Google vuelve a la carrera de la IA: lo que realmente revelan las pruebas de rendimiento de Gemini 4 Argon
Gemini 4 Argon lidera 13 de las 18 pruebas de rendimiento, ofrece un contexto de un millón de tokens y supera a sus rivales en precio. A continuación, te contamos en qué aspectos destaca, en cuáles aún se queda atrás y qué novedades aporta.
El 13 de octubre de 2026, Google DeepMind lanzó a nivel mundial Gemini 4 Argon: el primer modelo de la generación Gemini 4 y la primera vez en mucho tiempo que Google se ha colado en una tabla de comparativas y ha acabado ocupando la mayoría de los primeros puestos. Llevaba en versión limitada desde el 30 de septiembre, fecha en la que un pequeño grupo de equipos de ciberseguridad seleccionados tuvo acceso anticipado. Ahora está disponible en la API de Gemini, en AI Studio, en la aplicación Gemini y en el entorno de programación Antigravity de Google.
La pregunta que todo el mundo se hace sobre un nuevo modelo de la gama Frontier es sencilla: ¿es realmente mejor o solo obtiene mejores resultados en las pruebas de rendimiento elegidas por el fabricante? A continuación se muestra lo que ha publicado Google, lo que aportan los análisis independientes y en qué aspectos Argon sigue quedando por detrás.
¿Qué es el argón?
Google describe Argon como un transformador de «mezcla de expertos» grande y disperso, multimodal de forma nativa, y que, explícitamente, no es un ajuste fino de un Gemini anterior. Se entrenó haciendo un uso intensivo del aprendizaje por refuerzo, y su principal novedad técnica es una única ventana de contexto de un millón de tokens compartida entre la entrada, el razonamiento y la salida. Solo la salida puede alcanzar el millón de tokens, frente al límite máximo de 64 000 tokens de la generación anterior. En términos sencillos: puede leer un código fuente completo, razonar durante mucho tiempo y escribir una respuesta muy larga, todo ello en una sola llamada.
La fecha límite para la información es marzo de 2026, y en la ficha del modelo de Google se indican las limitaciones habituales, entre ellas las «alucinaciones».
Las cifras, una al lado de la otra
La ficha técnica de Google compara Argon con el GPT-6 Astra de OpenAI y el Claude Opus 5.5 de Anthropic en 18 pruebas de rendimiento. Argon lidera o empata en 13 de ellas. Estas son las que destaca Google, con las puntuaciones tal y como se han publicado:
| Categoría | Referencia | Gemini 4 Argón | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|
| Trabajo intelectual | Índice de Vals | 68,9 % | 63,1 % | 67,0 % |
| Trabajo intelectual | AutomationBench | 51,3 % | 41,4 % | 42,5 % |
| Trabajo intelectual | Vals Finance Agent v2 | 65,4 % | 53,5 % | 58,6 % |
| Trabajo intelectual | El representante legal de Harvey | 19,6 % | 5,4 % | 3,8 % |
| Codificación agencial | DeepSWE v1.1 | 77,9 % | 74,1 % | 74,2 % |
| Codificación agencial | Banco Vibe Code | 91,9 % | 89,6 % | 90,3 % |
| Ciencias / matemáticas | LABBench 2 | 88,8 % | 85,4 % | 73,1 % |
| Ciencias / matemáticas | RiemannBench | 76,0 % | 72,0 % | 69,6 % |
| Contexto extenso | GraphWalks (256k–1M) | 84,2 % | 71,8 % | 66,8 % |
| Multimodal | LVBench (vídeo largo) | 91,7 % | 87,5 % | 83,7 % |
| Ciberseguridad | CWE-bench v1 | 68,0 % | 68,0 % | 67,0 % |
Ámbitos en los que Argon destaca claramente
Destacan tres resultados. En el banco de pruebas «Harvey’s Legal Agent», que evalúa el trabajo jurídico real en lugar de trivialidades, Argon obtiene una puntuación del 19,6 %, frente al 5,4 % y el 3,8 % de sus rivales. Se trata de un nivel completamente distinto, no de una ventaja insignificante. En GraphWalks, que evalúa el razonamiento sobre material repartido en cientos de miles de tokens, el 84,2 % de Argon frente al 71,8 % y el 66,8 % es la prueba más clara de que el contexto unificado de un millón de tokens está dando resultados reales. Y en AutomationBench, una prueba que evalúa tareas empresariales de varios pasos, Argon está aproximadamente diez puntos por delante de ambos.
En la codificación agencial, el campo en el que Google más desea imponerse, la ventaja es real, aunque escasa: un 77,9 % en DeepSWE v1.1 frente a un 74,1 % y un 74,2 %. Google también da a conocer resultados internos, entre los que destaca la sustitución de 32 000 líneas de código SIMD escrito a mano en su decodificador de vídeo libgav1 por una versión segura para la memoria que funciona 2,7 veces más rápido.
En qué aspectos sigue estando por detrás
La propia expresión de Google es que Argon «no necesita arrasar», lo cual es una forma sincera de decir que no lo ha conseguido. En FrontierSWE v2, Argon obtiene un 55,0 % frente al 65,5 % de GPT-6 Astra. En Terminal-Bench Science queda por detrás de Astra, con un 57,6 % frente a un 68,1 %, y en Terminal-Bench 4.0, por detrás de Claude Opus 5.5, con un 57,4 % frente a un 66,4 %. En PostTrainBench, Opus 5.5 lidera con un 49,3 % frente al 45,3 %. La tendencia es constante: cuanto más larga y con mayor uso de la terminal es la tarea de ingeniería, más mantienen su ventaja los otros dos.
Así pues, la conclusión sincera no es que «Google gane». Es la siguiente: Argon es, a día de hoy, el mejor modelo para documentos extensos, asuntos jurídicos, finanzas y tareas de automatización; es competitivo en la programación cotidiana, pero sigue estando por detrás en las tareas prácticas de software más complejas.
Argon no necesita un cambio radical. La elección del modelo sigue dependiendo de la carga de trabajo.
— Google DeepMind, sobre el lanzamiento del Gemini 4 Argon
Precio: el factor que influirá en el mercado
El precio de lanzamiento es de 2 dólares por cada millón de tokens de entrada y de 10 dólares por cada millón de tokens de salida, con un coste de 0,10 dólares por la entrada almacenada en caché. Esto supone una quinta parte del precio de catálogo de GPT-6 Astra (10/50 dólares) y la mitad del de Claude Opus 5.5 (4/20 dólares). Google ha indicado que la tarifa se duplicará a 4 $ / 20 $ a partir del 30 de noviembre, lo que aún la mantiene a la par con Opus y muy por debajo de Astra.
Para cualquiera que utilice agentes a gran escala, ese precio es más importante que una ventaja de dos puntos en una prueba comparativa. Un modelo que sea más o menos igual de bueno y cinco veces más barato cambia por completo el panorama de qué cargas de trabajo resulta rentable automatizar.
¿Ha vuelto Google a la carrera?
Sí, y por primera vez desde la era de Gemini 2.5, vuelve a situarse como líder en lugar de como un simple seguidor. Trece liderazgos de dieciocho, una ventana de contexto que nadie más iguala y unos precios agresivos convierten a Argon en la opción por defecto para una amplia gama de tareas empresariales. No es la elección automática para la ingeniería de software avanzada, donde OpenAI y Anthropic siguen marcando los estándares más exigentes.
En Alokknight Technologies, nuestra forma de trabajar no cambia con cada lanzamiento: asignamos cada tarea al modelo que, según las mediciones, la realiza mejor y de forma más económica, y volvemos a realizar esa comparación cuando se lanza una actualización como esta. Argon acaba de trasladar gran parte del trabajo relacionado con la documentación, los asuntos legales, las finanzas y la automatización al lado de Google en esa tabla.