Gemini 4 Argon es el nuevo modelo insignia de Google DeepMind, y la forma más clara de entenderlo es ver dónde gana y dónde no. La ficha técnica, que repasó un vídeo de Two Minute Papers, describe un gran modelo disperso de mezcla de expertos, construido desde cero y no afinado a partir de un Gemini anterior, que lee texto, imágenes, audio y vídeo y escribe texto, con hasta 1M de tokens de contexto combinado. Google lo orienta a la ingeniería de software, al trabajo de conocimiento jurídico y financiero y a la ciberdefensa.
El resultado jurídico es el más llamativo. En el Legal Agent Benchmark de Harvey, Argon obtiene un 19,6%, frente al 3,8 a 6,7% de GPT-6 Astra, Claude Fable 5.1 y Claude Opus 5.5. La cifra absoluta es baja, lo que indica lo difícil que es la prueba; todos los modelos fallan la mayor parte. Los documentos largos son otro punto fuerte, con Argon cerca de lo más alto en pruebas de contexto largo como GraphWalks. La programación con agentes es el punto débil: en Terminal-Bench 4.0, que evalúa agentes que trabajan en la línea de comandos, Argon llega al 57,4% frente al 66,4% de Opus 5.5.
Nuestra reseña de Argon añade contexto que el material de lanzamiento no da. La evaluación independiente de Artificial Analysis lo sitúa a la par de GPT-6 Astra y por detrás de Opus 5.5 en conjunto, destaca una tasa baja de alucinaciones y mide un arranque lento, de unos 45,6 segundos hasta el primer token. El precio de la API es de lanzamiento: 2 dólares por millón de tokens de entrada y 10 por millón de salida hasta el 30 de noviembre de 2026, y después 4 y 20. Para quien elige entre modelos de frontera, el patrón apunta a Argon para contratos largos, documentación regulatoria e informes de investigación, y a Claude o GPT para agentes de programación en terminal.
Lo que merece más atención que la tabla de resultados es la sección de seguridad. Según su Frontier Safety Framework, Google dice que no puede descartar que Argon haya alcanzado el nivel de capacidad crítica en riesgo de información biológica ni en ciberataque, y que elaboró argumentos de seguridad para sostener que el riesgo restante queda por debajo de esos niveles. Dice lo mismo de un umbral de sigilo y conciencia situacional, que tiene que ver con la capacidad de un modelo para eludir la supervisión. Son valoraciones de Google sobre su propio modelo.
Las cautelas habituales se aplican. La mayoría de las cifras de lanzamiento se obtuvieron con el nivel de razonamiento más alto de Argon, mientras que el modelo estándar arranca en uno inferior, y las comparaciones usan pruebas elegidas por Google. Usuarios en los comentarios del vídeo describen un modelo que llena su ventana de contexto muy deprisa y cuesta dirigir, anécdotas y no pruebas. La ventaja jurídica es lo bastante grande para importar; si se mantiene en evaluaciones jurídicas independientes es lo que habrá que vigilar.