JOURNAL / 2026.10.01

Gemini 4 Argon amplía el trabajo largo, pero llega primero a defensores aprobados

Google presenta su nueva generación con un millón de tokens de salida y resultados competitivos en trabajo profesional y ciberdefensa; el acceso inicial restringido y las diferencias entre evaluaciones importan tanto como la capacidad anunciada.

Gemini 4 ya tiene nombre: Argon. Google lo anunció el 30 de septiembre con una apuesta por tareas profesionales que exigen seguir trabajando mucho después de la primera respuesta. Su estreno, sin embargo, no permite sustituir hoy el modelo de una aplicación cualquiera: empieza con un grupo de defensores de ciberseguridad aprobados en el programa Fairwind. La apertura posterior comenzará con clientes de API de pago y suscriptores de Google AI Ultra, sin una fecha concreta en el anuncio.

La novedad técnica más clara es el límite de salida de un millón de tokens, frente a los 64.000 anteriores. Es espacio para razonar y generar durante una trayectoria, no sólo para recibir un documento enorme. Google cuenta además que agentes Argon reemplazaron 32.000 líneas de código SIMD de un port Rust de libgav1 por Rust seguro que el compilador puede vectorizar. El resultado, según la empresa, conserva la salida de vídeo y corre 2,7 veces más rápido que ese port; la comparación no es contra el decodificador C++ optimizado.

Ese ejemplo ayuda a entender la apuesta: una sucesión de experimentos guiados por perfiles y lectura del resultado del compilador, con una comprobación externa al texto generado. Sigue siendo un caso descrito por el proveedor. No demuestra que una migración arbitraria pueda dejarse funcionando sin revisión.

Más recorrido no garantiza una llegada mejor

Un límite mayor evita que el trabajo termine por falta de espacio. También permite gastar más tiempo persiguiendo una hipótesis equivocada. Para quien construye agentes, el cambio útil sería completar una investigación o una modificación difícil sin perder el hilo; la prueba relevante es el resultado verificado, junto con tiempo, coste y errores, no la longitud de la trayectoria.

La página de resultados de Google ofrece una señal favorable y una advertencia. En DeepSWE 1.1, que evalúa ingeniería de software de largo recorrido, Argon obtiene un 77,9 %, frente al 74,1 % de GPT-6 Astra. En FrontierSWE v2, otra evaluación de programación, queda por debajo de Astra y Opus 5.5. La capacidad tiene una forma; una fila ganada no establece una superioridad general.

El documento metodológico explica por qué hay que leer esas filas con cuidado. Google ejecutó DeepSWE con el arnés mini-swe, mientras tomó los resultados rivales de clasificaciones públicas o tarjetas técnicas. En otras pruebas sí ejecutó todos los modelos. Por defecto usa el máximo nivel de razonamiento y resultados de un intento, con excepciones documentadas. No es una única competición con todos los sistemas bajo condiciones idénticas.

También importa cómo se mide el éxito. OSWorld 2.0 informa de crédito parcial en el subconjunto offline, no sólo de flujos terminados; Google selecciona el mejor de tres ensayos completos. En vídeo, los modelos reciben distintos números de fotogramas por límites de las API. Son decisiones explícitas y auditables, pero impiden convertir toda la tabla en una medida limpia del modelo aislado.

Hay evidencia externa: Artificial Analysis sitúa Argon con esfuerzo High en 53 puntos de su índice, compuesto por diez evaluaciones de trabajo, conocimientos, programación y razonamiento. Registra un coste ponderado de 1,99 dólares por tarea y 110 millones de tokens de salida en la evaluación. Respalda que es un modelo de frontera; no valida por sí sola las migraciones internas ni la fiabilidad de una ejecución que use todo el nuevo límite.

El primer producto es una relación de confianza

La descripción cibernética de Argon combina descubrimiento de vulnerabilidades en repositorios, pruebas de penetración sin código fuente y generación de parches. Son trabajos distintos: encontrar un fallo, demostrarlo y repararlo requieren evidencias diferentes.

CWE-bench v1 permite comprobar una parte de esa promesa fuera del relato de Google. Sus 120 tareas privadas entregan un repositorio sin nombrar el fallo y exigen auditarlo y corregirlo. Argon alcanza el 68 % con el verificador programático en un intento, empatado con Astra y Grok 4.7. El verificador comprueba que el exploit deja de funcionar y pasan los tests existentes. Es ciberdefensa evaluada en un entorno acotado, no una tasa de descubrimiento de fallos desconocidos en cualquier sistema. Además, cada modelo usa un arnés diferente.

El programa Fairwind añade la otra mitad del producto: selección de organizaciones, uso defensivo autorizado, autenticación individual, MFA resistente al phishing y seguimiento del acceso de empleados. Prohíbe redistribuir o vender acceso. Su página habla de más de 650 socios, pero especifica que sólo un subconjunto recibe Argon; no debemos confundir el tamaño del programa con el despliegue de este modelo.

Google dice que la versión para defensores e integrantes de sus equipos internos se ofrecerá sin las barreras cibernéticas del modelo. Fairwind mantiene obligaciones organizativas. Retirar un filtro del modelo no retira los límites de autorización: desplaza parte del control hacia quién entra, qué puede hacer y cómo queda registrado.

Mi lectura es que Argon merece atención por esa combinación, más que por contar victorias de benchmark. Aumenta el espacio para el trabajo sostenido y lo introduce primero donde hay equipos capaces de comprobar hallazgos. Es una estrategia defendible, aunque retrasa la prueba más amplia y deja al proveedor seleccionando buena parte de la evidencia inicial.

Para un equipo sin acceso, hoy cambia la planificación, no el endpoint. Conviene preparar tareas representativas con criterios de aceptación y presupuesto, para evaluar la versión que finalmente llegue. La tarifa anunciada también tiene dos fases: 2 dólares por millón de tokens de entrada y 10 de salida durante la introducción; después, 4 y 20. No se precisa cuánto dura ese periodo.

La pregunta que decidirá el valor de Argon es concreta: ¿puede convertir más recorrido en más trabajo comprobado, sin que el gasto y la supervisión crezcan al mismo ritmo? Un millón de tokens abre espacio para responderla. Todavía no es la respuesta.

Fuentes

Documentación y resultados consultados el 1 de octubre de 2026.

← Volver al diario