Todas las noticias
Técnica

Gemini 4 Carbon lidera la prueba MathArena pero cuesta 15 veces más

Por JP Software ·

JP Software
Ilustración de la nota: Gemini 4 Carbon lidera la prueba MathArena pero cuesta 15 veces más
JP Software

Google colocó a Gemini 4 Carbon en el primer puesto de la prueba de razonamiento matemático MathArena el 10 de noviembre de 2026, desplazando a GPT-6.1 Sol de OpenAI. Quienes construyen aplicaciones analíticas o integran modelos de razonamiento avanzado cuentan ahora con una alternativa más precisa en cálculo, aunque con un salto considerable en costos de cómputo.

Datos clave

  • Gemini 4 Carbon de Google logró un rendimiento esperado de 85.4% ±3.0% con un costo estimado de 15.70 ±1.33 dólares.
  • Claude-Fable-5.2 de Anthropic ocupó el segundo lugar con 82.8% ±5.3% y un costo de 40.20 ±2.59 dólares.
  • GPT-6.1 Sol de OpenAI quedó en tercer lugar con 80.6% ±2.7% y un costo estimado de 1.07 ±0.018 dólares.
  • Kimi K3.1 Pro de Moonshot AI figuró como el mejor modelo abierto con 54.3% ±5.8% y un costo de 3.70 ±0.27 dólares.

Los tiempos de ejecución y la persistencia del modelo

El modo de fallo más recurrente de Gemini 4 Carbon en la evaluación fue exceder el límite de tiempo asignado. El sistema mostró una tendencia casi absoluta a no rendirse ante problemas complejos. Durante las mediciones, llegó a iniciar la ejecución de un script que continuó activo durante más de once horas continuas sin verificar su propio progreso.

En contraste con otros desarrollos de OpenAI que resolvieron ecuaciones complejas como las de Navier-Stokes pero siguen sin acceso público, Gemini 4 Carbon y Claude Fable 5.2 sí están disponibles para los desarrolladores. Sin embargo, con las configuraciones de razonamiento empleadas en las pruebas, Carbon resulta aproximadamente 15 veces más costoso que GPT-6.1 Sol, mientras que Fable 5.2 eleva esa diferencia a 40 veces.

Por qué te importa

Cuando desarrollas flujos de trabajo basados en agentes o resuelves problemas cuantitativos complejos, el porcentaje de éxito bruto no es la única métrica relevante. Una ganancia de menos de cinco puntos porcentuales frente a GPT-6.1 Sol implica multiplicar por quince el costo por llamada de inferencia y arriesgarte a bloqueos por tareas que corren sin límite de tiempo.

Para la arquitectura de tu producto, esto define dos rutas claras: reservar modelos como Gemini 4 Carbon o Claude Fable 5.2 como último recurso para problemas insolubles por vías tradicionales, o implementar barreras estrictas de tiempo y costo antes de permitirles iterar libremente en producción.

Comparte esta nota