Principales puntos
- Google apuesta por la programación con IA: Gemini 4 Argon alcanza el 91,9 % en Vibe Code Bench y figura entre los modelos más potentes para el desarrollo de software.
- El precio y la capacidad llaman la atención: según MindStudio, el modelo debuta a US$ 2 por millón de tokens de entrada y US$ 10 por millón de salida, con capacidad para generar hasta un millón de tokens de salida.
- No todos los resultados favorecen a Google: Argon queda por detrás de Claude Opus 5.5 en la ejecución de comandos en terminal y pierde terreno en la generación de entornos 3D más sofisticados.
Google habría encontrado una combinación interesante para competir en el mercado de la inteligencia artificial: programación, automatización de tareas y costes competitivos. Gemini 4 Argon, presentado en un análisis publicado por MindStudio, busca competir directamente con los modelos avanzados de OpenAI, Anthropic y Meta.
Sin embargo, los resultados descritos en el artículo cuentan una historia menos sencilla que una competición con un único ganador. Argon destaca en algunas tareas de desarrollo, pero presenta limitaciones en otras actividades que requieren una ejecución precisa y una producción visual sofisticada.
Conviene hacer una aclaración: las cifras que aparecen a continuación son las publicadas por MindStudio y no deben interpretarse, por sí solas, como una clasificación independiente y definitiva de todos los modelos de IA.
💻 La programación es el principal punto fuerte de Argon
El desarrollo de software es el área en la que el nuevo modelo de Google presenta sus resultados más destacados.
En Vibe Code Bench, una prueba centrada en la generación de código a partir de instrucciones, Argon alcanza el 91,9 %, la puntuación más alta entre los modelos comparados por el artículo.
La propuesta va más allá de producir fragmentos de código. Estas pruebas buscan evaluar la capacidad de transformar instrucciones relativamente abiertas en aplicaciones funcionales, con ajustes sucesivos durante el desarrollo.
En Deep Sweep, orientado a la programación con agentes de IA, el escenario también es favorable. Argon registra un 77,9 %, mientras que Muse Wonder, de Meta, alcanza el 79 % en una de las comparaciones presentadas.
El propio análisis señala que la posición relativa cambia según los modelos incluidos en cada conjunto de resultados.
🔎 El detalle importante: escribir código correctamente no significa necesariamente poder desarrollar, probar y ejecutar un proyecto completo sin dificultades. Precisamente en esa diferencia aparecen algunas de las limitaciones del modelo.
Terminal es otra historia: Claude toma la delantera
Cuando la tarea pasa de generar código a ejecutar comandos, el rendimiento cambia.
En Terminal Bench, que evalúa la capacidad de trabajar con herramientas de línea de comandos, Gemini 4 Argon obtiene un 57 %. Claude Opus 5.5 alcanza el 66,4 %, una diferencia de 9,4 puntos porcentuales.
| Benchmark | Gemini 4 Argon | Competidor destacado |
|---|---|---|
| Vibe Code Bench | 91,9 % | Argon lidera |
| Deep Sweep | 77,9 % | Muse Wonder: 79 % |
| Terminal Bench | 57 % | Claude Opus 5.5: 66,4 % |
| OSWorld | 69 % | GPT 6.1 Soul: 71,4 % |
| Agent’s Last Exam | 39 | Claude Opus 5.5: 38 |
Fuente: resultados recopilados por MindStudio. Los benchmarks tienen metodologías y escalas diferentes, por lo que sus puntuaciones no son directamente comparables entre sí.
La diferencia es relevante porque los agentes de programación necesitan trabajar con entornos reales de desarrollo, interpretar mensajes de error, instalar dependencias y ejecutar comandos correctamente.
💡 Generar código es solo la mitad del trabajo. Un agente también necesita saber operar el entorno en el que ese código se probará y utilizará.
🤖 Google también quiere competir en la automatización del trabajo
Argon no se presenta únicamente como una herramienta para desarrolladores.
Según el artículo, el modelo registra resultados destacados en Vals Index, un conjunto de evaluaciones de tareas profesionales que abarca áreas como finanzas, derecho y preparación de declaraciones tributarias, y en Automation Bench, centrado en flujos de trabajo automatizados de varias etapas.
El rendimiento en OSWorld, que evalúa la capacidad de interactuar con entornos informáticos, alcanza el 69 %. GPT 6.1 Soul obtiene un 71,4 %, una diferencia relativamente pequeña en esta comparación.
📊 ¿Y qué ocurre con los documentos? MindStudio cita evaluaciones empresariales de Box en las que el rendimiento pasa del 71 % con Gemini 3.1 Pro al 85 % con Argon, en tareas relacionadas con hojas de cálculo, extracción de información de archivos PDF, presentaciones e imágenes.
Si estos resultados se reproducen en condiciones comparables, el avance podría ser especialmente relevante para empresas que necesitan procesar grandes volúmenes de documentos y automatizar actividades administrativas.
Aun así, obtener buenos resultados en benchmarks no garantiza el mismo nivel de fiabilidad en todos los entornos corporativos. La calidad de los datos, las herramientas disponibles y la posibilidad de verificar las respuestas siguen siendo factores importantes.
🎮 En generación 3D, Google todavía no está en la cima
Hay otra área en la que Argon encuentra dificultades: la creación de escenas tridimensionales, simulaciones físicas y videojuegos.
En pruebas prácticas descritas por MindStudio, el modelo consigue producir juegos funcionales y simulaciones utilizables. El problema estaría principalmente en el acabado visual y la calidad estética de los resultados.
Claude Opus 5.5 y GPT 6 Astra habrían producido experiencias más refinadas, mientras que Argon superaría a Muse Wonder en este tipo concreto de tareas.
Esta diferencia demuestra por qué un modelo puede ser excelente programando y, aun así, no ser la mejor opción para desarrollar experiencias visuales complejas. Generar código funcional y crear un entorno convincente requieren capacidades parcialmente diferentes.
💰 El precio podría pesar más que algunos puntos en la clasificación
Uno de los argumentos comerciales de Argon es el coste de uso de su API.
Tokens de entrada
Información enviada al modelo
Tokens de salida
Respuestas y contenido generado
Precios anunciados para diciembre
Nuevas tarifas previstas
Llos valores promocionales aumentarían en diciembre, duplicando el precio tanto de entrada como de salida.
En la comparación presentada, el coste inicial sería aproximadamente la mitad del precio de Claude Opus 5.5, mientras que se situaría cerca del de alternativas como Sonnet 5.5 y GPT 6.1 Soul.
💸 ¿Por qué importa? En una aplicación que ejecuta miles de tareas al día, pequeñas diferencias en el coste por solicitud pueden convertirse en ahorros significativos. Sin embargo, la comparación también debe considerar la cantidad de intentos, el consumo de tokens y la necesidad de intervención humana.
Un modelo más barato por token no es necesariamente más económico si necesita más pasos para completar la misma tarea.
📚 Un millón de tokens de salida: una capacidad extraordinaria
Otro diferencial destacado por MindStudio es el límite de hasta un millón de tokens de salida.
La distinción es importante: la capacidad de entrada representa el volumen de información que el modelo puede recibir, mientras que la capacidad de salida corresponde a lo que puede generar en una respuesta.
Un límite de salida de esta magnitud permitiría producir documentos extensos, grandes conjuntos de código y estructuras de datos voluminosas sin dividir todo el trabajo en tantas respuestas separadas.
Pero hay una diferencia entre admitir una salida gigantesca y conseguir producirla con una calidad constante. La latencia, el coste total, los límites operativos y la capacidad de mantener la coherencia durante una generación extensa siguen siendo factores importantes.
🏆 Entonces, ¿quién gana la competición?
El análisis de MindStudio cita una puntuación cercana a 53 para Argon en el índice combinado de inteligencia de Artificial Analysis. En este indicador, estaría por detrás de Claude Opus 5.5, Sonnet 5.5 y Muse Wonder.
El resultado refuerza la idea de que no existe necesariamente un único modelo superior en todas las categorías. La elección depende del trabajo que se necesita realizar.
- Gemini 4 Argon: una opción competitiva para generar código, automatizar tareas y procesar documentos, con precios iniciales agresivos.
- Claude Opus 5.5: destaca en la ejecución de comandos en terminal y en la calidad visual de determinadas tareas 3D.
- GPT 6.1: presenta resultados competitivos en tareas de interacción con entornos informáticos, según las cifras citadas.
- Muse Wonder: compite por los primeros puestos en determinadas pruebas de programación e inteligencia general.
Sin embargo, la comparación debe interpretarse con cautela. Los nombres de los modelos, los resultados y los precios de este artículo se han reproducido del texto proporcionado, sin una verificación independiente de las afirmaciones ni de los benchmarks citados.
La cuestión central es que Google estaría buscando algo más que un modelo capaz de responder preguntas: la ambición es construir un sistema que programe, utilice herramientas y ejecute tareas profesionales con menos intervención humana. La competición no se decidirá únicamente por quién obtiene la puntuación más alta, sino por quién consigue ofrecer resultados fiables, reproducibles y económicamente viables en el mundo real.
