El modelo que quedó primero cuesta 178 veces más que el más barato
Cuando Google DeepMind y Artificial Analysis lanzaron el benchmark Multimodal Knowledge Agent el 10 de noviembre, el texto de Google situó a Gemini 4 Carbon en segundo lugar y no nombró al modelo que tenía encima. La clasificación pública sí lo hace. La tabla MKA de Artificial Analysis la encabeza Claude Fable 5.2 de Anthropic en su configuración Max, con una tasa ponderada de satisfacción Climb del 57%.
Gemini 4 Carbon en su ajuste alto es segundo con el 54%, y Claude Opus 5.5 en configuración Max es tercero con el 53%. Veintidós de los veintitrés modelos evaluados aparecen en el gráfico.

Tres puntos, y una factura cinco veces mayor
La clasificación está apretada. La columna de costes no.
Artificial Analysis sitúa a Claude Fable 5.2 en una media de 31,97 dólares por tarea. Gemini 4 Carbon, tres puntos por detrás, sale a 6,29 dólares por tarea: aproximadamente una quinta parte del precio por un resultado dentro del margen que la mayoría de las clasificaciones llamaría ruido. GPT-6.1 Sol cuesta 1,11 dólares por tarea, lo que según Artificial Analysis hace al modelo líder unas 29 veces más caro.
En el otro extremo de la tabla, GPT-6 Luna en configuración Max completa una tarea por 0,18 dólares, con Claude Haiku 5.5 y MiMo-V2.6-Pro ambos a 0,32. El líder cuesta unas 178 veces lo que la entrada más barata.
Esa horquilla es el hallazgo. En un benchmark construido para aproximar el trabajo del conocimiento remunerado, la mejor puntuación disponible se puede comprar, pero el sobreprecio frente a un resultado tres puntos inferior no es un redondeo en un presupuesto de compras.

Qué pide realmente el benchmark
MKA es un conjunto privado de 200 tareas repartidas en 10 sectores industriales. Entrega al agente archivos profesionales visualmente densos —planos arquitectónicos, esquemas de ingeniería, imágenes clínicas— y le pide un entregable: un informe, una hoja de cálculo, una presentación, un plano anotado.
Las entregas se califican frente a rúbricas de expertos mediante un evaluador automático agéntico que, según Artificial Analysis, es GPT-6 Luna en su ajuste medio. Las tareas se ejecutan en un entorno que Artificial Analysis llama Stirrup. La tasa ponderada de satisfacción Climb es la proporción ponderada de los criterios más difíciles de la rúbrica que una tarea satisface, promediada entre tareas.
Dos advertencias acompañan a las cifras. El benchmark fue codiseñado por Google DeepMind, uno de los proveedores cuyos modelos clasifica, y el corrector es un modelo de OpenAI, otro de ellos. Ninguno de los dos hechos invalida la tabla, pero ambos deben figurar junto a ella.
Dónde queda el modelo más nuevo de Google
El anuncio de Gemini 4 Hydrogen del 12 de noviembre sitúa al nuevo modelo en el 53,4% en MKA, lo que lo dejaría por debajo tanto de Carbon como de las entradas de Anthropic en la cabeza. Google no publicó ninguna cifra de coste de Hydrogen en este benchmark.
Lo que hay que vigilar es si la columna de costes empieza a moverse más rápido que la de puntuación. Una diferencia de tres puntos que cuesta cinco veces más es una pregunta sobre precios, no sobre capacidad, y los precios son lo más fácil de cambiar de los dos.