Gemini 4 Argon llega a Devin: 60,5% en FrontierCode con un 75% de descuento

Gemini 4 Argon ya está disponible en Devin Desktop y Devin CLI. Hasta el 27 de octubre de 2026 cuesta un 75% menos que la tarifa de lista. Google mantiene hasta el 1 de diciembre un descuento de lanzamiento del 50%, y Devin suma otro 50% durante la promoción. En el benchmark interno FrontierCode 1.1, el modelo obtiene 60,5%. Es más que GPT-6.1 Sol (60,4%) y queda al nivel de GPT-6 Sol (60,7%). Entre los modelos Gemini de la tabla, es el mejor resultado.

Qué ha mostrado FrontierCode

FrontierCode 1.1 es un benchmark propietario del equipo de Windsurf/Devin. Evalúa los modelos con tareas reales de ingeniería según dos criterios: la calidad de la solución y la mergeability, es decir, si los cambios pueden aceptarse en un repositorio de producción sin reescribirlos. La métrica es práctica, pero ni la metodología ni el conjunto de tareas se pueden verificar públicamente. Conviene leer las cifras como datos del proveedor.

Principales cifras de la tabla:

• Gemini 4 Argon: 60,5%. La mejora respecto a Gemini 3.7 Flash (56.3%) es de unos cuatro puntos.
• GPT-6.1 Sol: 60,4%, GPT-5.6 Sol: 60,6%, GPT-6 Sol: 60,7%. Argon forma parte de un clúster compacto en este grupo: la dispersión de 0,3 puntos queda dentro del margen de ruido.
• Por encima se sitúan SWE-2 (62,5%), Claude Sonnet 5.5 (64,4%), GPT-6 Astra (64,5%) y Claude Opus 5.5 (65,3%).
• Por debajo: Grok 4.7 (59,4%), Claude Haiku 5.5 (58,4%) y Kimi K3 (58,2%).

De los 12 modelos de la tabla, Argon ocupa el séptimo puesto. No se puede presentar como líder en calidad. Su argumento es la combinación de precio y resultado, y en ese terreno ahora mismo está en buena posición.

Cómo se comporta el modelo en el trabajo

Según las observaciones del equipo de Devin, Argon primero reúne contexto y solo después escribe código. Lee de forma amplia, consulta el historial de git para captar las convenciones del repositorio y revisa su propio diff antes de dar la tarea por terminada. Esta secuencia influye directamente en la mergeability: hay menos cambios que rompen el estilo del proyecto y menos puntos olvidados.

El modelo rinde mejor en corrección de bugs y refactorización de backend y código de sistemas, sobre todo en Python, C/C++ y PHP. La publicación no dice nada sobre frontend, desarrollo móvil ni otros stacks, así que es pronto para sacar conclusiones sobre ellos.

Precio y cómo comprobarlo

Los descuentos no se suman de forma aritmética. Google se queda con la mitad del precio y Devin reduce a la mitad lo que queda, de modo que el resultado final es una cuarta parte de la tarifa de lista. La publicación no indica las tarifas absolutas. En el gráfico de «coste frente a calidad», el eje de coste por rollout va de $0,25 a $10, y Argon aparece en dos variantes: a precio normal y con la promoción.

La conclusión práctica para los equipos es sencilla. Hasta el 27 de octubre se puede probar Argon con tareas propias junto al modelo predeterminado actual: tomar de 20 a 30 tickets cerrados de corrección de bugs y refactorización, y calcular la proporción de diffs aceptados sin cambios y el coste por tarea. Si programa en Python, C/C++ o PHP, el resultado será más revelador. Después del 27 de octubre desaparece el descuento de Devin y solo queda la tarifa de lanzamiento de Google hasta el 1 de diciembre. Antes de escalar, conviene basar el cálculo en el precio sin promoción para evitar una mala sorpresa en el presupuesto.

El modelo se puede instalar en Devin Desktop o a través de Devin CLI.