Google DeepMind lanza Gemini 4 Argon para tareas complejas de programación, ciencia y empresas

Google DeepMind anunció la disponibilidad global de Gemini 4 Argon, un modelo frontera diseñado para trabajos complejos de varios pasos en programación, finanzas, servicios legales, ciberseguridad y ciencia.

El modelo está disponible desde el 13 de octubre de 2026 para desarrolladores y empresas a través de la API en AI Studio y la plataforma Gemini. Los suscriptores de Google AI Ultra pueden usarlo en Google Antigravity, mientras que los suscriptores de Google AI Ultra y Pro pueden acceder en la app de Gemini y en AI Mode en Search.

Koray Kavukcuoglu, vicepresidente sénior de Google DeepMind y arquitecto jefe de IA de Google, dijo que el lanzamiento da a desarrolladores, empresas, científicos y consumidores acceso al modelo frontera más reciente de la compañía.

Google afirmó que Argon está diseñado para el "trabajo profundo" en dominios del mundo real. La compañía señaló que el modelo supera a otros modelos frontera en benchmarks de múltiples áreas y ocupa el primer puesto en el Vals Index, que mide el desempeño de los modelos en sectores económicos críticos como finanzas, programación, trabajo legal y trabajo fiscal.

El precio introductorio es de $2 por millón de tokens de entrada y $10 por millón de tokens de salida, con los tokens de entrada en caché con un descuento del 95%. Cuando el período introductorio finalice el 30 de noviembre de 2026, el precio será de $4 por 1 millón de tokens de entrada y $20 por 1 millón de tokens de salida. Los precios aplican al modelo Argon destinado al acceso público.

Google dijo que los equipos ya usan Argon para refactorizar y optimizar bases de código grandes, mejorar flujos de trabajo en áreas legales, financieras y científicas, identificar y corregir vulnerabilidades de ciberseguridad, y apoyar la investigación en computación cuántica, fusión nuclear y ciencias de la vida.

Ingeniería y desarrollo de software

Google afirmó que Argon se ha usado internamente en proyectos de ingeniería difíciles. En Antigravity, el modelo ayudó a los equipos a aumentar los envíos de código agéntico en más del 35% mientras reducía las reversiones de código en casi un tercio.

En Chrome, Argon ayudó a los ingenieros a separar el manejo central de páginas web de una carpeta heredada que contiene alrededor de 6 millones de líneas de funciones del navegador dentro de la base de código de 40 millones de líneas de Chromium. Al producir múltiples cambios de código limpios a la vez, el modelo ayudó a completar una refactorización arquitectónica que abarcaba cientos de archivos en semanas en lugar de meses.

Google dijo que el trabajo busca permitir que las páginas web activas se muevan entre pestañas, paneles laterales y ventanas flotantes sin recargarse, eliminando una categoría de fallos del navegador para los miles de millones de usuarios de Chrome.

Argon también fue usado por el equipo detrás del Agent Development Kit (ADK) de código abierto de Google, un marco para agentes empresariales. Los ingenieros proporcionaron al modelo su manual de reglas de .agents/skills y un objetivo de un solo párrafo: eliminar la sobrecarga del marco sin romper las aplicaciones existentes.

Trabajando de forma autónoma durante la noche, Argon identificó optimizaciones que ya están activas en el positorio google/adk-python. Google dijo que los cambios redujeron el tiempo de preparación de sesiones en memoria en un 40% durante sesiones largas y mejoraron la velocidad de importación en frío en un 21%. La compañía publicó un análisis técnico profundo que describe el trabajo.

Los investigadores también usaron Argon en Antigravity para optimizar xTB (Semiempirical Extended Tight-Binding), un paquete de química cuántica de código abierto que se usa para predecir estructuras 3D moleculares y filtrar candidatos de fármacos y materiales. Google dijo que xTB se volvió hasta 2.3 veces más rápido para predecir estructuras moleculares y 1.8 veces más rápido en búsquedas de conformeros. Los cambios fueron contribuidos al repositorio oficial de xTB en GitHub.

Google también reportó una aceleración de 2.85 veces en la inferencia de extremo a extremo para sus modelos Gemma de código abierto en una A100 usando vLLM. El rendimiento de Gemma 4 E2B aumentó de aproximadamente 37,900 a más de 108,000 tokens por segundo, con paridad de tokens del 100% y sin reducción de calidad. Google dijo que el trabajo, que incluyó ajuste de atención y decodificación especulativa, se completó en unos días en lugar de los meses normalmente requeridos. Los pull requests ascendentes de vLLM asociados contienen los cambios.

Visualización 3D y aplicaciones interactivas

Google afirmó que Argon mejora el razonamiento espacial, la precisión matemática y la programación visual en comparación con modelos Gemini anteriores. Usando comandos de barra como /goal, bucles multiagente y habilidades personalizadas en Antigravity, empleados de Google han usado el modelo para prototipar visualizaciones 3D, juegos de alta fidelidad y animaciones interactivas renderizadas en el navegador con código puro.

En una demostración, Argon creó una pagoda detallada en Blender mediante bucles multiagente de crítica visual. El modelo esculpió de forma autónoma un complejo templario de varios edificios con arquitectura fotorrealista, follaje e iluminación.

En otro ejemplo, Argon convirtió fotografías de un escritorio real en un juego de carreras en miniatura jugable. Se usó Blender MCP para modelar y verificar colisiones del escritorio, la habitación y la pista de carreras; Nano Banana proporcionó las texturas; y Three.js gestionó la física, los shaders personalizados y el audio de motor de auto de Gemini Omni Flash. Google puso la aplicación disponible a través de Google AI Studio.

Argon también escribió scripts de Python para esculpir, hacer rigging, animar y renderizar físicamente un juego 3D complejo de forma procedural. Luego conectó el proyecto a la web en Three.js con shaders GLSL, física de fragmentación y una IA de un jugador. La aplicación resultante está disponible en Google AI Studio.

Sin usar bibliotecas externas y con 100% Python puro, Argon creó un motor de ray tracing 3D con una herramienta de video y un mezclador de audio personalizados. El sistema construyó y documentó una biblioteca iluminada por el sol desde cero, produciendo, narrando y ensamblando un video con voz en off de Gemini 3.8 TTS y música de Lyria 3.5. Google publicó el código fuente.

En otra demostración en Antigravity, Argon partió de una sola imagen de Nano Banana y usó Blender MCP en un bucle autónomo para alinear cuadrículas de cámara, esculpir arquitectura gótica y montar iluminación reactiva al audio para crear una escena 3D terminada.

Flujos de trabajo empresariales y profesionales

Google afirmó que Argon combina razonamiento avanzado, percepción visual, un conocimiento de dominio más amplio y capacidades de redacción más sólidas para flujos de trabajo profesionales de alto riesgo. La compañía dijo que el modelo comunica con claridad, sigue las instrucciones de estilo de manera más consistente que los modelos Gemini anteriores, responde de forma más directa con menos evasivas, evita repeticiones innarias y omite clichés.

Los clientes empresariales y startups del programa de acceso anticipado de Google usan Argon para comprensión de documentos multimodal, análisis de datos longitudinales y entornos analíticos interactivos manteniendo una base estricta, según Google.

Una demostración involucró aproximadamente 50 GB de escaneos LiDAR aéreos, vectores de habitaciones GIS, planos CAD de la Biblioteca del Congreso y archivos del Servicio de Parques Nacionales. Argon sintetizó el material para reconstruir modelos 3D del Cañón Chaco y convertir registros arqueológicos fragmentados en sitios de patrimonio digital explorables. El proyecto está disponible a través de Google AI Studio.

En la app de Gemini, Argon puede tomar una carpeta no estructurada con contexto de proyecto y darle formato para convertirla en una presentación de propuesta para un cliente usando una habilidad personalizada. Gemini luego puede redactar y enviar por correo la presentación mientras crea un flujo de trabajo programado para futuras solicitudes de clientes.

Google también demostró a Argon combinando datos de tres repositorios de código abierto para producir una herramienta de aprendizaje médico. La herramienta permite a los usuarios desprender capas anatómicas, inspeccionar metadatos clínicos y activar la biomecánica en una exploración 3D del cuerpo humano.

En la app de Gemini para macOS, Argon usó Antigravity y Nano Banana para generar iteraciones de diseño para nuevas patas de un sofá y luego crear un archivo imprimible en 3D. Partiendo de un boceto con las medidas y una fotografía del sofá, el modelo construyó la pieza del tamaño correcto.

En Isomorphic Labs, Argon se usa para acelerar la investigación de descubrimiento y diseño de fármacos. Google dijo que el modelo puede sintetizar PDF complejos y patentes para extraer información relevante, reduciendo un proceso que normalmente toma semanas a unas horas.

Ciberseguridad e investigación científica

Investigadores, ingenieros y especialistas en seguridad usan Argon en defensa cibernética, ciencia, matemáticas y robótica, según Google. Las aplicaciones incluyen probar hipótesis, auditar bases de código críticas y demostraciones formales, e identificar vulnerabilidades de día cero y fallas lógicas.

Programa Fairwind y Wiz

Google dijo que está comenzando una expansión a cientos de socios adicionales en el Programa Fairwind, que proporciona capacidades cibernéticas a defensores confiables.

Wiz usa Argon en su iniciativa "Scan for Good", que protege infraestructura crítica en beneficio público y sin costo. Según Google, Wiz usó el acceso anticipado a Argon en múltiples áreas de alto riesgo.

En un programa de resiliencia cibernética de larga data realizado con una agencia federal, Argon ayudó a identificar y remediar una brecha que risked exponer datos sensibles del gobierno e infraestructura. Google dijo que el esfuerzo ayudó a prevenir la exposición de detalles críticos de desarrollo del sector de seguridad y el acceso no autorizado a modelos especializados.

Wiz también usó Argon para proteger infraestructura de salud. Al encadenar vulnerabilidades complejas, el modelo ayudó a identificar y corregir rápidamente una elusión de descarga de archivos pública que exponía una llave maestra y otorgaba acceso de administrador. Google dijo que Argon fue más allá de identificar la vulnerabilidad y ayudó a proteger cientos de miles de registros privados de pacientes.

Computación cuántica

Los investigadores de Google usaron Argon para apoyar trabajos en corrección de errores cuánticos y diseño de algoritmos. Para ayudar a los decodificadores de errores a mantener el ritmo del hardware cuántico en tiempo real, Argon tradujo una versión interna de AlphaQubit, el decodificador de corrección de errores cuánticos basado en aprendizaje automático de Google, en un solo kernel de hardware optimizado.

Google dijo que el kernel casi duplicó el rendimiento de inferencia, permitiendo el despliegue de modelos más grandes y el escalamiento a dispositivos cuánticos más grandes manteniendo estrictos umbrales de tiempo real.

Argon también se usó para reducir los costos de espacio-tiempo en subrutinas cuánticas. Para arcsin, un componente de los recientes algoritmos de simulación cuántica, una implementación escrita por Argon y verificada formalmente en Lean redujo costo de espacio-tiempo en más de 100 veces en comparación con una línea base de CORDIC cuántico publicada. Google describió el trabajo como un paso hacia una biblioteca estándar de circuitos cuánticos optimizados. La investigación relacionada está disponible en un artículo de arXiv.

Fusión nuclear

Los stellarators son máquinas complejas y un candidato principal para la energía de fusión limpia, pero optimizar sus campos magnéticos tridimensionales es difícil. Desde 1967, una hipótesis conocida como la "conjetura de Grad" sostenía que encontrar soluciones matemáticas exactas para estos campos era imposible. Contraejemplos recientes, incluido el trabajo del profesor Matt Landreman de la Universidad de Maryland, desafiaron esa suposición.

Google dijo que un equipo que trabaja con Landreman ha identificado ahora una clase más amplia de contraejemplos a la conjetura de Grad. Las nuevas soluciones proporcionan benchmarks para que la comunidad de fusión pruebe sus códigos de simulación de stellarators, que son herramientas valiosas para diseños futuros.

Investigación de enfermedades raras

Los investigadores de Gamow Labs usaron Argon para analizar genomas desidentificados de recién nacidos con trastornos pulmonares del desarrollo raros. En un caso, el modelo identificó una reorganización cromosómica que el software de rutina había pasado por alto durante años y explicó por qué no se había detectado.

En evaluaciones privadas de Gamow Labs derivadas de datos clínicos y de laboratorio reales, Argon obtuvo el mejor puntaje en RareBench (57% en asistencia para el diagnóstico de enfermedades raras) y LabBench (52.2% en razonamiento de laboratorio húmedo). Google dijo que los resultados podrían apoyar diagnósticos más rápidos para familias que enfrentan condiciones raras. Hay información adicional disponible de Gamow Labs y su página de benchmarks.

Diseño de enzimas

Diseñar enzimas con reactividad precisa a menudo requiere meses de ajuste de modelos y filtrado de candidatos. Las serina esterinasas, que cortan enlaces éster en moléculas específicas, se usan en el reciclaje y en la fabricación de productos farmacéuticos, biocombustibles y detergentes.

Los científicos de Google trabajaron con Argon para diseñar serina esterinasas dirigidas al 4MU-acetato, una molécula de referencia que brilla bajo luz ultravioleta cuando sus enlaces éster se rompen. En cuestión de horas, Argon recopiló los datos relevantes, realizó el ajuste del modelo e identificó varios filtros basados en bioquímica, produciendo un conjunto final de cinco diseños novedosos.

Pruebas de laboratorio posteriores confirmaron una actividad catalítica robusta en los diseños. Google dijo que el trabajo demuestra el potencial de una ingeniería de enzimas más rápida en biomanufactura, química verde y desarrollo de fármacos.

Google está ofreciendo a 10,000 científicos acceso al nivel de uso más alto de Google Antigravity sin costo durante seis meses. Los investigadores serán incorporados de manera continua, sujeto a elegibilidad, capacidad y selección. Las solicitudes están abiertas.

Robótica

Google dijo que Argon combina razonamiento visual-semántico, comprensión física y generación autónoma de código para respaldar nuevos flujos de trabajo en toda la pila de robótica. En el benchmark Embodied Reasoning (ERQA), que evalúa la capacidad de un modelo para comprender y resolver problemas físicos y espaciales en entornos 3D, Argon obtuvo una puntuación del 87%. Google dijo que fue superior a las puntuaciones de otros modelos frontera al basarse solo en razonamiento. El benchmark ERQA está disponible públicamente.

En una prueba interna, Argon aprendió una habilidad física fuera de distribución simplemente observando un video sin procesar de una persona jugando cornhole. El modelo mapeó las coordenadas espaciales del entorno, calculó los movimientos articulares corporales necesarios y construyó de forma autónoma el código de simulaciónn
Cuando el sistema se transfirió al humanoide Apollo de Apptronik, el robot encestó siete tiros consecutivos en una prueba en el mundo real. Google llamó a este proceso un pipeline de "Video a Simulación a Real" y dijo que comprime semanas de modelado manual de simulaciones en unas horas al convertir videos comunes en un entorno de entrenamiento escalable para la robótica. Apptronik es la empresa detrás del humanoide Apollo. Google proporcionó detalles adicionales en su blog para desarrolladores.

Seguridad y protección

Google dijo que la seguridad y la protección son fundamentales en su proceso de desarrollo de modelos. Dado que Argon es un modelo altamente capaz, la compañía trabajó con socios externos para medir ciertas capacidades y salvaguardas. Google describió a Gemini 4 Argon como su pila de seguridad y protección más completa hasta la fecha.

Bajo el Frontier Safety Framework de Google, la compañía evaluó las capacidades de Argon en varias áreas y desplegó un sistema de defensa multicapa que combina resistencia a jailbreaks, monitoreo y aplicación. Google dijo que los equipos rojos biológicos externos solo pudieron desbloquear menos del 1% de las subtareas biológicas probadas.

Para solicitudes peligrosas, incluida la generación de código de explotación y la asistencia con materiales biológicos peligrosos, Google dijo que Argon fue significativamente menos propenso que los modelos anteriores a cumplir. En un conjunto de pruebas adversarias diseñado para estresar el modelo, las violaciones se redujeron casi a la mitad en comparación con modelos Gemini anteriores.

Google también entrenó a Argon para respetar los límites del sistema, informar honestamente los hallazgos negativos y pausar para confirmación humana antes de tomar acciones irreversibles. En benchmarks de programación donde los modelos no tenían incentivos para contenerse, los intentos de atajos cayeron al 2%, lo que Google describió como su mejor resultado en comparación con modelos Gemini anteriores.

Como capa de defensa adicional, Google construyó un monitor automatizado de desalineación que lee el razonamiento paso a paso y las acciones de un agente para identificar y bloquear en tiempo real soluciones alternativas no deseadas. El monitor se usó en despliegues internos, evaluaciones de capacidades y entrenamientos de aprendizaje por refuerzo. Google dijo que evitó penalizar los pensamientos del modelo durante el entrenamiento para que su razonamiento se mantenga transparente y monitoreable.

Argon también fue probado contra la inyección de prompts. Los agentes que navegan páginas web, leen correos o inspeccionan código pueden encontrar instrucciones maliciosas ocultas destinadas a secuestrar sus tareas. Mediante entrenamiento adversario y equipos rojos automatizados, Argon encabeza el benchmark de Inyección Indirecta de Prompts (IPI) de Gray Swan, con el éxito de los ataques reducido al 0.7% en 15 intentos adaptativos.

Hay más información disponible en la Ficha de Modelo de Gemini 4 Argon.

Disponibilidad y acceso

Argon admite un límite unificado de entrada-salida de 1 millón de tokens, líder en la industria, a través de la API de Gemini. Google dijo que los desarrolladores y empresas deben revisar su documentación sobre el nuevo protocolo de continuación y configurar sus sistemas adecuadamente. Hay documentación disponible para la decodificación larga y Gemini 4 Argon en la plataforma de agentes empresariales de Google.

El despliegue global de Google incluye las siguientes opciones de acceso:

• Desarrolladores: Construyan con el nivel de pago de la API de Gemini en AI Studio y Android Studio. Los suscriptores de Google AI Ultra también pueden probar Argon en Google Antigravity y AI Studio.
• Empresas: Usen Argon en Gemini para empresas, a través de la API y en Google Antigravity.
• Usuarios cotidianos: Los suscriptores de Google AI Ultra y Pro pueden usar Argon en la app de Gemini y en AI Mode en Search.
• Científicos e investigadores: Soliciten seis meses de acceso gratuito al nivel de uso más alto de Google Antigravity, sujeto a elegibilidad, capacidad y selección.
• Defensores de ciberseguridad: Postulen al Programa Fairwind para obtener acceso continuo a Argon sin salvaguardas cibernéticas.

Google dijo que Gemini 4 Argon es el primer lanzamiento de la familia Gemini 4 y que seguirán modelos adicionalesn
La compañía señaló que las opiniones en el blog son de la parte externa y no representan las opiniones de Google. El anuncio original fue publicado por Google DeepMind.