Google anunció Gemini 4 Argon el 30 de septiembre de 2026, con acceso inicialmente limitado a defensores de seguridad verificados a través del programa Fairwind y a probadores tempranos como Wiz. Llegó a los desarrolladores el 13 de octubre a través del nivel de pago de la API de Gemini y de AI Studio, mientras que Antigravity está disponible para los suscriptores de Google AI Ultra. El ID del modelo es gemini-4-argon, y una variante separada, gemini-4-argon-cyber-permissive, está dirigida a defensores autorizados. Argon es un transformador de mezcla dispersa de expertos con fecha de corte en marzo de 2026. Acepta texto, código, imágenes, audio, vídeo y PDF, pero solo genera texto y código.
El cambio más notable es la ventana de salida. Los modelos Gemini anteriores manejaban aproximadamente un millón de tokens de entrada y devolvían como máximo 64 K tokens. Argon eleva el límite de salida a 1 M de tokens, mediante una ventana unificada de 1.048.576 tokens compartida entre la entrada, el razonamiento y la salida. Por tanto, un prompt de 100 K tokens deja espacio para casi 950 K tokens de respuesta. El límite de salida predeterminado sigue siendo de 65.536 tokens, y los desarrolladores deben aumentar max_output_tokens y usar la decodificación larga para ir más allá. La decodificación larga puede prolongarse durante varios minutos, por lo que resulta adecuada para tareas en segundo plano.
El modelo también ofrece tres niveles de razonamiento: LOW, MEDIUM (el predeterminado) y HIGH. El panorama de los benchmarks es desigual. Argon lidera en ingeniería de software a nivel de repositorio, pero queda por detrás en tareas de terminal, y una llamada descuidada a la API puede costar entre 10 y 20 dólares. Esas debilidades pesan más para los usuarios diarios que los promedios generales.
Para los desarrolladores, la conclusión práctica es que Argon elimina la necesidad de fragmentar generaciones grandes y de volver a enviar el contexto en cada turno. Sus fortalezas son más claras en tareas de programación largas y complejas, mientras que su menor rendimiento en terminal y sus costes más altos por llamada exigen una planificación presupuestaria cuidadosa y salvaguardas en los scripts.
Fuente: Towards Data Science · Resumido por HeadlinesBriefing