Noticia Gemini 4 Argon: Google abre su IA para trabajo complejo

Gemini 4 Argon de Google


Google ha pasado de mantener Gemini 4 Argon en un círculo reducido a ponerlo en manos de más desarrolladores, empresas y suscriptores de pago. El movimiento llega después de que el modelo se presentara a finales de septiembre y de que su uso inicial quedara ligado al acceso restringido a Gemini 4 Argon, pensado para especialistas en ciberseguridad. Ahora, la compañía amplía el acceso a través de la API, la app de Gemini y el Modo IA, además de mantenerlo en Antigravity para determinados planes.

La propuesta no va de un chatbot más rápido ni de una versión menor. Argon se ha diseñado para trabajos largos y con varias etapas: programar, analizar finanzas, revisar cuestiones legales, buscar fallos de seguridad o apoyar investigación científica. Para ello combina razonamiento avanzado, análisis visual y uso de herramientas, una mezcla que Google quiere convertir en su baza frente a los modelos de OpenAI y Anthropic.

Disponibilidad: quién puede usarlo y desde dónde​


El despliegue no es uniforme. En la API de Gemini, el modelo aparece en el nivel de pago, junto a AI Studio y la plataforma Gemini. En Google Antigravity, sigue reservado a los suscriptores de Google AI Ultra, mientras que en la app de Gemini y en el Modo IA del buscador se ofrece a quienes tienen planes Google AI Pro y Ultra. La compañía también lo ha integrado en entornos para empresas y desarrolladores, aunque no está claro que vaya a llegar a corto plazo a los usuarios gratuitos.

Modelo Gemini 4 Argon


En la app de Gemini, los suscriptores ven ahora varias opciones en el selector, entre ellas 3.5 Flash-Lite, 3.8 Flash, 3.1 Pro y 4 Argon. También se ha añadido un interruptor para pasar de conversación a tareas, pensado para trabajos que requieren más de un intercambio. En Antigravity, AI Studio o Android Studio Canary, en cambio, Argon continúa siendo exclusivo de AI Ultra según los primeros despliegues.

El precio es otro de los puntos calientes. Google ha fijado una tarifa introductoria de 2 dólares por millón de tokens de entrada y 10 dólares por millón de salida, con un descuento del 95% para los tokens de entrada almacenados en caché. Tras la promoción, prevista para finales de noviembre, el coste subirá a 4 y 20 dólares respectivamente. Para startups y equipos que pagan inferencia en producción, esa diferencia importa tanto como las capacidades del modelo.

Razonamiento prolongado y un millón de tokens​


Una de las cifras que más se repite es la de un millón de tokens. En la API, ese límite se reparte entre entrada, razonamiento y salida, y Google ha añadido un mecanismo de continuación para completar trabajos especialmente extensos. En la práctica, esto permite generar artefactos largos, como código de varios archivos o documentos amplios, sin fragmentar la tarea en decenas de peticiones separadas.

Google sitúa a Argon en lo más alto de su catálogo para tareas de trabajo profundo. La compañía afirma que el modelo encabeza el Vals Index, una clasificación centrada en programación, finanzas, derecho y fiscalidad, con un 68,90%. En la prueba ERQA, sobre comprensión de problemas físicos y espaciales en entornos 3D, le atribuye un 87%. Son datos que la empresa presenta como aval, pero que conviene leer junto a evaluaciones independientes.

Ahí aparece Artificial Analysis, que otorga 53 puntos a la configuración High y lo coloca en octava posición de su índice general de capacidades. Es decir, el relato de Google es ambicioso, pero no todas las mediciones externas lo sitúan automáticamente en cabeza. La compañía también dice que Argon supera a rivales punteros en varias pruebas, aunque la disponibilidad y el coste real dependen del plan que tenga cada usuario.

Resultados internos: código, Chromium y centros de datos​


Los ejemplos internos son probablemente la parte más concreta del anuncio. En una prueba con el Agent Development Kit de Python, sobre un proyecto de unas 205.000 líneas, Argon trabajó durante once horas y propuso seis optimizaciones. Google descartó cuatro por riesgo o utilidad limitada y aplicó dos: una redujo cerca de un 40% el tiempo de preparación de sesiones largas en memoria y otra aceleró un 21% la importación del paquete.

Otro caso recurrente es libgav1, el decodificador de vídeo de código abierto de Google. Agentes basados en Argon reescribieron 32.000 líneas de código y lograron una versión segura para la memoria que, según la empresa, se ejecuta 2,7 veces más rápido. En paralelo, un equipo habría liberado cientos de terabytes de memoria en centros de datos tras analizar telemetría y aplicar ajustes de forma autónoma.

El equipo de Chrome también ha contado su experiencia. Argon habría ayudado a separar la gestión central de páginas web de una carpeta heredada de unos 6 millones de líneas dentro de Chromium, un proyecto que ronda los 40 millones de líneas. Lo que antes podía llevar meses se completó en semanas, según Google. A nivel agregado, la compañía sostiene que el uso de agentes en Antigravity aumentó más de un 35% las entregas de código y redujo casi un tercio las reversiones.

En el ámbito financiero, Kepler habría comprobado que Argon coincidía con los modelos de referencia de sus analistas en más del 99% de las cifras examinadas. En empresas, Google menciona clientes del programa de acceso anticipado como Deloitte, LexisNexis, Ambience Healthcare e Isomorphic Labs, que lo habrían usado para investigación profunda, síntesis documental y razonamiento sobre bases de código grandes.

Ciberseguridad, ciencia y robótica​


La ciberseguridad es uno de los campos donde Google quiere marcar diferencias. La compañía ha ampliado Fairwind a cientos de socios adicionales y asegura que Wiz utilizó Argon en su iniciativa Scan for Good para encadenar fallos complejos y corregir vulnerabilidades críticas. En un caso citado, el trabajo ayudó a proteger cientos de miles de historiales médicos privados. Eso sí, Wiz también emplea otras herramientas y especialistas humanos, por lo que el mérito no puede atribuirse solo al modelo.

En computación cuántica, Argon participó en la optimización de una versión interna de AlphaQubit, el sistema de corrección de errores de Google. La compañía afirma que se logró casi duplicar el rendimiento de inferencia de uno de sus componentes. En fusión nuclear, un equipo trabajó junto a un profesor de la Universidad de Maryland para encontrar nuevas soluciones matemáticas relacionadas con campos magnéticos de estelaradores, un terreno de investigación a largo plazo.

La biología también aparece en el anuncio. Según Google, Argon ayudó a diseñar cinco nuevas proteínas capaces de facilitar determinadas reacciones químicas, y los ensayos de laboratorio confirmaron actividad catalítica en todas ellas. Son resultados preliminares, pero encajan con la idea de que el modelo no se limita a escribir texto, sino que puede apoyar flujos científicos con verificación posterior.

La robótica es otro de los escaparates. En una prueba interna, Argon observó un vídeo sin editar de una persona jugando al cornhole, calculó coordenadas espaciales y generó de forma autónoma el código de simulación. Al transferirlo al robot humanoide Apollo de Apptronik, el sistema encestó siete tiros consecutivos en una prueba real. Google presenta este flujo, de vídeo a simulación y de simulación a realidad, como una forma de comprimir semanas de modelado en unas pocas horas.

Precios, competencia y letra pequeña​


El lanzamiento llega en un momento de presión de precios entre los grandes laboratorios. Google presenta a Argon como una alternativa más barata por token que modelos como GPT-6 Astra o Claude Opus 5.5, pero la propia compañía y varios analistas recuerdan que un precio por token bajo no garantiza un coste menor por tarea. Si un modelo necesita más intentos o genera respuestas más largas, la factura final puede cambiar.

La tarifa promocional de 2 y 10 dólares por millón de tokens, con el descuento del 95% en caché, está pensada para atraer a desarrolladores y empresas. Después, el precio se duplicará a 4 y 20 dólares. Para un equipo que ejecuta agentes en producción, la decisión no debería basarse solo en la marca, sino en medir tokens consumidos, latencia y tasa de éxito en tareas reales.

También hay que tener en cuenta que parte de los resultados más llamativos proceden de pruebas internas o de socios colaboradores. Google afirma que miles de ingenieros ya usan Argon a diario, pero no todas las evaluaciones independientes lo colocan en el primer puesto. Artificial Analysis, por ejemplo, lo sitúa en octavo lugar en su índice general, aunque en otras clasificaciones como Vals Index aparezca arriba. La imagen final es la de un modelo potente, pero no invencible ni exento de limitaciones.

Todo este movimiento deja una idea bastante clara: Google quiere recuperar terreno en la carrera de la IA avanzada con un modelo que prioriza tareas largas, especializadas y verificables, en lugar de limitarse a conversaciones rápidas. Su despliegue por capas, el precio agresivo y los ejemplos en código, ciencia y ciberseguridad apuntan a una estrategia para convencer a empresas y profesionales. Aun así, la clave estará en comprobar si ese rendimiento se mantiene cuando lo usen equipos reales, con datos reales y facturas reales.

Continúar leyendo...