Gemini 4 Carbon supera a Claude Opus 5.5 por un punto y lidera el nuevo índice de alucinaciones

Google presentó Gemini 4 Carbon, su más nuevo modelo de frontera, que asume el liderazgo en el Intelligence Index V5 de Artificial Analysis con 59 puntos. El desempeño coloca al sistema un punto por delante de Claude Opus 5.5, de Anthropic, y dos puntos por encima de GPT-6 Astra, de OpenAI, en una reñida disputa por la cima del ranking de capacidad cognitiva.

El lanzamiento representa una recuperación estratégica para Google, que venía de un año marcado por lanzamientos irregulares en el segmento de modelos fundacionales. La empresa busca consolidar su posición en un mercado donde el liderazgo cambia de manos con frecuencia y donde la eficiencia de costos se ha vuelto tan decisiva como la inteligencia bruta.

Eficiencia económica como diferencial

Además de la puntuación máxima, Gemini 4 Carbon se destaca por su costo operativo. El modelo presenta un costo por tarea de US$ 7,76 en el Intelligence Index, un valor ligeramente inferior a Gemini 3.8 Flash y significativamente más barato que sus competidores directos. Claude Opus 5.5 y Sonnet 5.5, ambos en configuración máxima con fallback, cuestan varios dólares más por tarea, mientras que Claude Fable 5.1 llega a US$ 12,99 — casi el doble del nuevo modelo de Google.

Esta combinación de alto desempeño y costo reducido posiciona a Gemini 4 Carbon en la llamada frontera de Pareto, un concepto que los desarrolladores persiguen al buscar el mejor equilibrio posible entre inteligencia y precio. Para las empresas que operan modelos a escala, la diferencia de unos pocos dólares por tarea puede representar ahorros sustanciales en implementaciones a gran escala.

Alucinaciones bajo escrutinio

El nuevo modelo también asume el liderazgo en la prueba AA-Omniscience v1.1, que evalúa la tendencia de los sistemas a inventar información y su capacidad de recuperar conocimiento de forma precisa. Gemini 4 Carbon presenta el menor índice de alucinaciones entre los modelos de frontera evaluados, un diferencial que puede volverse decisivo a medida que gobiernos e instituciones buscan maximizar la seguridad y la confiabilidad en el uso de inteligencia artificial.

Sin embargo, las cifras revelan una realidad aún preocupante para el sector. Incluso el mejor ubicado obtuvo solo 54 en la escala que varía de -100 a +100, lo que indica que los sistemas más avanzados de 2026 permanecen lejos de una confiabilidad consistente en la recuperación de información. La métrica evidencia que, a pesar de los avances, la tendencia a la alucinación sigue siendo un desafío estructural para toda la industria.

Contexto competitivo

El liderazgo de Gemini 4 Carbon, aunque estrecho, señala un reposicionamiento de Google en un escenario donde Anthropic y OpenAI venían alternando la delantera. La diferencia de un solo punto en el Intelligence Index demuestra que los modelos de frontera alcanzaron un nivel de paridad técnica, en el cual factores como costo, latencia y confiabilidad pasan a definir la elección de las empresas.

La prueba AA-Omniscience v1.1, al medir tanto el conocimiento factual como la propensión a errores, introduce una dimensión cualitativa a la carrera de los benchmarks. Para sectores regulados, como salud, finanzas y jurídico, la capacidad de un modelo de reconocer los límites de su propio conocimiento puede ser más valiosa que puntos adicionales en índices de inteligencia general.

La escala de -100 a +100 utilizada en la prueba refleja un espectro que va desde respuestas completamente alucinadas hasta recuperaciones precisas y verificables. El hecho de que ningún modelo haya superado los 54 puntos sugiere que la industria aún necesita resolver cuestiones fundamentales de calibración y honestidad epistémica antes de promover implementaciones críticas a gran escala.