¿Por qué Gemini 4 Carbon está tardando tanto?
Gemini 4 Carbon, el último modelo de IA de codificación de gama alta de Google, está recibiendo reacciones mixtas por ser notablemente más lento y consumir más tokens que sus rivales, aunque a menudo produce un trabajo más profundo, cauteloso y minucioso. Los comentaristas atribuyen su latencia a factores como el escalado en tiempo de prueba, el uso agresivo de herramientas y la menor presión de costes de Google frente a los proveedores puramente de IA, señalando que destaca en tareas complejas y de largo horizonte, pero resulta poco práctico para el uso diario. Muchos lo ven como un potente planificador y revisor de código que funciona mejor combinado con modelos más rápidos como Gemini 4 Hydrogen, mientras que otros se frustran por las malas herramientas, los timeouts y lo que consideran sobreingeniería y una obsesión por los benchmarks.
Tema general
- El hilo se centra en por qué Gemini 4 Carbon se siente tan lento, si esa lentitud está “rota” o es intencional, y cómo su profundidad de razonamiento se compara con la de otros modelos de frontera.
Rendimiento y velocidad
- Muchos informan tiempos de espera extremadamente lentos hasta el primer token (de segundos a minutos) y ejecuciones totales muy largas, y algunas solicitudes agotan el tiempo de espera (especialmente mediante Antigravity CLI u OpenRouter).
- Los benchmarks cuantitativos muestran que Carbon es significativamente más lento que sus pares:
- ~3× más tiempo para completar tareas, con más tokens de salida y más llamadas a herramientas que los rivales en pruebas de “battle”.
- En benchmarks de analítica, TTFT más lento y más llamadas a herramientas por pregunta que Hydrogen y otros.
- Algunos ven ligeras mejoras recientes en TTFT, pero en general sigue clasificándose entre los modelos más lentos probados.
Comportamiento, profundidad y calidad
- Se lo describe ampliamente como “cauteloso”, “minucioso” y “demasiado meticuloso”.
- Tiende a:
- Hacer trabajo extra que no se pidió estrictamente (auditoría, endurecimiento, manejo de casos extremos).
- Realizar muchas llamadas a herramientas y análisis profundos de bases de código.
- Para tareas complejas, abiertas y de codificación e investigación, varios usuarios encuentran que sus soluciones son sorprendentemente buenas, bien arquitecturadas y creativas, a veces superando a sus rivales.
- Otros lo ven como una extralimitación costosa que quema tokens y presupuestos de esfuerzo, y prefieren un seguimiento de instrucciones más estricto.
Casos de uso y comparaciones de modelos
- Gran elogio para Carbon en: RCA profundo, arquitectura, seguridad/robustez, reconocimiento histórico de texto y preguntas de investigación difíciles.
- Para tareas más simples o flujos de trabajo interactivos, los usuarios prefieren modelos más rápidos y baratos (Hydrogen, Sol, DeepSeek, etc.).
- Algunos orquestan Carbon como planificador y delegan la ejecución a Hydrogen u otros modelos de proveedores; otros sostienen que debería ser al revés.
Infraestructura, herramientas y UX
- Antigravity y las herramientas de Google suelen considerarse defectuosas, lentas y peores para quienes no son de Google (timeouts, errores 500, agotamiento de cuota).
- Algunos reportan mejor comportamiento a través de Vertex AI; otros consideran que Gemini, en general, es la opción más débil que usan.
Entrenamiento, incentivos y benchmarks
- Múltiples hipótesis:
- Google priorizó la calidad de frontera y el rendimiento en benchmarks por encima de la eficiencia de inferencia.
- El escalado en tiempo de prueba / variantes de “think longer” (p. ej., Argon frente a Carbon) amplifican la minuciosidad y la latencia.
- El modelo de negocio de Google y su abundante cómputo le permiten tolerar más la ineficiencia que a las empresas dedicadas puramente a la inferencia.
- Existe debate sobre si esto es un optimización deliberada para benchmarks, un efecto secundario del entrenamiento por RL que recompensa el razonamiento exhaustivo, o simplemente una ingeniería/optimización más débil; no se llega a un consenso.