Cómo reseñé un modelo que no puedo ejecutar
En eesel construyo integraciones y APIs, así que lo primero que hago con cualquier modelo nuevo es llamarlo. Con Argon, eso no me llevó a ninguna parte. A las 06:14 UTC del 1 de octubre mi clave de la API de Gemini listaba 61 modelos y ninguno era Argon. A las 07:12 UTC probé tres IDs de modelo (gemini-4-argon, gemini-4-argon-preview, gemini-4.0-argon) y los tres devolvieron 404. Y tampoco está en OpenRouter.
Así que esta reseña se apoya en las fuentes que sí existen, tres, y indicaré de cuál procede cada afirmación:
- Las cifras de Google. La tabla de 19 filas de la página del modelo en DeepMind y las notas de metodología que hay detrás.
- Pruebas independientes. Artificial Analysis tuvo acceso previo al lanzamiento y ejecutó toda su batería, incluidos costes y recuentos de tokens.
- Primeras reacciones. Los hilos de lanzamiento en Hacker News y X, sobre todo de gente que lee las mismas cifras que yo.
No puedo decirte cómo se siente Argon al darle prompts ni qué tan rápido es. Nadie fuera del programa puede todavía; incluso Artificial Analysis indica su velocidad como N/A. Lo que sí puedo hacer es leer la evidencia como lo haría un ingeniero al elegir un modelo para producción, y de eso trata esta reseña. Si prefieres primero la explicación sencilla, la guía de Gemini 4 Argon de mi compañero cubre especificaciones y acceso.
Lo que Gemini 4 Argon hace bien
Cuatro cosas me llamaron la atención. La primera es la que la mayor parte de la cobertura del lanzamiento pasó por alto.
Sabe cuándo no sabe
En AA-Omniscience, la prueba de conocimiento de Artificial Analysis, Argon registra una tasa de alucinación del 15%, la más baja de cualquier modelo con 45+ en su índice. GPT-6 Astra está en el 51% y GPT-6.1 Sol en el 54%.
Pero hay una trampa escondida en ese titular. La precisión de Argon es menor, 50% frente al 63% de Astra, y su puntuación global de Omniscience (42) es prácticamente la de Astra (43). O sea, no es más listo con los hechos; simplemente se comporta distinto cuando no está seguro. A partir de las cifras publicadas, calculé cómo se ve eso por cada 100 preguntas:
La aritmética: la puntuación de Omniscience es respuestas correctas menos respuestas erróneas, así que los 50 aciertos de Argon y su puntuación de 42 implican unas 8 erróneas, y las otras 42 son "no lo sé". Los 63 de Astra y su 43 implican unas 20 erróneas; aplicando su tasa del 51% a las 37 que no acertó salen unas 19. En cualquier caso, Astra reparte aproximadamente 2,4 veces más respuestas erróneas con total seguridad. Si el chatbot habla con clientes, ese es un intercambio que aceptaría siempre.
Trabajo del conocimiento y documentos largos
Aquí la tabla de Google es de lo más unilateral. Argon lidera Vals Index (68.9%), Vals Finance Agent v2 (65.4%) y el Harvey's Legal Agent Benchmark, donde 19.6% es poco en términos absolutos pero casi 3 veces el 6.7% del siguiente modelo. En GraphWalks entre 256K y 1M de tokens mantiene un 84.2%, mientras que Astra, Fable 5.1 y Opus 5.5 quedan entre el 65.0% y el 71.8%.
| Área (tabla de Google) | Gemini 4 Argon | GPT-6 Astra | Claude Fable 5.1 | Claude Opus 5.5 |
|---|---|---|---|---|
| Vals Index | 68.9% | 63.1% | 65.8% | 67.0% |
| Vals Finance Agent v2 | 65.4% | 53.5% | 58.9% | 58.6% |
| Harvey's Legal Agent Benchmark | 19.6% | 5.4% | 6.7% | 3.8% |
| GraphWalks, 256K a 1M | 84.2% | 71.8% | 65.0% | 66.8% |
| LVBench (vídeo largo) | 91.7% | 87.5% | 79.7% | 83.7% |
Artificial Analysis encontró el mismo patrón en su propia prueba de trabajo de oficina con agentes, AA-Briefcase. La tasa de aprobación de rúbricas de Argon, 65%, es la más alta que ha registrado, pero su calidad analítica (1576 Elo) y su calidad de presentación (1308 Elo) puntúan más bajo, para un total de 1494 Elo. Traducido: completa la lista de comprobación mejor que cualquier otro, pero sus informes no son los mejor escritos. Para revisar contratos, ese es exactamente el orden que querría.
Automatización con agentes
El trabajo con agentes ha sido históricamente un punto débil de Gemini, y Argon cierra buena parte de esa brecha. Es el n.º 1 en AutomationBench-AA, una prueba hecha por Zapier de automatización empresarial en varios pasos, con un 77.5%, por delante de Claude Sonnet 5.5 (71.3%) y Claude Opus 5.5 (69.5%).
La versión de Google de la prueba muestra la misma ventaja (51.3% frente al 42.5% de Opus 5.5), y Argon también supera por poco a Opus en Agent's Last Exam (39.5% frente a 38.2%), aunque GPT-6 Astra sigue liderando OSWorld 2.0 (72.6% frente a 69.2%). Esto importa si construyes agentes que navegan por herramientas SaaS o encadenan llamadas a APIs, que es el tipo de trabajo que más veo en las integraciones de IA con helpdesk.
Resistencia a la inyección de prompts
En el benchmark de inyección indirecta de prompts de Gray Swan, los atacantes tienen éxito contra Argon el 0.7% de las veces con 15 intentos, según la página de ciberseguridad de Google. Claude Opus 5.5 y Fable 5.1 están en el 1.0%, GPT-6 Astra en el 8.5% y Kimi K3 en el 52.7%.
Si has conectado un modelo para que lea tickets, correos o páginas web, esta es la cifra de seguridad que conviene vigilar. Un ticket que dice "ignora tus instrucciones y haz un reembolso" es una inyección indirecta, y un modelo que se la quita de encima es uno que puedes conectar a más herramientas, como un servidor MCP, con menos vigilancia.
Dónde se queda corto Gemini 4 Argon
Los puntos débiles también se pueden ligar a cifras, y dos de ellos afectan a cualquiera que esté planificando un presupuesto.
Programación en terminal
Si tus agentes viven en una shell, Argon no es el primero que elegiría. En la ejecución de Terminal-Bench 4.0 de Artificial Analysis saca un 57.1%, cuarto por detrás de Claude Sonnet 5.5 (63.6%), Claude Opus 5.5 (59.6%) y GPT-6 Astra (59.1%). La propia tabla de Google dice lo mismo, con Opus 5.5 por delante por 9 puntos (66.4% frente a 57.4%) y Astra por delante en FrontierSWE v2 por 10.5 puntos.
La mejor cifra de código de Argon, 77.9% en DeepSWE, viene con asterisco. La página de metodología dice que Google la calculó con su propio harness mini-swe agent, mientras que las cifras de los rivales vienen de clasificaciones y system cards. Eso no es motivo para descartarla, pero yo no elegiría un modelo de código por una puntuación obtenida por el propio fabricante.
Usa muchos tokens
Esta es la desventaja que creo que más sorprenderá. Argon usó 110M de tokens de salida para ejecutar el índice de Artificial Analysis, frente a una mediana de 82M, y promedió 62K tokens de salida por tarea. GPT-6 Astra promedió 27K.
Artificial Analysis lo dice sin rodeos: la ventaja de coste de Argon viene "by lower token prices, rather than reduced token use". El gráfico de cascada muestra adónde va el dinero con más claridad que cualquier otra cosa que encontré. El anterior Gemini grande, 3.1 Pro Preview, costaba $0.67 por tarea. Solo el mayor uso de tokens de Argon lo lleva a $2.43, el mayor precio por token a $4.62, y el mayor descuento de caché lo devuelve a $3.98.
Así que con el precio estándar, Argon cuesta unas 6 veces lo que costaba Gemini 3.1 Pro Preview por tarea, por 23 puntos más en el índice. Puede ser un buen trato. Solo que no armes tu presupuesto sobre el descuento de lanzamiento, que Google solo ha dicho que dura "for at least one month", según Artificial Analysis.
El precio se duplica, y nadie sabe cuándo
El precio de lanzamiento es de $2 por millón de tokens de entrada y $10 por millón de salida, con entrada en caché a $0.10. Una nota al pie del post de lanzamiento dice que después se aplican $4/$20, sin fecha de fin. Tampoco hay todavía tarifas publicadas de Batch, Flex, Priority ni de nivel gratuito, que sí tiene toda la familia Gemini 3.8 Flash. La guía de precios de Gemini cubre el resto del catálogo.
Introduce tu propio volumen abajo para ver qué haría el fin de la promoción a una factura mensual. Usa el coste por tarea medido por Artificial Analysis:
Acceso, velocidad y una model card ausente
La mayor desventaja es también la más simple. Argon va solo a defensores cibernéticos de confianza del Fairwind Program, que trabaja con más de 650 socios. Los clientes de pago de la API y los suscriptores de Google AI Ultra son los siguientes, sin fecha. La página de suscripciones de Gemini sigue llegando solo hasta 3.1 Pro.
Tampoco hay datos públicos de velocidad: la ficha de Artificial Analysis muestra la velocidad como N/A, y clasifica a Argon solo en el puesto n.º 77 de 223 en coste. El enlace a la model card en el sitio de DeepMind seguía devolviendo un 404 cuando lo comprobé el 1 de octubre. Nada de esto significa que el modelo sea malo. Lo que sí significa es que no puedes medir latencia, límites de tasa ni rendimiento real, y esas son las cifras que deciden si un modelo aguanta en producción.
Gemini 4 Argon frente a GPT-6 Astra, Claude Opus 5.5 y el resto
Así queda en las cifras independientes. Todas vienen de Artificial Analysis, así que la comparación es homogénea:
| Modelo | AA Intelligence Index | Coste por tarea | Tasa de alucinación | AutomationBench-AA | Terminal-Bench 4.0 | ¿Se puede usar? |
|---|---|---|---|---|---|---|
| Claude Opus 5.5 (max) | 58 | No indicado | No indicada | 69.5% | 59.6% | Sí |
| Claude Sonnet 5.5 (max) | 56 | No indicado | No indicada | 71.3% | 63.6% | Sí |
| Gemini 4 Argon (high) | 53 | $1.99 promo / $3.98 | 15% | 77.5% | 57.1% | No |
| GPT-6 Astra (max) | 53 | $3.26 | 51% | 68.5% | 59.1% | Sí |
| Claude Fable 5.1 (max) | 53 | No indicado | No indicada | 59.4% | 52.0% | Sí |
| GPT-6.1 Sol (max) | 52 | $0.72 | 54% | 64.9% | 56.1% | Sí |
De esa tabla me saltan a la vista dos cosas. Primero, los modelos de Anthropic siguen encabezando el índice, con Opus 5.5 cinco puntos por delante; Argon pone a Google a la par del mejor modelo de OpenAI, no por delante de todos. Segundo, GPT-6.1 Sol queda a un punto de Argon con aproximadamente un tercio de su coste de lanzamiento por tarea, y eso convierte a Sol en la opción de mejor relación calidad-precio para la mayor parte del trabajo general. Si estás comparando proveedores en general, las comparativas Claude vs Gemini y Gemini vs ChatGPT cubren las diferencias del día a día.
Qué dice la gente sobre Gemini 4 Argon
Casi no hay informes de uso real todavía, así que la mayoría de lo que se comenta son reacciones a las mismas cifras que he usado aquí. El hilo de lanzamiento en Hacker News superó los 1,276 puntos y unos 818 comentarios, y el único comentarista que dice haber tenido acceso anticipado dio un veredicto bastante mesurado:
"I had access to this over few weeks, and in my impression this was the first Gemini model that I can offload complex tasks that I don't want to do myself because I have to do lots of domain specific researches, which is irrelevant to my daily works. Not 100% reliable, but its outcome is usually better than mine and the cost to verify the outcome is significantly cheaper than doing the task by myself."
Eso encaja bastante bien con el cuadro de los benchmarks: fuerte en trabajo del conocimiento de tipo investigación, siempre que sigas revisando lo que te da. La postura escéptica que más vi trataba del valor, lo que coincide con la sección de costes de arriba:
"Sol 6.1 scores one point less than Gemini 4 on intelligence AND costs less than half ($0.72 vs $1.99) per task."
La crítica más afilada fue sobre qué benchmarks eligió publicar Google en primer lugar. En LinkedIn, Michał Piszczek lo resumió en una línea:
"Argon wins where Google measures: DeepSWE, Vals Index, Harvey Legal, where it scores 5x Opus. It loses where Anthropic measures. Every lab wins on the benchmark it publishes."
Él compara el 57.4% de Argon en Terminal-Bench 4.0 con el 70.6% autodeclarado por Anthropic para Sonnet 5.5. La ejecución independiente de Artificial Analysis permite una comparación más justa y muestra una brecha menor, 57% frente a 64%, pero su argumento sigue en pie. La ventaja legal de Argon también se cuestionó. En X, Andreas Kirsch revisó la clasificación pública del benchmark de Harvey:
"Picked one benchmark: Harvey's Legal Agent Benchmark Reported 19.6% for Argon. Checked https://www.vals.ai/benchmarks/hlab which reports 25.42% for Muse Spark 1.2. Astra, and so on, underperform a lot indeed. What is going on there?"
Así que Argon lidera a los modelos de la tabla de Google, que no es lo mismo que liderar a todos los modelos de esa clasificación. La propia página de Argon de Vals AI añade un detalle de coste que coincide con Artificial Analysis: Argon es el n.º 1 de 41 en el Vals Index a $15.68 por prueba, más barato que los modelos Claude que le siguen, pero el coste sube a $193.78 por prueba en CUA-bench, donde queda 7.º de 8.
El otro gran tema fue la costumbre de Google de anunciar modelos que la gente no puede conseguir. Un usuario veterano de Gemini resumió el ciclo:
"They will go through the usual transition of "can't release a model" to "won't load in a harness normal people can use for 3-4 weeks" to "it's smart as hell but completely inept at tool use and coding" to "now it's behind everyone else" ... like every Gemini release."
Es cínico, sí, pero también es la lista de pruebas correcta para cuando se abra el acceso: ¿funciona en harnesses normales y su uso de herramientas está a la altura de las puntuaciones? La opinión más práctica que encontré fue sobre una especificación que la mayoría de la cobertura pasó por alto:
"The benchmarks are SOTA but the bit I find most interesting is the 1 million output token limit. That could matter a lot more for long-running agents than another small bump on a benchmark."
Estoy de acuerdo con él. Google subió el límite de salida a 1M de tokens, desde 64K, y lo acompañó de una función de la API, Long Decode Continuation, que retoma respuestas largas entre llamadas. Si alguna vez has visto a un agente cortado por un timeout de petición a mitad de un trabajo, sabrás que eso pesa más que un punto en un índice.
Quién debería usar Gemini 4 Argon
Cuando se abra, así decidiría yo, tarea por tarea:
| Si necesitas... | Mi elección hoy | Dónde encaja Argon después |
|---|---|---|
| Paquetes de contratos, finanzas o investigación de más de 256K tokens | Prototipar con Gemini 3.8 Flash (1M de contexto) | El primero en la fila para sustituirlo |
| Agentes de código en terminal | Claude Sonnet 5.5 u Opus 5.5 | No es la mejor opción con las cifras actuales |
| Razonamiento general barato a volumen | GPT-6.1 Sol | Solo si te importa la diferencia en alucinaciones |
| Automatización SaaS de varios pasos | Argon lidera, pero no puedes llamarlo | Candidato fuerte |
| Investigación de vulnerabilidades | Solicita Fairwind si cumples los requisitos | Es la razón por la que existe Fairwind |
| Respuestas de cara al cliente | El modelo que haya bajo un agente de soporte probado | Una mejora bienvenida, no un bloqueo |
Para equipos de seguridad en concreto, Gemini 3.8 Flash Cyber y Codex Security Cloud son herramientas que sí puedes usar esta semana. Para todo lo demás, el repaso de alternativas a Gemini lista lo que puedes comprar ahora mismo.
Qué significa esta reseña para los equipos de soporte
La tasa de alucinación del 15% es la cifra más interesante de este lanzamiento si vas a poner IA frente a clientes. En eesel llevamos años poniendo agentes de IA en colas de soporte reales, y el fallo que cuesta confianza no es una respuesta lenta. Es una respuesta equivocada dada con seguridad.
He oído cómo se ve eso en llamadas con clientes. Una empresa de telemática de vehículos en Zendesk, con unos 200 tickets al mes, descubrió que su bot decía a los clientes "sí, soportamos el modelo de tu coche" para marcas que no estaban en su base de datos, porque un artículo de ayuda decía "soportamos todos los modelos". Un modelo que adivina menos habría ayudado, pero aun así no habría arreglado el artículo.
Por eso cuento la honestidad de Argon como un extra y no como una estrategia. Lo que mueve las tasas de resolución está alrededor del modelo:
- El conocimiento adecuado. Tus tickets pasados y tu centro de ayuda, no datos de entrenamiento generales. Los artículos vagos seguirán produciendo respuestas erróneas dadas con seguridad.
- Un traspaso firme. Cuando la búsqueda no encuentra nada, se pasa a una persona. Ese es el comportamiento de "no lo sé", impuesto por el sistema en lugar de esperarlo del modelo.
- Pruebas con el historial. Antes de que nada salga en vivo, ejecuta el agente sobre tickets pasados reales y compara sus respuestas con lo que tu equipo envió de verdad.
- El helpdesk donde vive. El agente debería trabajar dentro de Zendesk, Freshdesk o Gorgias, donde ya están los tickets.
La guía sobre cómo evitar las alucinaciones de la IA en soporte profundiza en cada uno de estos puntos, y el análisis del mejor modelo de IA para tickets de soporte compara los modelos que puedes comprar hoy.
Prueba eesel
Si lo que te llamó la atención de Argon es su "no lo sé", ese es un comportamiento que puedes tener ahora mismo en tu cola. Argon es infraestructura; eesel es el empleado. El compañero de IA para helpdesk de eesel aprende de tus tickets pasados y tu centro de ayuda, pasa el caso a tu equipo cuando la respuesta no está en tus documentos, y ejecuta una simulación sobre tus tickets pasados reales para que puedas revisar sus respuestas antes de que toque a un cliente en vivo.
El precio es un plan de créditos mensual fijo en el que un ticket o chat es un crédito, con todas las funciones y asientos ilimitados, más un plan gratuito con 100 créditos y sin tarjeta. No hay factura por token, así que el fin de una promoción en un modelo subyacente no cambia lo que pagas. Prueba eesel con una parte de tu cola y mira cómo se desenvuelve con tus propios tickets.
Preguntas frecuentes
¿Es bueno Gemini 4 Argon?
¿Puedo probar Gemini 4 Argon yo mismo?
gemini-4-argon en la API de Gemini el 1 de octubre de 2026, con tres IDs de modelo distintos, y obtuve 404 NOT_FOUND todas las veces. Google dice que los clientes de pago de la API y los suscriptores de Google AI Ultra son los siguientes, sin fecha.¿Cuánto cuesta Gemini 4 Argon por tarea?
¿Por qué Gemini 4 Argon es tan caro por tarea si el precio del token es bajo?
¿Es Gemini 4 Argon mejor que Claude Opus 5.5?
¿Alucina Gemini 4 Argon menos que otros modelos?
¿Es bueno Gemini 4 Argon para programar?
¿Debería esperar a Gemini 4 Argon para automatizar el soporte?
Article by
Rama Adi
Rama is a software engineer at eesel AI with two years of experience writing about B2B SaaS, AI tools, and customer support technology. Based in Bali, Indonesia, he brings a developer's perspective to product comparisons — cutting through marketing copy to what the integrations and APIs actually do.
