Dek: Gemini 4 Carbon ha desbancado a GPT-6.1 Sol en MathArena con una factura de quince veces más por ejecución. El precio del token es idéntico al de su hermano Argon; lo que cambia es cuánto razona antes de contestar.
Qué mide MathArena y por qué gana Gemini 4 Carbon
MathArena es una prueba de matemáticas con enunciados adversariales: problemas diseñados para que un modelo se caiga por el camino, no para lucirse con cuentas sencillas. Se puntúa el resultado final y, a la vez, cuánto dinero se ha quemado hasta llegar a él.
Según la tabla que publicó The Decoder el 14 de noviembre, Gemini 4 Carbon, en esfuerzo alto, se coloca primero con un 85,4 % y 15,70 dólares por ejecución. Hacía meses que un modelo ajeno a OpenAI no encabezaba esa clasificación.
El modelo salió el 10 de noviembre, tras dos semanas de pruebas cerradas con expertos en seguridad elegidos por Google.
El precio de Gemini 4 Carbon es el mismo que el de Argon
Carbon cuesta 4 dólares por millón de tokens de entrada y 20 por millón de salida, la tarifa que ya tenía Gemini 4 Argon. Sin descuento por ser el recién llegado. Sin recargo por ser el más capaz.
Google mantiene un precio de introducción de 2 y 10 dólares por millón en la API de Gemini. Es una promoción con fecha, no una tarifa estable, y ningún presupuesto serio debería calcularse con ella a doce meses vista.
Si el token cuesta lo mismo, ¿de dónde sale la diferencia? De la cantidad. Carbon razona más, verifica más y alarga los bucles de comprobación hasta cerrar el problema. La etiqueta no se mueve. La factura sí.
Por qué una ejecución de Gemini 4 Carbon cuesta quince veces más
Los 15,70 dólares por ejecución de Carbon se comparan con 1,07 dólares de GPT-6.1 Sol. Quince veces, con el mismo tipo de problema y el mismo criterio de corrección.
El motivo está en su modo de fallo más frecuente: agotar el límite de tiempo. Carbon casi nunca se rinde. En un caso documentado, lanzó un script que estuvo más de once horas funcionando sin comprobar por dónde iba. Es una decisión de producto, no un error de programación.
Modelo | Puntuación | Coste por ejecución |
|---|---|---|
Gemini 4 Carbon (esfuerzo alto) | 85,4 % | 15,70 $ |
Claude Fable 5.2 (máximo) | 82,8 % | 40,20 $ |
GPT-6.1 Sol (máximo) | 80,6 % | 1,07 $ |
Kimi K3.1 Pro (máximo) | 54,3 % | 3,70 $ |
Para un equipo que paga por uso, eso se traduce en una tarde de cómputo facturado por una sola consulta. En un despacho de dos personas en Valencia que paga en euros, el tipo de cambio y el IVA se suman a la sorpresa de fin de mes.
Claude Fable 5.2 y GPT-6.1 Sol: dos maneras de gastar menos
Las cuatro filas cuentan historias distintas. Claude Fable 5.2, en esfuerzo máximo, queda segundo con un 82,8 % y 40,20 dólares por ejecución. Es el más caro y aun así no gana.
No lo lean como una derrota de Anthropic. Fable 5.2 lidera el índice de Artificial Analysis y gana otras pruebas; MathArena no es su mejor terreno.
GPT-6.1 Sol, también al máximo, se queda en un 80,6 % por 1,07 dólares. Casi cinco puntos por debajo de Carbon. Catorce veces más barato. Quien resuelva miles de problemas con presupuesto ajustado debería hacer esa cuenta antes de mirar el primer puesto.
El mejor modelo abierto de la comparativa es Kimi K3.1 Pro, de Moonshot AI, con un 54,3 % por 3,70 dólares. Esa distancia marca dónde está hoy el código abierto.
CursorBench 4.0, WANDR y AutomationBench: los otros números de Google
Google no se quedó solo en MathArena. En su propio conjunto de resultados, Carbon gana CursorBench 4.0 con una puntuación justo por debajo del 60 %, además de WANDR, de Perplexity, y AutomationBench, de Zapier. En el Multimodal Knowledge Agent hecho con Artificial Analysis acaba segundo, por detrás de Fable 5.2 y con menos de un sexto de su coste. Son cifras de la casa.
Fairwind: los fallos que encontró Gemini 4 Carbon con Wiz
Durante el programa de acceso anticipado Fairwind, Carbon localizó vulnerabilidades de día cero reales mientras escaneaba a dos grandes proveedores de SaaS en menos de dos horas, dentro de Scan for Good de Wiz. Google lo usó además para escribir pruebas de concepto de dos fallos conocidos en un proyecto de código abierto.
Para quien administra sistemas, eso cambia el cálculo de riesgos. Un modelo que encadena reconocimiento y explotación sin supervisión constante ahorra tiempo real.
Gemini 4 Argon sigue siendo el modelo para el trabajo diario
Google insiste en que Carbon complementa a Argon y no lo retira. Para ingeniería de software y trabajo de conocimiento estándar, Argon sigue siendo la elección; Carbon entra cuando el problema es de investigación abierta o de depuración difícil.
La mayoría de las tareas de una empresa mediana no necesitan once horas de razonamiento. Necesitan respuestas correctas rápido y una línea de gasto explicable en una reunión.
/swarm en Antigravity y la duda sobre los agentes en paralelo
Google mostró también una vista previa de /swarm en Antigravity: una instrucción se convierte en un equipo coordinado de agentes, con Carbon en la arquitectura y la auditoría mientras modelos más ligeros trabajan en paralelo como verificadores adversariales.
La idea no es pacífica. OpenAI y Anthropic advirtieron hace días que los enjambres de agentes pueden quemar tokens sin ganar calidad. Un equipo en Madrid debería probarlo en un experimento acotado antes de llevarlo a producción.
Cómo comprar Gemini 4 Carbon: presupuesto por tarea terminada
La regla que sale de la tabla es poco glamurosa: deja de mirar el precio por millón de tokens y mide el coste por tarea terminada. Carbon gana el examen y pierde la factura. Las dos cosas son ciertas a la vez.
Carbon está disponible en la API de Gemini, AI Studio, Android Studio y Gemini for Business para desarrolladores de pago. La promoción de 2 y 10 dólares no durará siempre: calcula el presupuesto con la tarifa estándar y con una estimación honesta de los tokens que consume tu caso de uso.






