Gemini 4 Carbon vs Argon: ¿qué modelo Gemini 4 deberías usar?

Usa Gemini 4 Argon para programación interactiva y ciclos rápidos, y pasa una tarea a Gemini 4 Carbon cuando la respuesta de Argon omita algo que te importe. Es también el consejo de la propia Google: los dos modelos aceptan la misma solicitud, tienen el mismo contexto de 1.048.576 tokens y se lanzaron al mismo precio introductorio. Lo que cambia es cuánto razonamiento dedica Carbon antes de responder.

La mayoría de las comparaciones que encontrarás se escribieron para el anuncio del 28 de octubre, cuando solo un pequeño grupo de defensores de ciberseguridad podía usar Carbon. Eso cambió el 10 de noviembre de 2026: Google abrió Carbon a todos los desarrolladores de pago de la API de Gemini. Así que lo probamos y después ejecutamos los mismos prompts en Argon.

Qué tienen en común

La guía de migración de Google es clara: si ya usas gemini-4-argon, «pasar a gemini-4-carbon no requiere cambios en el esquema de la solicitud». Cambias la cadena del modelo y nada más.

Ambos ignoran temperature, topP y topK, y ninguno enumera un nivel de razonamiento minimal (Carbon devolvió HTTP 400 cuando lo enviamos). Si tu código funciona con uno, envía una solicitud válida al otro.

Qué diferencias señala Google

Google describe Carbon como el modelo «creado para tareas que llevan al límite la profundidad del razonamiento». En la misma guía dice que Carbon «dedica más tokens de razonamiento por turno a explorar a fondo y verificar su trabajo, lo que aumenta el uso de tokens y la latencia por turno en comparación con Argon». Google orienta Carbon a depurar causas raíz, trabajar en arquitectura, sintetizar contenido multimodal denso, realizar demostraciones y auditar seguridad. Para Argon reserva «la programación interactiva, el trabajo diario en funcionalidades y los ciclos rápidos en producción».

El resto de las diferencias procede del propio anuncio de Google. Para Carbon enumera mejores resultados en ciberseguridad, menos afirmaciones sin fundamento y mayor honestidad en tareas agénticas. No hemos reproducido esos benchmarks, así que no repetiremos las cifras como si lo hubiéramos hecho. Léelas en el anuncio de Carbon de Google teniendo esto en cuenta.

El mismo prompt en ambos modelos: qué medimos

El 11 de noviembre de 2026 enviamos tres prompts con respuestas conocidas a ambos modelos a través del endpoint nativo de Gemini de SeedRouter. Todas las solicitudes usaron thinkingLevel: "medium" y maxOutputTokens: 8192, con un intento por solicitud y sin reintentos. La salida cuenta la respuesta visible; el razonamiento es lo que indicó thoughtsTokenCount.

Destacaron tres cosas.

Carbon no siempre dedicó más razonamiento. En la pregunta del factorial, Argon usó 249 tokens de razonamiento y Carbon, 71. En las otras dos, Argon respondió sin que se notificara ningún token de razonamiento, mientras que Carbon usó 224 y 392. En los tres prompts, Carbon facturó 1010 tokens de salida (respuesta más razonamiento), frente a los 701 de Argon. Es alrededor de un 44 % más en esta muestra diminuta, lo que coincide con la tendencia que describe Google, pero no con todos los casos.

El razonamiento no cambió las respuestas aquí. Ambos acertaron las tres. Ambos reescribieron la función igual: ordenar de mayor a menor y después tomar el segmento [:k]. Ninguno señaló que el ranked[-k:] original también falla cuando k es 0, porque -0 es simplemente 0 y el segmento devuelve toda la lista. El código corregido sí maneja ese caso. Los prompts sencillos como estos no permiten ver dónde compensan las comprobaciones adicionales de Carbon; solo muestran lo que cuestan.

La latencia siguió al razonamiento, no al nombre del modelo. La respuesta más lenta de Carbon fue la corrección de código (18,4 segundos), en la que dedicó más razonamiento. En el prompt del factorial fue más rápido que Argon.

Tres prompts no demuestran nada sobre la calidad. Sí te indican cómo hacer tu propia prueba: toma cinco o diez tareas en las que Argon falle actualmente o necesite una segunda pasada, envíalas a ambos modelos con los mismos ajustes y compara respuestas correctas por dólar, no tokens por respuesta.

Coste: mismo precio por token, distinto consumo por respuesta

Ambos modelos se lanzaron con el mismo precio introductorio de la API de Gemini, así que la diferencia que pagas procede del número de tokens, sobre todo de razonamiento. Google publica estas tarifas introductorias por 1M de tokens (comprobadas el 11 de noviembre de 2026), válidas hasta el 30 de noviembre de 2026:

Son los precios de lista de Google, tomados de su página de precios. A continuación aparecen las tarifas actuales por token de nuestra plataforma, que se aplican por igual a ambos modelos dentro del mismo grupo:

Como el razonamiento se factura a la tarifa de salida, una tarea en la que Carbon usa 400 tokens de razonamiento y Argon ninguno cuesta más en Carbon incluso con precios idénticos. Si pasas toda una carga de trabajo a Carbon, presupuesta un mayor consumo de salida y fija maxOutputTokens lo bastante alto para que el razonamiento no trunque la respuesta. Google sugiere al menos 32.768.

Cómo cambiar una solicitud de Argon a Carbon

Cambia el modelo en la URL:

curl "https://api.seedrouter.ai/v1beta/models/gemini-4-carbon:streamGenerateContent?alt=sse" \
  -H "Authorization: Bearer $SEEDROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"contents":[{"role":"user","parts":[{"text":"Review this migration plan for ordering mistakes."}]}],"generationConfig":{"thinkingConfig":{"thinkingLevel":"medium"},"maxOutputTokens":32768}}'

Dos notas prácticas de nuestras pruebas en producción. Primero, usa streaming para cualquier tarea que pueda tardar. Una solicitud de audio sin streaming tardó unos dos minutos y terminó con HTTP 524 al agotarse el tiempo de espera en el borde de nuestra red antes de que llegara la respuesta; la misma solicitud funcionó con streaming en 84 segundos. Segundo, mantén thinkingLevel en medium salvo que la tarea necesite high. En nuestras comprobaciones, el razonamiento alto en una pregunta sencilla de factorización usó 493 tokens de razonamiento frente a 193 con el nivel medio, con la misma respuesta.

La referencia completa de solicitudes está en la documentación API de Gemini 4 Carbon, y puedes probar ambos modelos con tus propios prompts en la página de Gemini 4 Carbon y la página de Gemini 4 Argon.

Preguntas frecuentes

¿Gemini 4 Carbon es mejor que Argon?

En los benchmarks de Google, sí, sobre todo para trabajos agénticos largos y tareas de seguridad. En nuestros tres prompts sencillos, ambos respondieron correctamente y Carbon usó más tokens de salida en dos de ellos. La mejora se aprecia en tareas difíciles; prueba aquellas en las que Argon falla.

¿Qué diferencia hay entre Gemini 4 Carbon y Argon?

El esfuerzo de razonamiento. El formato de solicitud, la ventana de contexto, las herramientas, las modalidades y el precio introductorio son iguales. Carbon dedica más razonamiento por turno a verificar su trabajo, así que es más lento y usa más tokens de salida en prompts difíciles.

¿Gemini 4 Carbon es más caro que Argon?

Por token, no: ambos se lanzaron a $2 de entrada y $10 de salida por 1M de tokens en la lista de Google. Por respuesta suele costar más, porque Carbon dedica más tokens al razonamiento, que se facturan como salida.

¿Puedo pasar de Gemini 4 Argon a Carbon sin cambiar el código?

Sí. La guía de Google dice que no hacen falta cambios en el esquema de la solicitud. Cambia gemini-4-argon por gemini-4-carbon y revisa tu límite de salida y los tiempos de espera.

¿Gemini 4 Carbon sustituye a Argon?

No. Google mantiene Argon como la opción más rápida para la mayoría de los trabajos de software y conocimiento, y orienta Carbon a los problemas más difíciles. Ambos siguen disponibles.