Gemini 4 Carbon vs Gemini 4 Argon: ¿cómo elegir? 4 parámetros antiguos y 3 tipos de escenarios

Nota del autor: si ya usas gemini-4-argon, ¿merece la pena pasarte a gemini-4-carbon? Este artículo se basa en la guía para desarrolladores y la ficha del modelo de Google. Explica qué tienen en común los dos modelos, en qué se diferencian, qué 4 parámetros antiguos hay que limpiar al migrar y cuándo no conviene cambiar.

Primero, la conclusión: Gemini 4 Carbon y Gemini 4 Argon tienen el mismo precio de entrada, pero no conviene sustituir Argon por completo en el desarrollo de funcionalidades del día a día. La recomendación de la guía para desarrolladores de Google es seguir con Argon para la mayoría del trabajo de ingeniería de software y de conocimiento, y pasar a Carbon solo cuando la dificultad de la tarea llegue al límite. Que el precio unitario sea igual no significa que la factura sea igual: Carbon gasta más tokens de razonamiento y además es más lento.

Este no es un artículo del tipo «el modelo nuevo es más potente, así que cámbialo todo». El 10 de noviembre de 2026, el blog oficial de Google anunció que Gemini 4 Carbon se abría a los desarrolladores de pago, y ese mismo día el changelog de la Gemini API registró que gemini-4-carbon pasaba a GA. El registro de GA de Argon es del 5 de noviembre de 2026. Todos los resultados de benchmarks que cito aquí son datos autoinformados por Google o recogidos en su documentación, no experimentos comparativos de terceros.

Lo que te llevas: al terminar sabrás cuándo conviene cambiar de Gemini 4 Argon a Gemini 4 Carbon, qué 4 parámetros antiguos hay que eliminar al cambiar el nombre del modelo y en qué escenarios sale más a cuenta quedarse con Argon.

Gemini 4 Carbon frente a Gemini 4 Argon: primero, lo que tienen en común

Gemini 4 Carbon se basa en Gemini 4 Argon. Según la guía para desarrolladores, para pasar de gemini-4-argon a gemini-4-carbon basta con cambiar el nombre del modelo. Ambos usan el mismo thinking_level y la misma ventana compartida de 1M, así que las restricciones de migración son exactamente las mismas. Lo que realmente hay que decidir es si compensa gastar más tokens de razonamiento; adaptar la interfaz ni siquiera es un problema.

Elemento comparado	Gemini 4 Argon	Gemini 4 Carbon	¿Es igual?
ID del modelo	`gemini-4-argon`	`gemini-4-carbon`	Solo cambia el nombre
`thinking_level`	low / medium / high, por defecto medium	low / medium / high, por defecto medium	Igual
Ventana de contexto	1M compartido entre entrada, razonamiento y salida	1M compartido entre entrada, razonamiento y salida	Igual
Límite de salida síncrona por defecto	65,536 tokens	65,536 tokens	Igual
Método de caché	Caché implícita, 95 % de descuento en la entrada cacheada	Caché implícita, 95 % de descuento en la entrada cacheada	Igual
`temperature` / `top_p` / `top_k`	Se ignoran y se muestra una advertencia	Se ignoran y se muestra una advertencia	Igual
`thinking_budget`	Obsoleto	Obsoleto	Igual
Modalidades de entrada	Texto, imagen, audio, vídeo	Texto, imagen, audio, vídeo	Igual

Ventana y niveles de razonamiento en Gemini 4 Carbon y Argon

Los modelos de la generación anterior limitaban a 64K el conjunto de «razonamiento más respuesta». Tanto Carbon como Argon pasan a una ventana de 1M tokens compartida entre entrada, razonamiento y salida. Eso sí, hay que tener en cuenta que el límite de salida síncrona por defecto sigue siendo de 65,536 tokens. Si quieres una salida más larga, tienes que configurar background=True en la Interactions API y subir max_output_tokens por encima de 65536, dejando además margen suficiente para el razonamiento, para que la respuesta no se corte.

El uso de thinking_level es idéntico en ambos. La documentación recomienda high para el análisis de causa raíz en varios archivos, parches de seguridad, matemáticas formales y diseño de arquitectura en las primeras fases; medium es el equilibrio por defecto entre velocidad, coste y acertar a la primera; y low encaja bien en clasificación, enrutamiento y extracción puntual. Carbon solo produce texto, así que no sirve como modelo de generación de imágenes ni de vídeo.

Gemini 4 Carbon vs. Gemini 4 Argon: diferencias clave

La diferencia real entre los dos está en la «profundidad de razonamiento». Google lo deja claro en la guía para desarrolladores: Carbon usa más thinking tokens que Argon, explora todas las hipótesis y alarga los ciclos de verificación. Argon, en cambio, apuesta por un uso de tokens más ajustado y por interacciones más rápidas. Así que, con la misma indicación, Carbon puede salir más caro y tardar más por tarea.

Dimensión	Gemini 4 Argon	Gemini 4 Carbon	Ventaja
Posicionamiento oficial	La mayoría de tareas de ingeniería de software y trabajo del conocimiento	Problemas difíciles que empujan el límite de la inteligencia	Depende de la dificultad de la tarea
Uso de thinking tokens	Más ajustado	Mayor	Argon ahorra más
Velocidad de respuesta	Más rápido, pensado para uso interactivo	Con indicaciones difíciles puede tardar varios minutos	Argon es más rápido
Resultados en la model card	Línea base	Generalmente más altos en los puntos comparables	Carbon
Coste por tarea	Más controlable	Puede ser mayor con el mismo precio unitario	Argon
Especialización en ciberseguridad	No incluida	Las puntuaciones altas provienen de la vía Fairwind	Cambiar de nombre no lo desbloquea

Resultados de Gemini 4 Carbon vs. Argon en la model card

Los datos siguientes provienen de la model card de Gemini 4 Carbon, publicada en noviembre de 2026, con resultados a octubre de 2026, y son autoinformados por el fabricante. En Terminal-Bench 4.0, la casilla de Argon aparece impresa en la model card como «571%», que no es un porcentaje razonable; por eso en este artículo omitimos esa prueba y solo anotamos que Carbon obtiene un 65,2%.

Benchmark (autoinformado, a octubre de 2026)	Gemini 4 Carbon	Gemini 4 Argon	Lectura de la diferencia
AA Index v5.0	59	50	Ventaja clara en inteligencia general
GraphWalks 256k–1M BFS (F1)	96,2 %	84,2 %	Gran diferencia en recuperación con contexto largo
Terminal-Bench-Science 0.1	64,8 %	52,9 %	Ventaja en tareas científicas de terminal
RiemannBench	80,0 %	76,0 %	Ligera ventaja en razonamiento matemático
FrontierSWE 2	61,2 %	55,0 %	Ventaja en programación
SWE-sweep	9,6 %	4,3 %	Valores absolutos bajos en ambos
Agents’ Last Exam v1.1	77,4 %	69,0 %	Ventaja en tareas de agente
OSWorld-2.1 (subconjunto offline)	81,5 %	74,7 %	Ventaja sobre Argon en manejo del ordenador
Vals Index v2.2	70,4 %	69,2 %	Diferencia muy pequeña
Chartography	72,5 %	71,6 %	Diferencia muy pequeña

De la tabla se pueden sacar varias conclusiones. En GraphWalks (contexto largo), en las pruebas científicas y en la mayoría de las de programación, la ventaja de Carbon sobre Argon es bastante clara. En Vals Index y Chartography, en cambio, la diferencia ronda un punto porcentual, algo que en el trabajo diario del conocimiento quizá ni se note. Además, Carbon tampoco gana en todo dentro de esta misma tabla: en FrontierSWE 2 el mejor resultado es de GPT-6 Astra (65,5 %), y en OSWorld-2.1 el mejor es Claude Opus 5.5 (87,2 %).

Para el AA Index, en este artículo usamos de forma unificada el valor 59 citado en la model card, es decir, el AA Index v5.0 de octubre de 2026. En una página de terceros apareció otra cifra el 11-11-2026, pero la información de esa misma página es contradictoria, así que no la tomamos como valor confirmado.

Cómo interpretar las puntuaciones de ciberseguridad de Gemini 4 Carbon

En la ficha del modelo, los tres resultados de CWE-bench, ExploitGym y SEC-bench Pro corresponden al rendimiento a través del Fairwind Program. El comunicado del 28 de octubre también aclara que estos benchmarks se evaluaron sin barreras de protección. Las capacidades especializadas en ciberseguridad solo están disponibles para defensores verificados, mediante el Fairwind Program, y la API de pago no las incluye por defecto.

Dicho de otro modo, cambiar el nombre del modelo a gemini-4-carbon no te da automáticamente esas puntuaciones de seguridad, ni significa que estés usando la versión Cyber Permissive. En la tabla de precios oficial, además, Cyber Permissive no se beneficia del precio promocional; lo veremos con más detalle en la sección de precios.

Precios de Gemini 4 Carbon frente a Argon: misma tarifa no significa misma factura

Empecemos por los precios oficiales de Google. Según las páginas de precios de Google Cloud y AI Studio, consultadas el 2026-11-11, Carbon y Argon tienen exactamente la misma escala de precios. Hasta el 2026-11-30 inclusive, el precio global es de 2 USD de entrada, 0,10 USD de entrada en caché y 10 USD de salida por 1M de tokens. A partir del 2026-12-01 sube a 4 USD de entrada, 0,20 USD de caché y 20 USD de salida. El precio de salida incluye tanto la respuesta como la parte de razonamiento, así que cuantos más tokens de pensamiento, más alta la factura.

Concepto de facturación (USD / 1M tokens)	Gemini 4 Argon	Gemini 4 Carbon	Plataforma disponible
APIYI entrada	2	2	APIYI apiyi.com
APIYI salida	10	10	APIYI
APIYI lectura de caché	0.10	0.10	APIYI
APIYI grupos	default, svip	default, svip	APIYI
APIYI endpoints	gemini, openai	gemini, openai	APIYI
Precio global oficial (hasta 11-30)	2 / 0.10 / 10	2 / 0.10 / 10	Google oficial
Precio global oficial (desde 12-01)	4 / 0.20 / 20	4 / 0.20 / 20	Google oficial

Los datos de APIYI proceden de la interfaz de precios del 2026-11-11: gemini-4-carbon ya está publicado, su precio de lista coincide con el de gemini-4-argon, los multiplicadores de los grupos default y svip son 1, y admite tanto el endpoint nativo de gemini (/v1beta) como el compatible con OpenAI (/v1/chat/completions). Si la tabla general de la documentación que tienes abierta aún no muestra la fila de Carbon, guíate por la consola y la interfaz de precios; los modelos y precios vigentes son los de la lista de modelos de la plataforma. Los valores de la tabla son precios de lista por defecto, y el cobro real es el que aparece en la consola.

Con la misma tarifa, lo que decide la factura es el número de tokens. En el nivel high, Carbon explora más hipótesis y ejecuta bucles de verificación más largos, por lo que los tokens de pensamiento en la salida serán claramente más que en Argon. Por eso, al evaluar costes conviene comparar el «gasto total por tarea» y no fijarse solo en el precio por millón de tokens.

💰 Consejo de costes: si ya llamas a gemini-4-argon en tus proyectos desde APIYI apiyi.com, antes de cambiar el nombre comprueba en la lista de modelos que ambos ID siguen teniendo el mismo precio de lista. Después elige algunas indicaciones difíciles y representativas, ejecútalas con cada modelo y compara los tokens de salida de cada solicitud: así podrás estimar cómo cambiará tu factura real al cambiar de modelo.

Cómo pasar de Gemini 4 Argon a Gemini 4 Carbon

La migración en sí consiste en cambiar el nombre del modelo, pero conviene limpiar los parámetros heredados del código antiguo. Si no lo haces, los logs se llenarán de advertencias y el comportamiento de la generación no será el que esperas. Estos son los 4 parámetros antiguos que tienes que quitar al cambiar el nombre:

thinking_budget: está obsoleto y, si lo pasas, genera una advertencia. Usa thinking_level, que tiene tres niveles (low, medium y high); el valor por defecto es medium.
temperature: los valores personalizados se ignoran y generan una advertencia. Elimínalo y no cuentes con él para controlar la aleatoriedad.
top_p: también se ignora y genera una advertencia, así que elimínalo.
top_k: igual que los anteriores, se ignora y genera una advertencia. Elimínalo también.

Además, hay dos ajustes relacionados que, en rigor, no son parámetros de muestreo, pero que también suelen dar problemas:

Deja de crear o enviar cached_content de forma explícita: la caché implícita se activa automáticamente y las entradas en caché tienen un 95 % de descuento, así que puedes dar de baja el código de caché manual.
Aumenta el timeout del cliente: los prompts difíciles pueden tardar varios minutos en responder. La guía para desarrolladores recomienda un timeout de cliente de al menos 15 a 20 minutos, o bien usar background=True para ejecutar de forma asíncrona. Como Carbon piensa durante más tiempo, esto es aún más importante que con Argon.

Pasos para invocar Gemini 4 Carbon a través de APIYI

Si ya llamas a Argon mediante la interfaz compatible con OpenAI, el cambio es muy corto:

Mantén base_url en https://api.apiyi.com/v1 y no cambies la clave API.
Cambia el campo model de gemini-4-argon a gemini-4-carbon.
Elimina los 4 parámetros antiguos: temperature, top_p, top_k y thinking_budget. Conserva o añade thinking_level.
Elimina la lógica relacionada con cached_content explícito y sube el timeout del cliente a más de 15 minutos.
Haz un despliegue gradual con un lote de problemas difíciles reales, registra el número de tokens de salida y el tiempo de respuesta, y amplía el alcance cuando confirmes que compensa.

Si tu proyecto usa el protocolo nativo, en el endpoint de gemini (/v1beta) solo hay que cambiar igualmente el nombre del modelo; el resto de la limpieza es idéntico. Los dos modelos comparten la misma clave API, así que no hace falta activar nada por separado.

🚀 Inicio rápido: te recomendamos hacer primero las pruebas graduales en APIYI (apiyi.com) con el crédito gratuito para usuarios nuevos. Con la misma clave puedes llamar a Argon y a Carbon a la vez, lo que te permite repartir el tráfico según el tipo de tarea en lugar de cambiar de modelo de golpe.

Recomendaciones de Gemini 4 Carbon frente a Argon según el escenario

Google lo dice sin rodeos en su publicación oficial: si Argon encaja bien con las tareas complejas, Carbon es el modelo que usas para los problemas más difíciles. Llevado a casos concretos, la división sería esta:

Cuándo elegir Gemini 4 Carbon

Ingeniería de largo recorrido con muchos pasos: depuración compleja que abarca varios archivos, diseño y auditoría de arquitectura, donde el modelo tiene que sostener bucles de verificación durante mucho tiempo.
Recuperación en contextos ultralargos: cuando el material se acerca a la ventana de 1M y hay que recorrer grafos o razonar entre párrafos distantes. La brecha en GraphWalks es lo que mejor lo ilustra.
Ciencia y matemática formal: investigación científica abierta y demostraciones formales. Tanto Terminal-Bench-Science como RiemannBench favorecen a Carbon.
Síntesis de alta precisión: análisis de material financiero o legal, donde conviene ir más despacio con tal de equivocarse menos.
El «cerebro» en la orquestación de agentes: para la función /swarm de la vista previa de Antigravity, la recomendación oficial es poner a Carbon en los roles de arquitectura, coordinación y auditoría, y dejar los fragmentos de implementación en paralelo a gemini-4-argon o gemini-3.8-flash.

Cuándo quedarse con Gemini 4 Argon

Desarrollo diario de funcionalidades: escribir endpoints, modificar páginas, completar pruebas. La calidad de Argon es más que suficiente y es más rápido.
Programación interactiva: autocompletado dentro del IDE y cambios de código por conversación. Los minutos de espera de Carbon te rompen el ritmo.
Trabajo de conocimiento y procesamiento de documentos: resumir, reescribir, responder preguntas. En Vals Index la diferencia entre ambos es de solo 1 punto porcentual aproximadamente.
Clasificación, enrutamiento y extracción: son tareas para el nivel low de siempre, y cambiar a Carbon aporta poco.
Tareas por lotes sensibles al costo por tarea: con el mismo precio unitario, Argon gasta menos tokens y la factura es más fácil de controlar.

En estos casos, no mires solo a Gemini 4 Carbon

Según la ficha del modelo, en el subconjunto offline de OSWorld-2.1, que mide el manejo del ordenador, Claude Opus 5.5 queda primero con un 87,2 %. En FrontierSWE 2, con repositorios públicos, GPT-6 Astra tiene la puntuación más alta con un 65,5 %. En SWE-sweep, Carbon (9,6 %) y Astra (9,5 %) quedan prácticamente empatados, con una diferencia dentro del margen de error. Y para la defensa en ciberseguridad, lo que corresponde es solicitar acceso a través de Fairwind, no esperar a conseguirlo cambiando el nombre del modelo.

Recomendaciones de decisión: Gemini 4 Carbon vs. Argon

Resumamos todo lo anterior en un flujo de decisión: primero pregúntate si la tarea es de las que «Argon ya no resuelve bien». Si Argon te entrega resultados estables en tu caso, sigue usándolo. Solo cuando Argon falle de forma repetida en razonamientos de varios pasos, se le escape información en contextos largos o no verifique lo suficiente, conviene enrutar ese tipo de solicitudes a Carbon.

Lo más práctico es repartir las tareas en lugar de reemplazarlo todo. Por ejemplo, en el código puedes elegir el nombre del modelo según el tipo de tarea: por defecto, las solicitudes del día a día usan gemini-4-argon, y solo las que se marquen como «revisión de arquitectura», «búsqueda de causa raíz» o «síntesis de documentos largos» van a gemini-4-carbon con el nivel high. Así aprovechas el techo de rendimiento de Carbon sin que los tokens de razonamiento disparen la factura cotidiana.

También hay que tener en cuenta la ventana de tiempo: el precio promocional oficial llega hasta el 2026-11-30, y a partir del 12-01 los precios oficiales de ambos modelos se duplican a la vez. Como los precios de los dos siempre son iguales, este ajuste no cambia la decisión de cuál usar; solo amplía la diferencia en la factura que genera el gasto extra de tokens de razonamiento de Carbon.

💡 Recomendación: elegir un modelo depende de la dificultad de la tarea, no de que «lo nuevo siempre sea mejor». Te sugerimos llamar a ambos modelos con el mismo conjunto de indicaciones a través de APIYI (apiyi.com), comparar la tasa de éxito, el tiempo de respuesta y los tokens de salida, y luego decidir qué tareas merecen pasar a Carbon.

Preguntas frecuentes (FAQ)

Q1: ¿Qué es Gemini 4 Carbon y qué relación tiene con Argon?

Gemini 4 Carbon es, según la comunicación actual de Google, el modelo Gemini más potente. Su ID de modelo es `gemini-4-carbon` y está basado en Gemini 4 Argon. Comparte con Argon la misma interfaz, el mismo `thinking_level` y una ventana compartida de 1M. La diferencia es que gasta más tokens de razonamiento para resolver tareas de largo recorrido más difíciles.

Q2: Si el precio unitario de Gemini 4 Carbon es igual al de Argon, ¿por qué la factura sale más alta?

Porque el precio de salida incluye la parte de razonamiento, y Google indica expresamente que Carbon usa más tokens de razonamiento que Argon. Para una misma tarea, Carbon genera más tokens, así que el gasto total por tarea es mayor. Al comparar costes hay que mirar el gasto total por tarea, no solo el precio por millón de tokens.

Q3: ¿Cuándo se abrió Gemini 4 Carbon?

El 28-10-2026 Google presentó Carbon por primera vez, y en ese momento solo estaba disponible para algunos equipos de defensa en ciberseguridad. El 10-11-2026 se anunció oficialmente su apertura a desarrolladores de pago, empresas, científicos y consumidores, y el changelog de la Gemini API registró la disponibilidad general (GA) ese mismo día. Para consumidores se necesita Google AI Ultra; Google no ha dado fecha de cuándo estará disponible para usuarios gratuitos o de planes inferiores.

Q4: ¿Qué hay que cambiar en el código para pasar de Argon a Carbon?

Cambia el nombre del modelo a `gemini-4-carbon` y elimina los 4 parámetros antiguos: `thinking_budget`, `temperature`, `top_p` y `top_k`. Además, ya no hay que pasar `cached_content` de forma explícita, y conviene subir el timeout del cliente a entre 15 y 20 minutos, o bien usar `background=True`.

Q5: ¿Cómo invoco Gemini 4 Carbon rápidamente a través de la API?

Puedes probar ambos modelos con una sola clave:

1. Regístrate en APIYI (apiyi.com) y obtén tu clave API; los usuarios nuevos reciben crédito gratuito para pruebas.
2. Configura `base_url` con el endpoint compatible con OpenAI y pon `gemini-4-carbon` en `model`.
3. Lanza el mismo conjunto de indicaciones contra `gemini-4-argon` y compara resultados y consumo de tokens.

Ambos modelos admiten tanto el endpoint nativo de Gemini como el compatible con OpenAI.

Q6: ¿Qué limitaciones conocidas tiene Gemini 4 Carbon?

La ficha del modelo menciona estas limitaciones: sigue habiendo alucinaciones, como en cualquier modelo base; la resistencia al jailbreak todavía se está reforzando; a veces va más lento o da timeout; y los niveles de razonamiento más altos consumen más tokens. El corte de conocimiento es marzo de 2026, y en algunos ámbitos puede ser anterior. Si te topas con timeouts, usa `background=True`, y para las tareas del día a día vuelve a Argon.

Q7: ¿Cambiarme a Gemini 4 Carbon me da acceso a las capacidades especializadas en ciberseguridad?

No. Las altas puntuaciones en ciberseguridad de la ficha del modelo provienen de la vía del Fairwind Program, dirigida a equipos de defensa verificados. La API de pago, por defecto, no equivale a Cyber Permissive, y para este último tampoco se aplica el precio promocional del sitio oficial.

Gemini 4 Carbon frente a Argon: puntos clave

Misma interfaz, mismo precio unitario: para migrar basta con cambiar el nombre del modelo. thinking_level y la ventana compartida de 1M son exactamente iguales.
Mismo precio unitario, factura distinta: Carbon genera más tokens de razonamiento y es más lento, así que el costo por tarea puede salir más alto.
Quédate en Argon por defecto: para desarrollo diario, programación interactiva y trabajo con conocimiento, Argon es más rápido y más económico.
Cambia a Carbon solo para lo difícil: ingeniería de largo recorrido, contextos larguísimos, razonamiento científico y síntesis de alta precisión justifican el salto.
Limpia 4 parámetros heredados: elimina thinking_budget, temperature, top_p y top_k, y aumenta el tiempo de espera.
Las puntuaciones de seguridad no se heredan con el cambio de nombre: las capacidades específicas de ciberseguridad van por Fairwind, que es distinto de la API de pago por defecto.
Primero reparte, luego mejora: compara los dos modelos con la misma clave API y enruta según el tipo de tarea.

Resumen

Conclusiones principales de Gemini 4 Carbon frente a Gemini 4 Argon:

Las similitudes superan con mucho a las diferencias: basta con sustituir el ID del modelo. Los niveles, la ventana, el descuento de caché y los parámetros ignorados son los mismos.
La diferencia está en la profundidad de razonamiento: en la mayoría de los apartados comparables de la ficha del modelo, Carbon supera a Argon, a cambio de más tokens de razonamiento y esperas más largas.
Repartir las tareas es lo que más compensa: deja las tareas del día a día en Argon y pasa a Carbon solo los problemas de largo recorrido que llegan al límite.

Si ya usas gemini-4-argon, no necesitas migrar todo: basta con elegir la parte más difícil de tus solicitudes y hacer un despliegue gradual. Te recomendamos usar APIYI (apiyi.com) para comparar ambos modelos con la misma clave y medir la tasa de éxito y el consumo de tokens. Con datos reales podrás decidir qué tareas merecen la mejora.

📚 Referencias

Blog oficial de Google – Anuncio de disponibilidad de Gemini 4 Carbon: abierto a desarrolladores de pago desde el 2026-11-10
Enlace: blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available
Descripción: fuente directa sobre el alcance y los canales de disponibilidad
Google AI Studio – Guía para desarrolladores de Gemini 4 Carbon: notas de migración y recomendaciones de selección
Enlace: aistudio.google.com/learn/gemini-4-carbon-developer-guide
Descripción: de aquí salen thinking_level, la ventana de 1M, los parámetros obsoletos y las recomendaciones de timeout
Google DeepMind – Ficha del modelo Gemini 4 Carbon: resultados de benchmarks autoinformados y limitaciones conocidas
Enlace: deepmind.google/models/model-cards/gemini-4-carbon/
Descripción: fuente de los datos de la tabla de benchmarks de este artículo, con resultados a octubre de 2026
Google Cloud – Página de precios de modelos: escalones de precios oficiales de Carbon y Argon
Enlace: cloud.google.com/model-garden/pricing
Descripción: precio promocional hasta el 30-11 y nuevos precios a partir del 01-12
Gemini API Changelog: registro de fechas de GA
Enlace: aistudio.google.com/docs/changelog
Descripción: Carbon pasó a GA el 2026-11-10 y Argon el 2026-11-05

Autor: Equipo técnico de APIYI
Intercambio técnico: si tienes dudas sobre selección de modelos o migración, escríbenos desde la página principal de APIYI. Las instrucciones de integración de Argon están en docs.apiyi.com/models/gemini-4-argon