Google lanza Gemini 4 Argon: $2 por millón de tokens y primer puesto en Vals Index

Google DeepMind ha lanzado Gemini 4 Argon, un modelo insignia pensado para tareas largas de varios pasos. Desde el 13 de octubre está disponible a nivel global para desarrolladores y empresas a través de la API en AI Studio y en la plataforma Gemini. Los suscriptores de Google AI Ultra la reciben en Antigravity, y los suscriptores de Ultra y Pro también en la app de Gemini y en AI Mode de la Búsqueda.

Argon ocupa el primer puesto en Vals Index, que mide el rendimiento de los modelos en finanzas, programación, trabajo jurídico e impuestos. El precio inicial es de $2 por millón de tokens de entrada y $10 por millón de tokens de salida, y la entrada en caché cuesta un 95% menos.

Una refactorización de 6 millones de líneas y la aceleración de

Gemma en unos días

El anuncio pone el acento en el trabajo de ingeniería. Dentro de Google, Argon junto con Antigravity elevó en más de un 35% el número de envíos de código agénticos y redujo las reversiones casi un tercio.

El equipo de Chrome separó el núcleo de procesamiento de páginas web de la carpeta heredada con las funciones del navegador: unos 6 millones de líneas dentro de una base de código de Chromium de 40 millones. Una refactorización sobre cientos de archivos, que antes llevaba meses, se completó en semanas. Para los usuarios, esto significa que las páginas activas podrán moverse entre pestañas, paneles laterales y ventanas flotantes sin recargarse. Además, desaparecerá toda una clase de fallos del navegador.

El equipo de Agent Development Kit dio a Argon un archivo de reglas .agents/skills y un párrafo con el objetivo: eliminar la sobrecarga del framework sin romper nada. El modelo trabajó de forma autónoma durante la noche. El resultado ya está en google/adk-python: la preparación de sesiones in-memory en diálogos largos es un 40% más rápida, y las importaciones en frío, un 21%.

La cifra más reveladora para quienes trabajan en infraestructura tiene que ver con la Gemma 4 E2B abierta. Con vLLM en una A100, la inferencia de extremo a extremo se aceleró 2,85 veces: de ~37 900 a más de 108 000 tokens por segundo. Los tokens coincidieron al 100% y la calidad no se resintió. Los cambios abarcaron desde el ajuste de la atención hasta speculative decoding, y todo se hizo en unos días en lugar de meses.

Ciencia y seguridad: de los kernels cuánticos a las enzimas

El terreno de las demostraciones es inusualmente amplio:

• xTB: uno de los paquetes abiertos de química cuántica más citados es ahora hasta 2,3x más rápido en la predicción de estructuras moleculares y 1,8x más rápido en la búsqueda de confórmeros. Los cambios se han aceptado en el repositorio oficial.
• AlphaQubit: Argon convirtió una versión interna del decodificador ML de errores cuánticos en un único kernel de hardware optimizado y casi duplicó el rendimiento de la inferencia.
• Circuitos cuánticos: una implementación de arcsin escrita por Argon y verificada formalmente en Lean reduce el coste spacetime en más de 100 veces respecto a la referencia publicada basada en CORDIC cuántico.
• Fusión nuclear: junto con el profesor Matt Landreman, de la Universidad de Maryland, el equipo de Google encontró una clase más amplia de contraejemplos a la conjetura de Grad de 1967 sobre los stellarators. Esto ofrece a la comunidad pruebas de referencia para simuladores.
• Enfermedades raras: Gamow Labs, con Argon, halló un reordenamiento cromosómico que el software rutinario pasaba por alto desde hacía años. En pruebas privadas, el modelo obtuvo un 57% en RareBench y un 52,2% en LabBench.
• Enzimas: en cuestión de horas, Argon recopiló datos, configuró un modelo y filtró candidatos hasta quedarse con cinco nuevas serina esterasas. Las pruebas de laboratorio confirmaron la actividad catalítica de las cinco.
• Isomorphic Labs: el análisis de PDF complejos y patentes pasó de semanas a horas.

En ciberseguridad se amplía el programa Fairwind: se sumarán cientos de nuevos socios. Wiz usa Argon en la iniciativa «Scan for Good». El modelo ayudó a cerrar una brecha que amenazaba datos sensibles de un organismo público. En una infraestructura médica, encadenó varias vulnerabilidades, encontró un modo de eludir la descarga de archivos con filtración de la clave maestra y acceso de administrador. Había cientos de miles de fichas de pacientes en riesgo.

Tokens, precios y a quién le conviene

El descuento del 95% en la entrada en caché cambia la economía de los agentes. Hagamos una estimación (cálculo de la redacción) para un ciclo de 50 llamadas con un contexto de 200 mil tokens y 2 mil tokens de respuesta en cada una. Sin caché, solo la entrada cuesta unos $20, más $1 por la salida: ~$21 en total. Con caché, la entrada sale por $1 y toda la ejecución cuesta aproximadamente $2. Cuanto más largo es el contexto y mayor el número de pasos, más rentable resulta el esquema con el repositorio en caché y reglas reutilizables como .agents/skills.

Conclusión práctica para los equipos: conviene probar Argon donde hay un resultado verificable. Las pruebas, los benchmarks, las demostraciones formales y las verificaciones de laboratorio permiten dejar al agente trabajando por la noche y encontrar por la mañana un pull request listo. Los casos de ADK, xTB y Gemma siguen justo este esquema. El precio se presenta como introductorio, así que conviene calcular los presupuestos con margen.

Para los científicos, Google ofrece el plan superior de Antigravity gratis durante 6 meses para 10 000 personas, con incorporación gradual y selección. Las solicitudes ya están abiertas.