Lo que debes saber: Gemini 4 Argon es un modelo de frontera de Google DeepMind para tareas prolongadas de programación, trabajo profesional y ciberdefensa. Artificial Analysis le asigna 53 puntos en su Intelligence Index, a la par de GPT-6 Astra, y registra una tasa de alucinación del 15% en su evaluación AA-Omniscience.
Gemini 4 Argon es el nuevo modelo de frontera que Google DeepMind presentó el 30 de septiembre de 2026. La compañía lo orienta a tareas que requieren razonamiento sostenido, como ingeniería de software, investigación empresarial y defensa cibernética. Su acceso inicial está limitado a defensores cibernéticos de confianza y a evaluadores seleccionados.
La evaluación independiente de Artificial Analysis coloca a Argon en una posición destacada: obtuvo 53 puntos en el Artificial Analysis Intelligence Index, el mismo resultado que GPT-6 Astra en la configuración máxima. La firma también midió una tasa de alucinación del 15% en AA-Omniscience, frente al 51% de GPT-6 Astra. Esos porcentajes describen el desempeño en una prueba concreta; no garantizan que el modelo vaya a acertar en cualquier consulta.
El lanzamiento combina resultados de benchmarks, una ventana ampliada de salida y capacidades de ciberseguridad. También plantea preguntas prácticas: cuánto cuesta usarlo, qué significa generar hasta un millón de tokens y cuándo estará disponible para el público. Las respuestas dependen de distinguir las pruebas de Artificial Analysis de las cifras y promesas que Google publica sobre su propio modelo.
En este artículo
¿Qué es Argon y qué lugar ocupa en Gemini 4?
Gemini 4 Argon es un modelo de Google DeepMind diseñado para resolver tareas complejas que pueden requerir muchos pasos y respuestas extensas. Google lo presenta como un modelo de frontera para flujos profesionales, incluidos programación, trabajo legal y financiero, y ciberdefensa.
La publicación de Google destaca usos internos de Argon en investigación cuántica, optimización de memoria y migraciones de código. La empresa afirma, por ejemplo, que equipos usaron agentes basados en Argon para trabajar en la migración de bibliotecas de C y C++ a Rust. También señala que esas modificaciones pasan por auditorías automatizadas y manuales, pruebas de emulación y revisión antes de llegar a producción.
Estos ejemplos ilustran lo que Google dice haber probado internamente. No equivalen a una evaluación independiente ni permiten asumir que cualquier usuario obtendrá los mismos resultados. La fuente tampoco publica detalles suficientes para reconstruir de forma completa la arquitectura del modelo, como su número de parámetros o el diseño de su entrenamiento. Por eso, describirlo como un sistema de razonamiento prolongado se apoya en el uso y las capacidades que la compañía declara, no en una especificación técnica exhaustiva.
Artificial Analysis lo compara con modelos anteriores de Google: Gemini 3.1 Pro Preview obtuvo 30 puntos y Gemini 3.8 Flash, 41, según los datos citados en su análisis. Argon alcanza 53 puntos en la misma escala del Intelligence Index. La diferencia sugiere una mejora amplia en esa evaluación, aunque la puntuación compuesta no explica por sí sola en qué tareas un modelo resulta más útil, rápido o económico.
Lo que si resulta cierto es la ventaja abismal entre Argon con su anterior hermano Gemini 3.5 Flash, un modelo presentado por Google por allá en el mes de mayo con capacidades para programar y que reseñamos también acá.
Benchmarks: Argon empata con GPT-6 Astra en el índice
Según Artificial Analysis, Gemini 4 Argon obtuvo 53 puntos en su Intelligence Index con razonamiento alto. GPT-6 Astra, en configuración máxima, registró también 53; GPT-6.1 Sol llegó a 52. En ese índice, Argon queda al nivel de GPT-6 Astra y un punto por encima de GPT-6.1 Sol.
El resultado es relevante para Google porque coloca a Argon entre los modelos con mejor puntuación de esa tabla. Artificial Analysis describe el resultado como el regreso de Google al grupo de los tres principales laboratorios por inteligencia medida. Esa formulación corresponde al ranking de la firma y a su metodología, no a una categoría universal que abarque todas las capacidades de IA.
Los benchmarks sirven para comparar modelos bajo condiciones definidas. No son una medida total de calidad: los resultados pueden cambiar según el tipo de tarea, el nivel de razonamiento habilitado, el uso de herramientas y la configuración de evaluación. Para elegir un modelo en producción, conviene revisar también latencia, límites, precio y desempeño en los datos y procesos propios.
Qué significa la tasa de alucinación del 15%
Artificial Analysis reporta que Argon tuvo una tasa de alucinación del 15% en AA-Omniscience, la más baja entre los modelos que superaron 45 puntos en su Intelligence Index. En la misma prueba, GPT-6 Astra registró 51% y GPT-6.1 Sol, 54%.
La cifra no significa que Argon sea infalible. La propia evaluación aporta contexto: Argon obtuvo 50% de precisión en AA-Omniscience, cinco puntos por debajo de Gemini 3.1 Pro Preview y 13 puntos por debajo de GPT-6 Astra, que alcanzó 63%. Artificial Analysis explica que Argon tiende más a reconocer que no sabe una respuesta que a ofrecer una respuesta incorrecta.
La diferencia entre “alucinar menos” y “acertar más” importa. Un sistema que se abstiene con frecuencia puede reducir afirmaciones falsas, pero eso no necesariamente lo convierte en el más preciso para todos los usos. En sectores como salud, finanzas o derecho, cualquier respuesta requiere verificación y controles adecuados al riesgo.
Un millón de tokens de salida y tareas de larga duración
Google afirma que amplió el límite de salida de Argon hasta un millón de tokens, frente a los 64.000 anteriores. Los tokens son unidades de texto que el modelo procesa o genera; no equivalen exactamente a palabras. El número real de palabras depende del idioma y del contenido.
Una salida de ese tamaño permitiría ejecutar trayectorias de razonamiento y producir respuestas muy extensas en una sola tarea, según Google. En la práctica, un límite alto puede ser útil para analizar repositorios grandes, generar informes extensos o mantener una tarea de múltiples pasos. No garantiza que el modelo use siempre todo ese espacio ni que una respuesta más larga sea mejor.
Artificial Analysis describe una función de API llamada Long Decode Continuation. La firma señala que permite pausar una respuesta larga y reanudarla mediante llamadas posteriores, con el objetivo de evitar que una sola solicitud exceda el tiempo límite. En sus pruebas, la función hizo posible continuar el razonamiento hasta el límite de un millón de tokens de salida.
Ese mecanismo cambia cómo se gestiona una generación larga: en vez de depender de una única solicitud que permanezca abierta, la aplicación puede continuar el proceso en varias llamadas. Los desarrolladores deberán considerar cómo guardar el estado entre llamadas, manejar errores y controlar el costo acumulado. Las fuentes enlazadas no ofrecen una guía técnica completa de implementación ni especifican todos los límites operativos de la función.
Desempeño en programación y automatización
En programación, Google destaca un resultado de 77,9% en DeepSWE v1.1, una evaluación de tareas de ingeniería de software de larga duración. Según la compañía, ese resultado establece un nuevo estado del arte en esa prueba. La cifra es un dato atribuido a Google y describe ese benchmark específico.
Artificial Analysis, por su parte, informa que Argon obtuvo 78% en AutomationBench-AA, donde ocupa el primer lugar de la medición que publica. En esa evaluación, Claude Sonnet 5.5 alcanzó 71%. Esta prueba no debe confundirse con AutomationBench de Zapier: la publicación de Google cita para esa evaluación un 51,3% y la describe como una medición de ejecución de tareas empresariales de principio a fin. Son evaluaciones distintas, por lo que sus porcentajes no se comparan directamente.
Artificial Analysis añade otros resultados de agentes. Argon obtuvo 57% en Terminal Bench 4, por detrás de Claude Sonnet 5.5, Claude Opus 5.5 y GPT-6 Astra, según la misma fuente. En AA-Briefcase alcanzó 1494 puntos Elo. El análisis también matiza su resultado en esta última prueba: la tasa de aprobación de rúbrica fue alta, mientras que las puntuaciones de calidad analítica y de presentación fueron menores.
En conjunto, los datos apuntan a un rendimiento competitivo en determinadas tareas agénticas y de software. Para un equipo de desarrollo, la pregunta decisiva no es solo si un modelo lidera una prueba, sino cuánto trabajo resuelve sin intervención, qué errores introduce y cuánto cuesta revisar sus cambios. El resultado de un benchmark puede orientar una prueba piloto, pero no reemplaza la evaluación en el entorno real de la organización.
Ciberdefensa: Fairwind y el parcheo de vulnerabilidades
Google afirma que entrenó Argon para ayudar a defensores cibernéticos a encontrar, validar y parchear vulnerabilidades de software. El acceso inicial se realiza mediante el programa Fairwind, que la compañía describe como una iniciativa para compartir capacidades con defensores de confianza. Google también indica que está participando en un proceso voluntario del gobierno de Estados Unidos para acceso previo al lanzamiento.
La compañía señala que Argon se ofrecerá sin ciertas barreras de ciberseguridad a defensores de confianza y equipos internos de Google. Esa modalidad está restringida a dichos grupos y no debe interpretarse como el comportamiento previsto para el acceso general. Google dice que antes de una disponibilidad más amplia está reforzando salvaguardas para prevenir usos maliciosos y monitorear acciones del modelo.
En CWE-bench v1, una evaluación de remediación de vulnerabilidades, Google informa que Argon empató en el primer puesto con una puntuación de 68%. La compañía también describe una prueba temprana con Wiz: según Google, Argon detectó una vulnerabilidad crítica que exponía información personal en software usado por hospitales. Es un caso reportado por Google; las fuentes enlazadas no presentan una revisión independiente de ese incidente.
El potencial de automatizar la búsqueda y corrección de fallos también exige supervisión. Un parche puede resolver una vulnerabilidad y, a la vez, afectar otras funciones del software. Por eso, Google menciona auditorías, pruebas y revisiones para cambios internos de gran escala. En un despliegue real, las organizaciones necesitan validar cada hallazgo, controlar qué sistemas puede modificar el agente y revisar los cambios antes de aplicarlos.
Gemini 4 Argon frente a GPT-6 Astra y Claude Sonnet 5.5
La siguiente tabla reúne únicamente cifras publicadas en las dos fuentes consultadas. “Sin dato” indica que esos enlaces no ofrecen una cifra comparable para esa columna; no implica que el modelo carezca de la capacidad.
| Modelo | Intelligence Index de AA | Tasa de alucinación | Límite de salida | Precio promocional por millón de tokens |
|---|---|---|---|---|
| Gemini 4 Argon | 53 | 15% en AA-Omniscience | Hasta 1 millón | $2 entrada / $10 salida |
| GPT-6 Astra (máximo) | 53 | 51% en AA-Omniscience | Sin dato en las fuentes consultadas | Sin dato comparable |
| Claude Sonnet 5.5 (máximo) | Sin dato en el artículo consultado | Sin dato en el artículo consultado | Sin dato en las fuentes consultadas | Sin dato comparable |
Los resultados de alucinación pertenecen a AA-Omniscience. No se deben leer como tasas generales para cualquier producto o situación. Del mismo modo, el precio de Argon es una tarifa promocional y no ofrece, por sí solo, una comparación de costo total para una carga de trabajo real.
Artificial Analysis calcula que Argon cuesta $1,99 por tarea del Intelligence Index con los precios promocionales, equivalente al 60% del costo por tarea de GPT-6 Astra en esa evaluación. El análisis atribuye esa diferencia a precios por token más bajos, no a un menor consumo: Argon promedió 62.000 tokens de salida por tarea, frente a 27.000 de GPT-6 Astra. Una empresa que compare modelos debe considerar tanto el precio unitario como el volumen de tokens que cada uno consume.
Precio, descuentos y disponibilidad de Argon
Google anunció un precio inicial de $2 por millón de tokens de entrada y $10 por millón de tokens de salida. Los tokens de entrada en caché reciben un descuento del 95% respecto al precio de entrada. Con la tarifa promocional, ese cálculo equivale a $0,10 por millón de tokens de entrada en caché.
Al terminar el periodo introductorio, Google aplicará los precios estándar: $4 por millón de tokens de entrada y $20 por millón de salida. Artificial Analysis indica que la promoción duraría al menos un mes, pero que Google no había confirmado una fecha de finalización al publicar su análisis. Por tanto, conviene comprobar las tarifas vigentes antes de calcular un presupuesto.
La disponibilidad también es gradual. Google comenzó con un grupo de defensores cibernéticos de confianza y evaluadores seleccionados. La compañía dijo que planeaba ampliar el acceso a clientes de API de pago y suscriptores de Google AI Ultra, después de reforzar sus salvaguardas. El anuncio no confirma que el acceso general ya esté abierto.
Para calcular el costo de una integración, el precio por millón de tokens es solo el punto de partida. También influyen la longitud de las entradas, la cantidad de tokens generados, el uso de caché y la frecuencia de reintentos o continuaciones. Long Decode Continuation puede repartir una respuesta extensa entre varias llamadas; las fuentes consultadas no detallan todos los posibles cargos asociados a ese patrón.
Preguntas frecuentes sobre Gemini 4 Argon
¿Qué es Gemini 4 Argon dentro de la familia Gemini?
Es un modelo de frontera de Google DeepMind dirigido a tareas complejas y prolongadas, con aplicaciones declaradas en programación, trabajo empresarial y ciberdefensa. Google inició su despliegue con usuarios de confianza antes de una disponibilidad más amplia.
¿Cómo se compara la tasa de alucinación de Argon con la de GPT-6 Astra?
Artificial Analysis midió 15% para Argon y 51% para GPT-6 Astra en AA-Omniscience. La prueba también registró una precisión menor para Argon que para GPT-6 Astra, así que una tasa de alucinación baja no equivale a acertar más respuestas en todos los casos.
¿Qué ventaja ofrece el límite de un millón de tokens de salida?
Permite que Argon genere respuestas mucho más largas y mantenga tareas extensas en una misma trayectoria, según Google. Artificial Analysis probó Long Decode Continuation para pausar y reanudar generaciones prolongadas mediante llamadas sucesivas a la API.
¿Cuánto cuesta usar Gemini 4 Argon en la API?
El precio introductorio anunciado es de $2 por millón de tokens de entrada y $10 por millón de salida. Google indicó que después aplicará tarifas estándar de $4 y $20, respectivamente. La fecha de fin de la promoción no estaba confirmada en las fuentes consultadas.
¿Argon ya está disponible para cualquier usuario?
No según el anuncio de Google y el análisis de Artificial Analysis consultados. El lanzamiento comenzó con defensores cibernéticos de confianza y evaluadores seleccionados; Google planeaba ampliar luego el acceso a clientes de API de pago y usuarios de Google AI Ultra.