capacidades del modelo y benchmarks

• Carbon se presenta como el nuevo modelo frontera Gemini 4 de Google, aparentemente un checkpoint de Argon entrenado adicionalmente con el mismo precio de API.
• Afirma: #1 en general en el Artificial Analysis (AA) Index v5, fuerte en programación, mejor rendimiento en contexto largo, seguridad mejorada y menos “fabrication”.
• Algunas afirmaciones técnicas concretas que impresionaron a la gente:
  • 0% de “cheating” en Terminal-Bench 4.0, con los intentos de cheating reducidos al 0.4%.
  • 0% de éxito en un benchmark de prompt-injection usado en el blog.
• Algunos comentaristas señalan debilidades persistentes: en benchmarks centrados en programación como FrontierSWE todavía queda por detrás de Opus 5.5 y Astra.

Índice de Artificial Analysis y escepticismo sobre los benchmarks

• AA actualizó su índice (v5) el día anterior; después Carbon aparece como #1.
• Varios comentaristas ven este momento como coordinado y “sus”.
• Preocupaciones:
  • Cambiar pesos/metodología cada vez que ciertos modelos (especialmente los de pesos abiertos) se acercan a la cima.
  • Inclusión de benchmarks privados, no verificables.
  • Puntuaciones que cambian drásticamente entre versiones del índice, debilitando la confianza.
• Otros siguen considerando AA como la mejor señal agregada disponible, aunque reconociendo sus limitaciones.

Estrategia de lanzamiento y disponibilidad

• Frustración generalizada porque Google anuncia modelos (“coming soon”) antes de un acceso amplio:
  • Argon tardó unas semanas desde el anuncio hasta ser usable de forma general; algunos usuarios de pago todavía no pueden acceder a él en todas las superficies.
  • Carbon está benchmarkeado y promocionado, pero aún no es utilizable salvo por una vista previa limitada de “cyber defender”.
• Muchos ven esto como marketing de “vaporware” y teatro de earnings call; otros argumentan que los grandes laboratorios ahora deben esperar el filtrado gubernamental/“cyber”.

Nomenclatura, versionado y confusión del producto

• Hay un consenso fuerte de que la nomenclatura de Google es confusa:
  • Argon vs Carbon no ofrece un orden de nivel obvio; el orden de la tabla periódica entra en conflicto con la capacidad percibida.
  • Convive con 3.1 Pro, 3.6/3.8 Flash, Flash-Lite, etc.
• Varias personas desean versiones numéricas simples (por ejemplo, “Gemini 4.1”) o un escalonado fijo y claro como “Lite / Flash / Pro / Ultra.”

Precios, planes y límites de uso

• El precio de la API ($2/$10 promo → $4/$20 por 1M de tokens) se ve como agresivo y atractivo, especialmente si el rendimiento coincide con las afirmaciones.
• Pero las suscripciones de consumo se ven como un desastre:
  • El nivel Plus sigue atascado en el viejo 3.1 Pro y 3.6 Flash, sin Argon/Carbon; algunos se sienten “estafados”.
  • Los niveles Pro/Ultra difieren según el tipo de cuenta (personal vs Workspace); algunos usuarios de Workspace ni siquiera pueden comprar Ultra.
  • Los pools de uso de Argon son minúsculos; unas pocas indicaciones pueden agotar la cuota semanal, empujando a los usuarios de vuelta a Flash-Lite.

Harnesses, UX para desarrolladores y rendimiento en programación

• Antigravity (el harness agentic de Google) recibe muchas críticas:
  • Difícil de incorporar, cuotas confusas, funciones inestables, malos valores predeterminados; algunos lo llaman el “peor coding harness” que han usado.
  • Otros dicen que Argon/Carbon rinden mucho mejor dentro de harnesses bien ajustados (Antigravity con configuraciones limpias, o setups personalizados).
• Las impresiones de programación en el mundo real son mixtas:
  • Algunos dicen que Argon está “un nivel claramente por debajo” de Opus/Sol, que sufre como agente local de programación y rinde peor en un framework de duelo entre agentes de código abierto.
  • Otros informan que Argon es excelente para planificación, revisión de código, refactorización y trabajo de ciberseguridad; “minucioso, inteligente, se ciñe a los objetivos”, y a veces preferido sobre Opus 5.5.
  • Varios señalan el estilo de Argon: muy “niño bueno”, pidiendo a menudo confirmación, y a veces peor ejecutando que planificando.

Seguridad, despliegue de ciber y control de acceso

• Carbon irá primero a un programa “Fairwind” para gobiernos y “defenders” de infraestructura crítica antes del lanzamiento general.
• Un sector lo ve como responsable: las capacidades ciber frontera son peligrosas y deberían estar restringidas.
• Otro lo ve como un control de acceso contraproducente:
  • Creencia de que los atacantes serios ya tienen modelos/pesos potentes.
  • Miedo a que restringir modelos “cyber” potentes a grandes proveedores y gobiernos deje a los defensores de código abierto y de pequeñas organizaciones en desventaja.

Panorama de mercado y competencia

• Muchos esperan que Anthropic u OpenAI recuperen el puesto #1 en días o semanas; el ritmo de los lanzamientos frontera se considera “insano”.
• Algunos argumentan que las evaluaciones de programación (FrontierSWE, SWE-Sweep, etc.) importan más económicamente que el índice compuesto de “intelligence” de AA.
• Tema recurrente: Google tiene fuerte investigación y hardware, pero está frenada por burocracia, productos fragmentados, mala UX y suscripciones confusas.
• Algunos ven a Google y Meta como ganadores a largo plazo con distribución para los “normies”; otros piensan que la mala UX y los problemas de confianza (bloqueos de cuenta, obsolescencias) limitarán la adopción por parte de desarrolladores.