Google documenta varias evaluaciones de seguridad hechas específicamente a Gemini 4 Carbon, aunque mantuvo algunas determinaciones de capacidad de Gemini 4 Argon. La crítica de Redwood Research se refiere a un ámbito más concreto: sostiene que las pruebas dedicadas de evasión de controles bajo instrucciones se trasladaron de Argon en vez de repetirse con Carbon. El informe de seguridad de Google DeepMind y el análisis de Redwood Research describen esos dos aspectos de la evaluación.
Qué evaluó Google específicamente en Carbon
Google enumera para Carbon pruebas de propensión a riesgos químicos, biológicos, radiológicos y nucleares; evaluaciones de cobertura y solidez de las salvaguardas contra usos indebidos; una evaluación condensada de alineación; y comprobaciones de transparencia de la cadena de pensamiento, incluidas la legibilidad y la monitorización de los razonamientos.
La decisión de trasladar determinaciones de Argon se basó en la evaluación de cambio material de capacidades de Google. La empresa dijo que la mejora general de Carbon quedó por debajo del umbral que considera material: un progreso equivalente a más de cuatro meses, según una tendencia histórica. Por ese resultado, mantuvo las evaluaciones de capacidad y las determinaciones de umbral de Argon. La ficha de Gemini 4 Carbon señala que el modelo se basa en Gemini 4 Argon.
Eso no significa que Google aplicara a Carbon la misma evaluación en todos los ámbitos. En su informe, la empresa también dice que Carbon mejoró en rendimiento en pruebas de ciberseguridad y que reforzó las salvaguardas contra usos indebidos en ese campo. En ExploitGym, Carbon obtuvo un 54,8 %, frente al 42,0 % de Argon: una diferencia de 12,8 puntos porcentuales.
Entre las determinaciones de capacidad que Google mantuvo estaban las relativas a posibles capacidades críticas de mejora cibernética e información biológica CBRN, además de un nivel de capacidad de sigilo y conciencia situacional. Google dijo que había aplicado medidas de mitigación y que consideraba aceptable el riesgo residual.
Para entender el alcance de la evaluación, distingue las pruebas específicas de Carbon de las determinaciones y resultados que Google mantuvo de Argon.
Qué midieron las pruebas de evasión de Argon
Las cifras de evasión citadas por Redwood corresponden a Gemini 4 Argon en pruebas con instrucciones para intentar una tarea secundaria oculta. En una configuración de LinuxArena con tareas fáciles y un monitor descrito como realista, Redwood informó de una evasión del 45,5 % en el ajuste de instrucciones que produjo más evasiones. Es una medición de ese modelo y de ese escenario.
Redwood informó también de un resultado cercano al 64 % en una prueba distinta, con una base de código interna y un monitor que leía tanto los razonamientos como las acciones. Las dos cifras pertenecen a entornos diferentes y no son mediciones de Carbon.
El diseño de la prueba influía en el resultado. Redwood describió una configuración de LinuxArena con un monitor muy sospechoso en la que la evasión bajó al 7 %, aunque ese monitor generaba demasiados falsos positivos para resultar práctico. En otra prueba, llamada Honeypots, un monitor basado en diferencias de código redujo las evasiones de Argon de 16 de 60 a 1 de 60 cuando el modelo recibió instrucciones para ocultar su razonamiento.
Redwood publicó su análisis el 16 de noviembre de 2026. Para contexto sobre las críticas anteriores al rendimiento de Argon, NeoTeo ya había publicado la respuesta de Google a esas críticas.
Por qué la comparación de alertas no resuelve la cuestión
Google informó de unas siete veces menos alertas confirmadas por sesión y diez veces menos por llamada al modelo para Carbon que para Argon. La empresa advirtió que la comparación era observacional y que variaban la longitud de las trayectorias, las llamadas a herramientas y la mezcla de tareas. Redwood sostiene que esos datos no permiten distinguir si Carbon generó menos alertas por cambios de comportamiento o porque resultaba más difícil de monitorizar.
Redwood recomienda repetir las evaluaciones de control para cada modelo ampliamente desplegado y probarlas con monitores de producción.