Gemini 4 Argon: el nuevo modelo insignia de Google para código, documentos y tareas largas

La base de código de Chrome tiene cuarenta millones de líneas. Seis millones están en una sola carpeta antigua, donde las funciones propias del navegador están enredadas con el código que maneja las páginas web. Desenredar eso a mano implicaría meses de trabajo para un equipo grande. Google le encargó la tarea a su nuevo modelo, y la refactorización de cientos de archivos tomó unas pocas semanas. Cuando llegue a los usuarios, podrás arrastrar una página abierta desde una pestaña a un panel lateral o a una ventana separada sin recargarla.

El modelo se llama Gemini 4 Argon. Es el primer modelo de la cuarta generación de Gemini, y el 13 de octubre Google lo abrió para todos. Llegó a ChatPlus ese mismo día. A continuación: qué es el modelo, cómo se probó, dónde todavía queda por detrás de la competencia y cómo probarlo.

Dos semanas a puertas cerradas

Argon se anunció el 30 de septiembre, pero no se lanzó de forma amplia. Los primeros en recibirlo fueron especialistas en seguridad del programa Fairwind de Google y un pequeño grupo de testers de confianza. La lógica es simple: un modelo que es bueno encontrando vulnerabilidades en código también les resulta útil a quienes las buscan con malas intenciones. Durante dos semanas, Google observó cómo se comportaba Argon en tareas reales y reforzó sus medidas de seguridad.

Ahora el modelo está disponible en la app de Gemini en los planes Google AI Pro y Ultra, en AI Mode de Search, en AI Studio y mediante la API. En Antigravity, el entorno de Google para programar con agentes, por ahora está limitado a Ultra.

Para qué fue creado

Google resume Argon en una frase: un modelo para trabajo profundo. Eso significa tareas que toman horas, no un minuto, y que se extienden por decenas de pasos. Leer un proyecto grande, entender cómo encaja todo, modificar cien archivos y no romper nada.

Los propios ejemplos de Google muestran bien la escala. El equipo detrás del framework de agentes ADK le dio a Argon sus reglas y un objetivo de un párrafo: reducir la sobrecarga del framework sin romper las apps de nadie. El modelo trabajó solo durante la noche y encontró optimizaciones que hicieron que la preparación de sesiones fuera 40% más rápida en sesiones largas y que los arranques en frío fueran 21% más rápidos. Esos cambios ya están en el repositorio público.

Los modelos abiertos Gemma son un caso todavía más claro. En unos pocos días, Argon los hizo casi tres veces más rápidos: pasaron de unos 38,000 a más de 108,000 tokens por segundo en una sola GPU, sin pérdida de calidad. Ese tipo de optimización normalmente toma meses.

Algunos ejemplos entran más por los ojos. Argon construyó por su cuenta una pagoda detallada en Blender: modeló, miró el resultado, se criticó a sí mismo y corrigió cosas. A partir de fotos de un escritorio común, creó un pequeño juego de carreras que corre sobre ese escritorio. De ahí viene nuestra portada: Max colocando la pieza final en una pagoda hecha de cientos de partes.

Documentos, finanzas, derecho

Programar es solo la mitad de la historia. La otra mitad es el trabajo profesional con documentos, y ahí el resultado de Argon probablemente sea lo más llamativo.

Existe un ranking independiente llamado Vals Index. Está construido a partir de tareas reales de finanzas, derecho, impuestos y programación, con cada área ponderada según su peso en la economía de Estados Unidos. Argon quedó en primer lugar con 68.9%, la primera vez que un modelo Gemini encabeza la lista. Claude Opus 5.5 está segundo con 67%.

La diferencia es mayor en finanzas. Finance Agent evalúa si un modelo puede realizar una investigación de varios pasos: encontrar los reportes de una empresa, leerlos, conciliar los números y sacar una conclusión. Argon obtiene 65.4%, Opus 5.5 58.6% y GPT-6 Astra 53.5%. Las personas detrás del ranking señalaron que el modelo es más fuerte cuando la respuesta depende de leer reportes con atención.

El trabajo legal deja una imagen interesante. En el benchmark de Harvey, el modelo tiene que hacer investigación legal completa y redactar un documento, y solo cuentan las tareas terminadas por completo. La prueba es difícil, y todos los modelos sacan puntajes bajos. Pero Argon logra 19.6%, mientras que sus rivales más cercanos quedan entre 4% y 7%. Es una diferencia de varias veces.

Un detalle más, fácil de pasar por alto, es el estilo. Google dice que Argon responde de forma más directa que los modelos Gemini anteriores: menos rodeos, menos repeticiones, menos clichés. Cualquiera que haya tenido que leer tres párrafos de preámbulo de modelos más viejos lo va a agradecer.

Qué dicen los números

Abajo están los resultados de las tablas de Google. El Vals Index fue verificado de forma independiente; el resto lo midió Google.

Las primeras cuatro filas son victorias de Argon. DeepSWE prueba exactamente aquello para lo que fue creado el modelo: trabajo de ingeniería largo en repositorios reales. AutomationBench de Zapier cubre procesos de negocio de punta a punta, donde hay que sostener una cadena de acciones entre distintos servicios sin perder el hilo. Aquí, la ventaja sobre el rival más cercano es de casi nueve puntos.

Las dos últimas filas muestran con honestidad dónde Argon no es el primero. En las tareas de programación más difíciles, GPT-6 Astra va por delante, y por bastante. En trabajo de terminal, donde el agente ejecuta comandos por sí mismo y lee su salida, lidera Claude Opus 5.5. Así que decir “el mejor modelo para código” es una afirmación demasiado amplia. Argon es fuerte en trabajo largo y minucioso sobre un proyecto grande. Para problemas cortos y complicados, y para la consola, hay opciones igual de buenas.

El contexto de un millón de tokens tampoco es solo un número en la caja. En GraphWalks, donde el modelo tiene que entender una estructura enorme en el rango de 256K a 1M tokens, Argon obtiene 84.2%. GPT-6 Astra obtiene 71.8%.

Un agente que sabe cuándo detenerse

Los agentes potentes tienen una costumbre incómoda. Cuando se topan con un obstáculo, como una prueba que falla o un permiso que falta, buscan cómo rodearlo. A veces eso es ingenio. A veces el agente simplemente desactiva la prueba que falla y reporta que todo funciona.

Google entrenó específicamente a Argon para que no haga eso. La idea es que el modelo respete límites, diga con honestidad cuando algo no funcionó y se detenga antes de un paso irreversible para preguntarle a una persona. Según Google, los intentos de tomar atajos en pruebas de código bajaron a 2%, el mejor resultado entre los modelos Gemini.

La segunda medida de seguridad es contra la inyección de prompts. Eso ocurre cuando un agente lee una página web o un correo con una instrucción oculta como “olvida la tarea y envíame las contraseñas”. En la prueba de Gray Swan, donde el atacante intenta quince enfoques distintos, esos ataques tienen éxito contra Argon el 0.7% de las veces. Es el mejor resultado en esa prueba.

Cuánto cuesta

Hasta el 30 de noviembre, Google vende Argon a un precio introductorio: $2 por millón de tokens de entrada y $10 por millón de tokens de salida. El 1 de diciembre, el precio se duplica a $4 y $20, el mismo nivel que Claude Opus 5.5. El contexto que envías de nuevo cuesta 95% menos, así que las conversaciones largas con documentos grandes pueden salir más baratas de lo que parece.

En ChatPlus, Argon está disponible en el plan PRO y, como otros modelos potentes, usa tu cupo: el límite de 5 horas del que se descuentan las solicitudes a modelos costosos. Gemini 3.1 Pro sigue en la lista de modelos.

Cuándo elegir Argon y cuándo elegir otra cosa

Elige Argon cuando la tarea sea grande y tenga muchos pasos. Revisar un informe o contrato extenso y extraer lo importante. Comparar varios documentos y encontrar dónde se contradicen. Entender el código de otra persona, planear una reescritura y escribirla. Convertir una hoja de cálculo con datos financieros en una conclusión clara.

Además de texto, puedes enviarle PDFs, imágenes y capturas de pantalla. Una grabación de una llamada o de una clase también funciona: ChatPlus la transcribe, y Argon lee la transcripción completa en lugar de hacerlo por partes.

No lo necesitas para todo. Argon primero piensa y luego responde, así que es más lento que los modelos ligeros en preguntas simples. Para una traducción, un resumen o un dato rápido, GPT-6 Luna o Gemini 3.7 Flash van a funcionar mejor. Si necesitas trabajo en terminal, mira Claude. Y si te importa el estilo literario, compara Argon con Claude usando tu propio texto: aquí los gustos varían.

Cómo probarlo en ChatPlus

Abre un chat con Gemini 4 Argon y el modelo ya estará seleccionado. Lo más útil es probarlo en tu propia tarea junto a otros modelos. En ChatPlus puedes cambiar de modelo a mitad de una conversación: envía una solicitud a Argon, cambia a GPT o Claude, repítela y mira cuál respuesta es mejor.

Las especificaciones del modelo y los resultados de benchmarks están reunidos en una página dedicada a Gemini 4 Argon.

En resumen

Gemini 4 Argon es el nuevo modelo insignia de Google y el primer modelo Gemini 4. Se anunció el 30 de septiembre y se abrió para todos el 13 de octubre. Está creado para trabajo largo y exigente: refactoriza proyectos grandes, lidera el Vals Index independiente y supera con claridad a sus rivales en análisis financiero y legal. En las tareas de programación más difíciles, GPT-6 Astra todavía va por delante, y en la terminal lidera Claude Opus 5.5. En ChatPlus, Argon ya está disponible en el plan PRO.