El modelo de Google logra la mejor nota en MathArena, pero su ventaja llega con una factura muy superior a la de OpenAI.
No siempre gana quien más rinde sobre el papel. La última clasificación de MathArena coloca a Gemini 4 Carbon en cabeza, pero también reabre una discusión incómoda para el sector de la inteligencia artificial: cuánto cuesta realmente mejorar unos puntos en rendimiento. En un mercado cada vez más dominado por grandes tecnológicas, la eficiencia empieza a ser tan importante como el resultado.
Gemini 4 Carbon, el modelo de Google, se situó en el primer puesto del benchmark matemático MathArena con un rendimiento esperado del 85,4 % ± 3,0 %, según la clasificación difundida el 14 de noviembre de 2026 y recogida por DiarioBitcoin. El sistema desplazó a GPT-6.1 Sol, de OpenAI, que registró 80,6 % ± 2,7 %. Sin embargo, ese liderazgo llega acompañado de un dato difícil de ignorar: el coste esperado de las pruebas fue de 15,70 dólares, frente a apenas 1,07 dólares en el caso del modelo de OpenAI.
Gemini 4 Carbon rompe la racha de OpenAI en MathArena
El ascenso de Gemini 4 Carbon tiene un valor simbólico evidente. Según cita The Decoder, se trata del primer modelo ajeno a OpenAI que logra encabezar este benchmark matemático en bastante tiempo. En un sector donde la competición entre gigantes tecnológicos marca el ritmo de la innovación, el dato permite a Google reivindicar músculo técnico en una prueba seguida de cerca por desarrolladores, analistas e inversores.
Ahora bien, conviene no sobredimensionar el resultado. MathArena mide un conjunto concreto de tareas matemáticas. Eso significa que la clasificación no equivale a una evaluación global de todas las capacidades de un modelo. Resolver mejor ciertos problemas matemáticos no implica automáticamente dominar también programación, redacción, investigación o análisis general.
Además, los márgenes de incertidumbre obligan a leer los resultados con prudencia. Gemini 4 Carbon obtuvo 85,4 % ± 3,0 %, mientras que Claude Fable 5.2, de Anthropic, alcanzó 82,8 % ± 5,3 %. Esos intervalos se solapan, por lo que, aunque el ranking favorece a Gemini, no puede presentarse la distancia frente a Claude como una superioridad concluyente en todos los escenarios.
La gran pregunta: cuánto vale esa mejora en rendimiento
Donde la comparación se vuelve realmente relevante es en el terreno del coste. Y ahí el liderazgo de Gemini 4 Carbon pierde brillo. Según los datos publicados, su coste esperado fue de 15,70 dólares ± 1,33. En cambio, GPT-6.1 Sol se quedó en 1,07 dólares ± 0,018. La propia comparación resume esa brecha de manera contundente: el modelo de Google costó casi 15 veces más con los ajustes de razonamiento utilizados.
La distancia es todavía más llamativa si se amplía el foco. Claude Fable 5.2 quedó segundo en la clasificación de rendimiento, pero su coste esperado ascendió a 40,20 dólares ± 2,59. Es decir, en esta medición, usar Claude supuso un gasto de alrededor de 40 veces más que GPT-6.1 Sol.
En otras palabras, la tabla deja un mensaje incómodo para las grandes promesas comerciales de la IA: subir algunos puntos en rendimiento puede disparar el gasto de forma desproporcionada. Para empresas, desarrolladores y equipos que deben controlar presupuesto, ese detalle no es secundario. Es, de hecho, una parte esencial de la decisión.
Benchmark sí, pero con matices que no deben ocultarse
La comparación, no obstante, exige contexto. Los modelos no aparecen exactamente bajo la misma configuración operativa. Gemini 4 Carbon fue evaluado con razonamiento alto, mientras Claude Fable 5.2 y GPT-6.1 Sol figuran con ajuste máximo. Por eso, los costes publicados deben entenderse dentro de las condiciones concretas del benchmark, no como una tarifa universal para cualquier uso futuro o cliente.
Ese matiz es importante para evitar simplificaciones interesadas. Ni Google puede vender el primer puesto como una prueba total de superioridad, ni OpenAI puede presentar el menor coste como una victoria absoluta. Lo que sí queda claro es que MathArena refleja un dilema real entre potencia y eficiencia, una tensión cada vez más visible en la carrera por dominar la inteligencia artificial avanzada.
Desde una perspectiva práctica, el dato más útil quizá sea este: GPT-6.1 Sol se queda relativamente cerca en puntuación, pero con una factura muchísimo más baja. Para muchos usuarios, esa relación entre rendimiento y coste puede pesar más que un liderazgo estadístico en una clasificación concreta.
El problema operativo de Gemini: insistir hasta consumir recursos
La publicación también destaca un rasgo de comportamiento de Gemini 4 Carbon que merece atención. Su modo de fallo más frecuente en las pruebas no fue abandonar tareas, sino superar el límite de tiempo. Dicho de otro modo, el sistema tiende a persistir incluso cuando eso puede implicar un consumo elevado de recursos.
Según la información recogida, hubo un caso en el que Carbon lanzó un script que siguió ejecutándose durante más de 11 horas sin revisar su progreso. El episodio ilustra un riesgo operativo evidente: la perseverancia puede ser valiosa si finalmente resuelve el problema, pero también puede convertirse en una sangría de tiempo y coste si el proceso continúa sin control real sobre su avance.
En un contexto empresarial o técnico, este tipo de comportamiento no es anecdótico. Un modelo que insiste mucho puede parecer más robusto en determinadas tareas, pero también puede generar ineficiencias difíciles de justificar cuando el objetivo no es solo acertar, sino hacerlo con rapidez, supervisión y gasto razonable.
Claude y Kimi también dejan señales para el mercado
El cuadro comparativo no se limita al pulso entre Google y OpenAI. Claude Fable 5.2, de Anthropic, se colocó en segunda posición con 82,8 % ± 5,3 %, lo que confirma que sigue compitiendo en la élite de estos benchmarks. Sin embargo, su coste de 40,20 dólares lo sitúa como la opción más cara entre los principales contendientes.
Por su parte, Kimi K3.1 Pro, de Moonshot AI, fue identificado como el mejor modelo abierto de la comparación. Su rendimiento esperado fue de 54,3 % ± 5,8 % y su coste esperado llegó a 3,70 dólares ± 0,27. Está lejos de los líderes en puntuación, pero queda por debajo de Carbon y Claude en gasto.
Eso deja una lectura interesante: también en el terreno de los modelos abiertos se consolida una lógica conocida en tecnología. No siempre el sistema más accesible compite en la cúspide del rendimiento, pero sí puede ofrecer una alternativa razonable para determinados usos donde el presupuesto y la flexibilidad pesan más que la excelencia absoluta.
Qué dice realmente esta clasificación sobre la guerra de la IA
Más allá del titular fácil, la nueva tabla de MathArena no proclama un ganador indiscutible. Lo que muestra es algo más incómodo y más útil: en inteligencia artificial no basta con rendir más; hay que justificar el coste de hacerlo. Y en esa variable, GPT-6.1 Sol sale especialmente bien parado.
La publicación añade además una referencia a supuestos avances recientes de algunos modelos de OpenAI en ecuaciones exigentes como las de Navier-Stokes, aunque aclara que esos sistemas todavía no estaban disponibles públicamente. Por tanto, se trata de una afirmación que no permite equiparación directa con la clasificación abierta de MathArena.
Con los datos disponibles, la fotografía del sector queda así:
- Gemini 4 Carbon lidera el rendimiento esperado.
- GPT-6.1 Sol ofrece el coste más bajo entre los tres primeros.
- Claude Fable 5.2 combina buena puntuación con el mayor gasto.
- Kimi K3.1 Pro encabeza la categoría de modelos abiertos.
En definitiva, Gemini 4 Carbon puede presumir de encabezar MathArena, pero su victoria llega con una advertencia de fondo: la eficiencia sigue siendo el gran campo de batalla. En un mercado donde cada punto de rendimiento se traduce en más inversión, infraestructura y consumo, el debate ya no es solo quién gana, sino quién puede permitirse ganar así.


