Gemini 4 Argon: brilla en los exámenes conocidos, va por detrás en las pruebas de código nuevas

13 de octubre de 2026, la noche en que Gemini 4 Argon se abrió a todo el mundo

Simon Willison, un desarrollador que pone a cada modelo nuevo la misma tarea, le pide a Argon que dibuje un pelícano montando en bicicleta. Recibe tres dibujos y los califica todos de "excelentes": un cuadro de bicicleta preciso, un pez en la cesta, una bufanda y las patas sobre los pedales.

Esa misma noche, un diseñador de interfaces que había probado Argon en código y en trabajo de agente lo resume en una línea: Opus 5.5, después GPT-6 Astra y solo después Argon.

El pelícano es excelente y costó 17 centavos. En las tareas por las que una empresa paga, como el código de una web, la clasificación es otra.

Gemini 4 Argon es el modelo más potente que Google ha lanzado hasta hoy. Se anunció el 30 de septiembre y se abrió a todo el mundo el 13 de octubre. En la tabla que publicó Google saca la nota más alta en 13 de 19 pruebas, y frente a Claude Opus 5.5, el modelo que hoy lidera los índices independientes, gana en 14 de 18.

Trabajo a diario con modelos de Anthropic, OpenAI y Google, y desde el lanzamiento he seguido tres tipos de pruebas: la tabla de Google, las evaluaciones de organismos independientes y las comprobaciones de desarrolladores que pusieron la misma tarea a Argon y a Opus. No he ejecutado Argon yo mismo en tareas de clientes. A lo largo del artículo marco qué es un hecho y qué es opinión mía.

En resumen

Gemini 4 Argon es un salto real para Google, pero no es el modelo líder. En el índice independiente de Artificial Analysis saca 53, igual que GPT-6 Astra, frente a los 58 de Claude Opus 5.5.
Es mucho más barato, por ahora. Una tarea media cuesta con él alrededor de un tercio de lo que cuesta con Opus 5.5, y en algunas pruebas de construcción visual, menos de una quinta parte. A partir del 1 de diciembre el precio por token se duplica y se iguala al de Opus.
Sospecha de benchmaxxing, es decir, un modelo entrenado para destacar justo en los exámenes conocidos. En la tabla de Google, Argon lidera. En dos de cuatro pruebas de código nuevas está al nivel que la vanguardia alcanzó en julio, y en otras dos, al de septiembre.
Mi opinión: un modelo bueno y eficiente, sobre todo para escribir, para idiomas distintos del inglés, para documentos y para tareas de negocio bien definidas. Para código y para trabajo en el que la calidad es el producto, Opus 5.5 sigue por delante.

Qué es Gemini 4 Argon y por qué tardó dos semanas en abrirse

Argon es el modelo grande de la familia Gemini 4, pensado para el razonamiento más difícil. A su lado, Google mantiene modelos separados: Gemini 3.8 Flash para la velocidad, Nano Banana para imágenes, Omni Flash y Gemini 3.8 TTS para voz, y Lyria para música. Hasta ahora el modelo potente de Google era Gemini 3.1 Pro, y la versión 3.5 Pro, prometida para junio, se canceló por el camino.

El 30 de septiembre Google anunció Argon, pero solo lo abrió a un grupo cerrado de defensores de ciberseguridad, dentro de un programa llamado Fairwind. El 13 de octubre, 13 días después, se abrió a todo el mundo:

13 díasdesde el anuncio del 30 de septiembre hasta que el modelo se abrió a desarrolladores y suscriptores el 13 de octubre

$2 / $10precio por millón de tokens de entrada y de salida hasta el 30 de noviembre. Desde el 1 de diciembre: $4 / $20, exactamente como Opus 5.5

Un millónde tokens en la ventana de contexto, es decir, la cantidad de texto que el modelo tiene en la cabeza a la vez, incluidos el razonamiento y la respuesta

Fuentes: anuncios de lanzamiento de Google (30 de septiembre y 13 de octubre), tarifas de la Gemini API y página del modelo para desarrolladores. Si el concepto no te suena, explicamos qué es un token en un artículo aparte.

Dónde se puede usar hoy:

En la aplicación Gemini: para suscriptores de Google AI Pro y Ultra. Los usuarios gratuitos no lo tienen.
En la API, la conexión directa para desarrolladores y sistemas: solo en el plan de pago. No hay plan gratuito.
En la herramienta de código de Google, Antigravity: solo para suscriptores de Ultra.

La explicación oficial del retraso es la seguridad. Google escribió que un lanzamiento por fases es necesario para liberar capacidades de este nivel de forma segura, y participó en un programa voluntario del Gobierno de Estados Unidos que recibe acceso anticipado a los modelos. En la ficha del modelo indica que no puede descartar que Argon haya superado el umbral crítico que definió para las capacidades de ciberseguridad. Lo que yo pienso del retraso, en la sección de opinión.

Una cosa que conviene saber antes de seguir: Argon solo produce texto. En las demostraciones de Google, las imágenes venían de Nano Banana, los sonidos del motor de Omni Flash, la locución de Gemini 3.8 TTS y la música de Lyria. Argon los orquesta y escribe el código. La fuerza de Google en imagen, vídeo y diseño es de toda la familia, no de un solo modelo.

La tabla de Google: 13 victorias de 19

Google publicó una tabla de 19 pruebas en la que enfrenta a Argon con tres competidores: GPT-6 Astra de OpenAI, y Claude Fable 5.1 y Claude Opus 5.5 de Anthropic. En cada fila la nota más alta va marcada en verde, y una etiqueta señala las filas en las que Google ejecutó Argon por su cuenta:

La tabla que publicó Google, en español: la nota de cada modelo en cada prueba

La prueba	Gemini 4 Argon	GPT-6 Astra	Claude Fable 5.1	Claude Opus 5.5
Trabajo profesional
Índice de trabajo profesionalVals Index	68.9	63.1	65.8	67.0
Automatización de procesos de negocioAutomationBench	51.3	41.4	31.4	42.5
Análisis financieroVals Finance Agent v2	65.4	53.5	58.9	58.6
Trabajo jurídicoHarvey Legal Agent	19.6	5.4	6.7	3.8
Código
Código en proyectos largos Medido por GoogleDeepSWE v1.1	77.9	74.1	67.4	74.2
Tareas de código largas y nuevasFrontierSWE v2	55.0	65.5	56.3	62.3
Crear una aplicación a partir de una descripciónVibe Code Bench	91.9	89.6	90.3	90.3
Trabajo en la línea de comandos Medido por GoogleTerminal-Bench 4.0	57.4	58.2	57.9	66.4
Entrenamiento de modelos Medido por GooglePostTrainBench	45.3	44.3	40.2	49.3
Ciencia y matemáticas
Ciencia en la línea de comandos 6 veces más tiempo de pruebaTerminal-Bench Science	57.6	68.1	52.6	63.3
Investigación biológica Medido por GoogleLABBench 2	88.8	85.4	68.6	73.1
Matemáticas de investigaciónRiemannBench	76.0	72.0	65.6	69.6
Documentos largos, ordenador e imagen
Localizar información en textos de hasta 128 mil tokens Medido por GoogleGraphWalks	99.7	98.7	91.4	90.6
Localizar información en textos de 256 mil a un millón de tokens Medido por GoogleGraphWalks	84.2	71.8	65.0	66.8
Tareas largas de agente en el ordenador Medido por GoogleAgent's Last Exam	39.5	34.2	—	38.2
Manejo del ordenador La mejor de 3 ejecucionesOSWorld-2.0	69.2	72.6	—	—
Lectura de gráficosChartography	71.6	71.0	46.2	66.3
Comprensión de vídeos largos Condiciones distintas para cada modeloLVBench	91.7	87.5	79.7	83.7
Detección de vulnerabilidades en el códigoCWE-bench v1	68.0	68.0	58.0	67.0

La nota más alta de la fila. "Medido por Google": Google ejecutó Argon por su cuenta y, a veces, también a los competidores. La mayoría de las notas de los competidores las tomó Google de lo que publicaron los propios fabricantes. Fuente: anuncio de lanzamiento de Google y documento de metodología de evaluación. La traducción y las marcas son nuestras.

Sobre el papel es una victoria clara. Pero cuando se lee el documento de metodología que Google publicó junto a la tabla, tres cosas cambian el panorama.

La primera: algunas condiciones favorecen a Argon. En el manejo del ordenador, la nota de Argon es la mejor de tres ejecuciones. En la prueba científica en la línea de comandos tuvo 6 veces más tiempo de lo habitual. En la comprensión de vídeo, cada modelo vio una cantidad distinta de fotogramas. Todo esto figura en el documento; nada de ello figura en la tabla.

La segunda: faltan dos competidores. Claude Sonnet 5.5 y GPT-6.1 Sol cuestan lo mismo que Argon a su precio de lanzamiento, 2 y 10 dólares (en Sol, hasta 272 mil tokens de entrada), y ninguno de los dos está en la tabla. Sonnet 5.5 incluso saca más nota en el índice de Artificial Analysis: 56 frente a 53. Quien elige modelo por precio debería comparar Argon precisamente con ellos.

La tercera: dónde pierde Argon. De cuatro pruebas de código, pierde en dos: FrontierSWE, con tareas largas y nuevas, y Terminal-Bench. Google no escribió en ningún sitio "el mejor modelo del mundo", pero sí escribió que Argon "supera a otros modelos líderes en pruebas de todos los ámbitos". Esa parte no se sostiene cuando se mira el código.

Qué dicen los organismos independientes

La tabla de un fabricante es un boletín de notas en el que el alumno eligió qué notas incluir y frente a quién. Para saber dónde está realmente Argon hacen falta organismos que ejecuten todos los modelos en las mismas condiciones. Este es el índice general de uno de ellos:

Índice de Artificial Analysis (versión 4.3): nota general y cuándo salió cada modelo

Claude Opus 5.5 · 22/9

Claude Sonnet 5.5 · 28/9

Gemini 4 Argon · 30/9

GPT-6 Astra · 3/9

Claude Fable 5.1 · 1/9

GPT-6.1 Sol · 29/9

Claude Opus 5 · 24/7

Fuente: Artificial Analysis, Intelligence Index v4.3, a 14 de octubre de 2026. El nivel de razonamiento es cuánto tiempo "piensa" el modelo antes de responder: más razonamiento, nota más alta y también coste más alto. Argon se midió en el nivel alto (High) y Opus 5.5 en el máximo (Max). Fechas de lanzamiento según los anuncios de los fabricantes.

En este índice, Argon queda por debajo de Opus 5.5 y de Sonnet 5.5, empatado con GPT-6 Astra y Claude Fable 5.1, que salieron a principios de septiembre. Es un nivel muy bueno, pero no es la cabeza de la tabla.

En el resto de fuentes independientes, el panorama se divide según el tipo de trabajo:

Dónde lidera Argon

Arena, texto: primer puesto, 1525 puntos, en una clasificación preliminar de unos 4900 votos. La gente escribe una pregunta, recibe dos respuestas sin saber de qué modelo son y elige. También primero en idiomas distintos del inglés
Vals Index: 68.9 frente a 67.0 de Opus 5.5, a mitad de coste
APEX-Agents: tareas de analistas y consultores, 82.4 frente a 73.5
Menos invenciones: cuando no sabe la respuesta, solo se la inventa en el 15% de los casos, lo mínimo entre los modelos potentes en la prueba de Artificial Analysis

Dónde va por detrás Argon

Arena, creación de webs: puesto 8, 1680 puntos frente a 1820 de Opus 5.5
CursorBench: tareas de código internas de Cursor, 52.9 frente a 56.0 de Opus en nivel High y 57.8 en Max
FrontierCode: una prueba de código nueva de Cognition, 47.6 frente a 54.6
Tareas profesionales juzgadas por expertos: en la prueba GDPval-AA de Artificial Analysis, 1624 frente a 1866 puntos

Fuentes: Arena (30 de septiembre), Vals AI (30 de septiembre), datos de Epoch AI que incluyen CursorBench, FrontierCode y APEX-Agents (14 de octubre), Artificial Analysis (14 de octubre).

El patrón se repite: en la escritura y en tareas de negocio con una respuesta comprobable, Argon lidera o está cerca de la cabeza. En código, en creación de interfaces y en tareas profesionales cuya calidad juzgan expertos, va por detrás. En las dos listas hay pruebas nuevas y privadas, así que la brecha depende del tipo de trabajo. Aun así, en la lista roja destacan las pruebas de código nuevas.

benchmaxxing: ¿"se entrenó para el examen" Argon?

benchmaxxing es el nombre que se da a un modelo entrenado para destacar justo en las pruebas conocidas. Un ejemplo: dos estudiantes sacan la nota máxima en el examen de acceso a la universidad. Uno estudió la materia; el otro resolvió todos los exámenes de años anteriores. En el siguiente examen, con preguntas que no han visto, la diferencia entre ellos aparecerá. Conviene precisar: no es trampa. Es una decisión sobre dónde invertir el entrenamiento, y el resultado es un modelo que luce mejor en la tabla que en el trabajo.

El 30 de septiembre, día del anuncio, Bloomberg informó de que empleados de Google dicen exactamente eso de Argon: que saca buenas notas en las pruebas y rinde peor cuando se le pone a trabajar, sobre todo en diseño de interfaces. Según la información, dos personas que conocen el modelo dijeron que Gemini 4 "parece afectado" por este proceso. Google respondió que "no es exacto decir que Gemini 4 se queda atrás en áreas como el código" y publicó un dato interno: entre sus ingenieros, un 35% más de código escrito por agentes de IA y casi un tercio menos de cambios revertidos.

La prueba del pelícano

La prueba del pelícano de Simon Willison es una prueba informal veterana: "dibuja un pelícano montando en bicicleta", en el código de un archivo SVG. Cada modelo nuevo la recibe, y un buen resultado se difunde rápido. Argon sacó un pelícano excelente, con un coste de 17 centavos.

El propio Willison no afirma que Google entrenara a Argon con el pelícano. Sí señala que Google es el único laboratorio del que sabe que sus empleados han invertido especialmente en dibujos SVG. En el debate de Hacker News, algunos comentaristas preguntaron si la prueba "está quemada". Es lo que le pasa a toda prueba famosa: en cuanto todo el mundo la conoce, mide menos.

La comprobación que hice: ¿en qué mes está Argon?

Para contrastar mi intuición de que los pelícanos no lo son todo, tomé las cuatro pruebas de código más nuevas que tienen un resultado de Argon y miré a quién supera y frente a qué modelo pierde. La fecha es la de salida del modelo:

Cuatro pruebas de código nuevas: entre qué modelos se sitúa Argon

La prueba y la nota de Argon	Dónde se sitúa
Arena, creación de webs · 1680	Por debajo de Claude Opus 5, de julio (1687), y por encima de Kimi K3, de julio (1674)
FrontierCode · 47.6	Pegado a Grok 4.7, de septiembre (47.6), y a GPT-5.6 Sol, de julio (47.5), por debajo de Claude Fable 5, de junio (53.5)
FrontierSWE · 55.0	Por debajo de Claude Fable 5.1, de septiembre (56.3), y por encima de Claude Opus 5, de julio (52.0)
CursorBench · 52.9	Por debajo de Claude Sonnet 5.5, de septiembre (55.5), y por encima de Claude Fable 5.1, de septiembre (51.8)

Fuente: datos de Epoch AI, que reúnen las clasificaciones de Arena, Cognition, Proximal y Cursor (descargados el 14 de octubre de 2026). Cada modelo, en la mejor configuración en la que se midió. En FrontierCode cada empresa ejecutó su modelo con una herramienta distinta, así que la comparación no está del todo controlada.

En dos de las cuatro pruebas, creación de webs y FrontierCode, Argon queda por debajo de Claude Opus 5, de finales de julio, y al nivel de modelos de mediados de julio. En FrontierCode está incluso por debajo de Claude Fable 5, de junio. Es decir, en trabajo de código y diseño de interfaces, Argon está donde estaba la vanguardia hace unos tres meses, y eso encaja con lo que veo en los ejemplos. En las otras dos pruebas está más cerca, al nivel de septiembre.

Y lo que contradice la sospecha

No todas las pruebas apuntan en la misma dirección:

Arena es una prueba para la que es muy difícil entrenarse. Las preguntas las escriben personas cada día, y Argon es primero ahí en texto. Por otro lado, Arena mide lo que la gente prefiere leer, y un modelo puede aprender a escribir respuestas agradables de elegir. El investigador Teortaxes escribió que quizá Argon esté "ajustado a datos de preferencia", y que en las pruebas para las que cuesta más entrenarse sus notas son impresionantes.
En pruebas nuevas que no son de código, Argon es fuerte. Es primero en APEX-Agents (tareas de analistas y consultores) y en Blueprint-Bench 2 (razonamiento espacial), y en Vending-Bench 2 (gestión de un negocio simulado) supera a Opus 5.5, aunque no a GPT-6 Astra.
Leon Lin, que probó Argon antes del lanzamiento, escribió que "no está tan benchmaxxed como mucha gente cree", y en el mismo tuit, que no es bueno en interfaces ni en animación, y que "no tiene gusto".

Ver el tuit de Leon Lin en X, 13 de octubre de 2026

Un probador anticipado: gran mejora en 3D, flojo en interfaces y animación. Es su opinión, no una medición nuestra.

Mi conclusión a partir de los datos: el benchmaxxing no cubre todo el modelo. Explica sobre todo la brecha entre lo que Google afirma en código y lo que ocurre en las pruebas de código nuevas y en el trabajo real. En escritura y en tareas de negocio con una respuesta clara, Argon es fuerte de verdad, también en pruebas para las que es difícil entrenarse.

Ejemplos sobre el terreno: Argon frente a Opus 5.5

Durante las primeras 24 horas, varios desarrolladores pusieron la misma petición a los dos modelos. Aquí van dos pruebas a favor de Argon, una a favor de Opus y un testimonio sobre la cuota de uso.

Una lámpara de lava, 18 centavos frente a 1.27 dólares. BridgeMind pone a cada modelo una tarea fija: construir una lámpara de lava en 3D. Argon terminó en menos de dos minutos, por 18 centavos, con un cristal limpio y una lava realista. Opus 5.5 trabajó 9 minutos y medio, por 1.27 dólares.

Ver el tuit y el vídeo de BridgeMind en X, 13 de octubre de 2026

El 14% del coste de Opus 5.5 en la misma tarea. Una sola prueba de una sola fuente.

La misma petición, 1.2 frente a 8.2 dólares. El desarrollador J A Z I I dio a los dos modelos la misma petición, con el nivel de razonamiento más alto. Según él, los resultados salieron "casi idénticos", y Argon costó el 15% del precio.

Ver el tuit y el vídeo comparativo de notjazii en X, 13 de octubre de 2026

Opus 5.5 se ejecutó en Claude Code y Argon en Devin, es decir, cada modelo en una herramienta distinta, y es posible que el precio de Argon incluya un descuento promocional de Devin. La comparación es suya, no nuestra.

Código y trabajo de agente: Opus va por delante. El diseñador jumperz escribió que le impresionó lo que Argon hace con elementos visuales y documentos complejos, pero que en código y en trabajo de agente "Opus sigue muy por delante", y que no es un salto suficientemente grande.

Ver el tuit de jumperz en X, 13 de octubre de 2026

Su clasificación: Opus 5.5, después GPT-6 Astra y después Argon.

La cuota de una semana en media hora. ashen_one ejecutó tres pruebas sencillas, entre ellas un clon de Minecraft, y escribió que los resultados "no son increíbles" y que las pruebas le agotaron toda la cuota semanal de una suscripción de 100 dólares al mes en 30 minutos. Y para quien esté pensando en suscribirse: Google no ha publicado cuánto uso de Argon incluye cada plan.

Ver el tuit de ashen_one en X, 13 de octubre de 2026

El testimonio de un solo usuario, el primer día de apertura.

En Hacker News, en el hilo del lanzamiento, el panorama es parecido. Varios comentaristas escribieron que Opus 5.5 es "el mejor modelo de código por consenso", y otros elogiaron a Argon por un razonamiento claro y directo y por su velocidad. Algunos informaron de fallos el primer día: bucles de razonamiento que no terminan y errores de servidor.

Cuánto cuesta Argon de verdad: una quinta parte, un tercio o lo mismo que Opus

La afirmación de que Argon hace el mismo trabajo por una quinta parte del precio de Opus es cierta en algunos casos. Todo depende del tipo de tarea y de la fecha:

El coste de Argon como porcentaje del coste de Claude Opus 5.5 en el mismo trabajo

Lámpara de lava, BridgeMind

14%

Misma petición, notjazii

15%

Misma web, OhMyUnicorn

62%

Índice Artificial Analysis, precio de lanzamiento

33%

Vals Index, precio completo

49%

Índice Artificial Analysis, precio desde el 1/12

67%

CursorBench, frente a Opus en nivel High

115%

Fuentes: BridgeMind y notjazii en X y OhMyUnicorn (13 de octubre), Artificial Analysis (14 de octubre), Vals AI (30 de septiembre), Cursor (14 de octubre). En CursorBench la barra se corta en el 100%: allí Argon costó más que Opus.

Del gráfico salen tres cosas:

En construcción visual puntual, la diferencia es grande. En dos pruebas Argon costó alrededor de una séptima parte que Opus, y en la tercera, la de OhMyUnicorn, alrededor del 60%. Argon termina rápido y se detiene. Opus sigue puliendo, y en la prueba de OhMyUnicorn revisó tres veces la página que había construido.
En trabajo amplio, Argon cuesta alrededor de un tercio al precio de lanzamiento, y entre la mitad y dos tercios al precio de diciembre. Allí Opus se midió en el nivel Max, el caro. Según Artificial Analysis, el ahorro viene sobre todo del bajo precio por token. Argon consume unos 62 mil tokens de salida por tarea, la mitad que Opus, pero 2.3 veces más que GPT-6 Astra.
En código complejo, el ahorro puede desaparecer. En CursorBench, Argon costó 4.57 dólares por tarea, frente a 3.97 de Opus 5.5 con un nivel de razonamiento similar. La propia Cursor escribió que en esta prueba Argon está "al nivel de Opus 5.5", y en nota está efectivamente cerca, unos 3 puntos por debajo.

Y la fecha que conviene apuntar: 30 de noviembre. Hasta entonces Argon cuesta 2 dólares por millón de tokens de entrada y 10 por millón de salida, como Claude Sonnet 5.5 y GPT-6.1 Sol. Desde el 1 de diciembre el precio sube a 4 y 20, exactamente el precio de Opus 5.5. Quien monte hoy un proceso sobre Argon por el precio debería calcularlo ya con el precio de diciembre.

Dónde lidera de verdad Google

Este no es un artículo contra Google. Hay ámbitos en los que, en mi opinión, Google es especialmente fuerte, y para la mayoría de las empresas son más relevantes que las pruebas de código:

Lenguaje natural en cualquier idioma

Argon es primero en Arena también en idiomas distintos del inglés, y por separado también en ruso y en chino
La escritura de los modelos Gemini con los que he trabajado suena a una persona, no a una traducción. Es una impresión mía
En hebreo y en árabe todavía no hay una medición sistemática, así que conviene probarlo con tus propios textos

Una familia que lo hace todo

Imágenes con Nano Banana, vídeo, voz y música, todo en la misma empresa
Argon escribe el código y orquesta al resto de modelos
Comprensión de vídeo: 91.7 en LVBench, según una medición de Google

Menos invenciones

Cuando no sabe, solo inventa en el 15% de los casos, frente a más del 50% en los modelos de GPT-6
Sabe menos datos que Opus, pero admite cuando no sabe
Importante para un agente que atiende a clientes. Qué son las alucinaciones de la IA

Documentos largos

Una ventana de un millón de tokens sin recargo por documentos largos
En la tabla de Google lidera en localizar información en textos muy largos, pero en la prueba independiente AA-LCR va por delante Opus: 85 frente a 80
Un usuario informó de que en la herramienta Copilot el sistema recorta la conversación ya en torno a los 400 mil tokens

Mi opinión: por qué Google, con todos sus recursos, sigue por detrás

Aquí paso de los hechos a la interpretación.

Argon es una mejora real, y no creo que Google haya mentido. Pero sí creo que lo presentó como un modelo que lidera el mundo, y no es así. Y a mí, personalmente, cuando una empresa presenta cifras que no se sostienen sobre el terreno, me hace perder confianza. En la próxima tabla de Google leeré primero el documento de metodología y solo después la tabla.

Creo en Google. Tiene los investigadores, los chips, los datos y miles de millones de usuarios. Precisamente por eso vale la pena preguntarse por qué sigue por detrás. Mi respuesta: Google es una empresa cotizada, en un campo nuevo y arriesgado.

La presión por mostrar resultados. Alphabet tiene compromisos con sus inversores, y cada lanzamiento se mide también en bolsa. Según Bloomberg, la acción subió en torno al 1.7% en la sesión posterior al anuncio y borró parte de la subida tras la información sobre el escepticismo de los empleados. Cuando el mercado reacciona a una tabla, hay un incentivo fuerte para elegir las pruebas y los competidores que la favorecen.
Menos libertad para moverse rápido. Como suscriptor, he visto a Anthropic y a OpenAI cambiar varias veces la cantidad de uso que recibe cada suscripción. En junio se presentó contra Anthropic una demanda que aspira a ser colectiva, alegando que las cuotas de uso de las suscripciones Max son más bajas de lo anunciado. Son alegaciones que aún no se han resuelto. En mi opinión, a una empresa cotizada del tamaño de Google, un paso así podría costarle una demanda colectiva de miles de millones, y por eso está más limitada en cada movimiento. Calculo que esa misma cautela opera también en la seguridad.
Seguridad. Google abrió Argon primero a un grupo cerrado de defensores de ciberseguridad. En un campo como la ciberseguridad es una decisión acertada, pero cuesta tiempo, y competidoras más pequeñas se mueven más rápido.

Sobre el retraso de dos semanas tengo otra hipótesis: que el primer grupo que trabajó con el modelo vio que los resultados sobre el terreno eran peores de lo que promete la tabla. No tengo ninguna fuente para esto. La explicación oficial de Google es solo la seguridad, y esto es una intuición mía, no un hecho. Lo que sí está documentado: Gemini 3.5 Pro, prometido para junio, se canceló, y empleados de Google dijeron a Bloomberg que Argon es más débil en el trabajo que en las pruebas. Esa información se publicó el día del anuncio, así que no explica el retraso en sí.

Dónde está Argon en el Sigma AI Ranking

Argon entró en el Sigma AI Ranking el 13 de octubre con la marca "nota preliminar", porque solo una fuente, Arena, lo había medido. En la actualización del 14 de octubre entraron el precio, la prueba de conocimiento de Epoch AI y las clasificaciones completas de Arena, y recibió una nota completa. El resultado probablemente sorprenderá a quien haya leído hasta aquí:

Sigma AI Ranking: nota ponderada, a 14 de octubre de 2026

Claude Opus 5.5

90.7

Gemini 4 Argon

89.8

GPT-6.1 Sol

87.9

Claude Sonnet 5.5

86.2

Claude Fable 5.1

85.1

GPT-6 Astra

83.5

Fuente: Sigma AI Ranking de Platin Digital, que pondera fuentes abiertas (Epoch AI, Arena, Terminal-Bench y tarifas oficiales). Según las reglas de la clasificación, una diferencia de menos de 2 puntos con el líder cuenta como empate.

Argon queda segundo, a 0.9 puntos de Opus 5.5, y según nuestras reglas eso es un empate en cabeza. No cambiamos el método para que el resultado encajara con mi opinión, así que es importante explicar qué hay detrás de la cifra:

La escritura y la fiabilidad vienen de Arena. Ahí Argon es primero, porque la gente prefiere sus respuestas. Es su fortaleza real, y también el punto en el que la sospecha de "ajuste a datos de preferencia" es relevante.
Su nota como agente es una estimación. Argon todavía no tiene resultado en Terminal-Bench, nuestra fuente principal para el trabajo de agente y de código, así que la nota se calculó a partir de fuentes paralelas y aparece marcada con ≈ en la página. También su nota de capacidad general es una estimación, porque Epoch AI aún no ha publicado su índice general para él. Ninguna de las pruebas de código nuevas de la sección sobre benchmaxxing entró en el cálculo, porque no tienen licencia abierta.
El precio es el de lanzamiento. La clasificación calcula el coste con el precio actual, 2 y 10 dólares. Según mi cálculo, el 1 de diciembre, cuando el precio se duplique, Argon bajará a unos 88.3 y saldrá del empate.

Dicho de otro modo, Sigma muestra exactamente lo que describe este artículo: en las fuentes que miden escritura, conocimiento y precio, Argon está en cabeza, y su punto débil está donde las fuentes abiertas aún no llegan. Cuando se publique un resultado en Terminal-Bench, la nota se actualizará. Por qué construimos una clasificación propia y por qué se apoya solo en fuentes abiertas lo explicamos en el artículo sobre Sigma AI Ranking.

Para quién es Gemini 4 Argon, y para quién todavía no

Encaja

Escritura y contenido, sobre todo en idiomas distintos del inglés
Resumen y análisis de documentos largos, vídeos y gráficos
Trabajo administrativo y financiero con un final claro
Un agente que atiende a clientes, cuando importa que no se invente respuestas
Construcción visual rápida, cuando un buen borrador es suficiente

Comprobar antes

Cualquier proceso montado por el precio: desde el 1 de diciembre se duplica
Suscripción en la aplicación: no hay dato oficial de cuánto uso de Argon incluye
Tu idioma: fuera de Arena, todavía no hay una prueba sistemática, solo impresiones

Todavía no

Desarrollo de software complejo y trabajo largo sobre código existente
Diseño de interfaces y webs, donde el gusto es el producto
Una tarea en la que la calidad pesa más que el precio

¿Argon u Opus 5.5 para tu próxima tarea?

Cinco preguntas sobre una tarea que estés valorando. Después del resultado, ejecuta la tarea una vez con los dos modelos y revisa la cuenta.

Cuatro cosas que se dicen de Argon, y qué hay de cierto

Mito"Google lidera la tabla, así que es el mejor modelo del mundo"

En realidadArgon lidera en 13 de las 19 filas de la tabla de Google. En el índice independiente de Artificial Analysis saca 53, frente a 58 de Claude Opus 5.5 y 56 de Claude Sonnet 5.5.

Mito"Argon cuesta una quinta parte que Opus"

En realidadEn dos pruebas de construcción visual, incluso menos. En trabajo amplio, alrededor de un tercio al precio de lanzamiento. En código complejo puede costar más. Y desde el 1 de diciembre el precio por token es idéntico al de Opus 5.5.

Mito"El benchmaxxing es hacer trampa"

En realidadEs una elección sobre dónde invertir el entrenamiento. El modelo sabe hacer de verdad lo que la prueba evalúa, pero la nota refleja peor lo que hará en una tarea nueva.

Mito"Argon crea imágenes y vídeos"

En realidadArgon solo produce texto y código. Las imágenes, la voz y la música las generan otros modelos de Google, que Argon sabe poner en marcha.

Qué significa esto para el dueño de un negocio

Tres conclusiones prácticas:

Ahora hay tres modelos potentes a mitad del precio por token de Opus: Claude Sonnet 5.5 y GPT-6.1 Sol de forma permanente, y Argon hasta finales de noviembre. Para tareas de escritura, documentos y atención al cliente en idiomas distintos del inglés, Argon es un candidato serio. Es el momento de probarlo.
No se elige modelo por la tabla del fabricante. Se mira quién midió cada fila y en qué condiciones, y se prueba con una tarea real tuya, con reloj y con la cuenta delante. Lo escribí también en el artículo sobre Muse Wonder de Meta: también allí la tabla del fabricante contaba una historia distinta de las pruebas sobre el terreno.
Se elige modelo por tarea, no por empresa. En tres meses la herramienta líder cambió dos veces, como conté en el artículo sobre el regreso de Anthropic. Un buen agente puede trabajar con Argon para escribir y con Opus para el código.

Platin Digital es OpenAI Select Partner, y los agentes que montamos los construimos con los modelos y las herramientas que mejor encajan con cada negocio, de OpenAI, Anthropic, Google y otros. Argon entra en nuestras pruebas para escritura y para trabajo en idiomas distintos del inglés. Para código y para trabajo en el que la calidad manda, de momento me quedo con Opus 5.5.

Para seguir leyendo: Gemini at Work 2026: el agente de Google para empresas, ChatGPT, Gemini o Claude para tu negocio y por qué construimos el Sigma AI Ranking.

Preguntas frecuentes

¿Qué es Gemini 4 Argon?

Gemini 4 Argon es el modelo grande de la familia Gemini 4 de Google, anunciado el 30 de septiembre de 2026 y abierto a todo el mundo el 13 de octubre. Acepta texto, imágenes, audio, vídeo y PDF, produce texto y tiene una ventana de contexto de un millón de tokens. Está pensado para el razonamiento complejo, el trabajo con documentos y el trabajo de agentes.

¿Cuánto cuesta Gemini 4 Argon?

En la API, hasta el 30 de noviembre de 2026: 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida. Desde el 1 de diciembre: 4 y 20 dólares, como Claude Opus 5.5. No hay plan gratuito. En la aplicación Gemini está disponible para suscriptores de Google AI Pro y Ultra, y Google no ha publicado cuánto uso de Argon incluye cada suscripción.

¿Es Gemini 4 Argon mejor que Claude Opus 5.5?

En la tabla de Google, Argon gana a Opus 5.5 en 14 de las 18 pruebas en las que se midieron los dos. En el índice independiente de Artificial Analysis, Opus 5.5 lidera con 58 frente a 53. Argon lidera en escritura y en tareas de negocio con una respuesta comprobable. Opus 5.5 lidera en código, en creación de interfaces y en tareas profesionales que juzgan expertos, también en pruebas nuevas y privadas.

¿Qué es el benchmaxxing?

benchmaxxing es el nombre que se da a un modelo entrenado para destacar especialmente en las pruebas conocidas, las que publican todas las empresas. La nota en esas pruebas es alta, pero en tareas nuevas el resultado es peor. No es falsear el resultado, sino elegir dónde invertir el entrenamiento. La forma de detectarlo es comparar las pruebas conocidas con pruebas nuevas o privadas.

¿Es bueno Gemini 4 Argon en idiomas distintos del inglés?

El dato más cercano es Arena, donde Argon ocupa el primer puesto en idiomas distintos del inglés. En hebreo, el idioma en el que trabajo, todavía no hay una prueba sistemática de Argon. Por mi experiencia con Gemini, su escritura en hebreo es más natural que la de la mayoría de los modelos, pero es una impresión, no una medición.

¿Por qué Google abrió Argon solo dos semanas después?

Según Google, por motivos de seguridad: un lanzamiento por fases, primero para defensores de ciberseguridad en el programa Fairwind, y la participación en un programa del Gobierno de Estados Unidos de acceso anticipado a los modelos. En la ficha del modelo, Google indica que no puede descartar que el modelo haya superado su umbral crítico de capacidades de ciberseguridad. El 13 de octubre se abrió a desarrolladores y a suscriptores de Pro y Ultra.