Google DeepMind anunció Gemini 4 Argon, un modelo que la compañía describe como un cambio radical en comprensión física, generación de código y razonamiento visual-semántico. En una publicación en el blog de Google DeepMind publicada el 13 de octubre de 2026, el equipo detrás del modelo afirmó que desbloquea nuevos flujos de trabajo en toda la pila de robótica y acelera el progreso hacia la AGI física, con el objetivo declarado de permitir que los robots trabajen junto a los humanos para resolver desafíos complejos.

El salto de capacidades es más visible en el benchmark de Razonamiento Encarnado (ERQA), que evalúa la capacidad de un modelo para comprender y resolver problemas físicos y espaciales en entornos 3D. Usando razonamiento puro, Argon obtiene 87% en el benchmark, superando a todos los demás modelos frontera, según DeepMind. Benchmarks como ERQA tienen peso porque los modelos frontera históricamente se han medido principalmente en tareas de lenguaje y programación, mientras que el razonamiento sobre objetos, espacio y contacto en 3D ha seguido siendo un desafío especializado para la robótica.

Posicionado como un modelo de razonamiento físico de propósito general, Argon está diseñado para aplicarse en todo el ciclo de vida de la robótica. El anuncio recorre prompts representativos en cuatro áreas clave: control de robots, Real2Sim, comprensión física, e investigación y auto-mejora. Cada demostración viene acompañada de video del modelo en acción.

Control de robots: de un cuadrúpedo a modelos de mundo en video

Las demostraciones de control de robots abarcan manipulación móvil con práctica en MuJoCo, control de robots zero-shot y navegación en bucle cerrado de modelos de mundo en video.

En la primera demostración, Argon controla un cuadrúpedo Boston Dynamics Spot —una plataforma con piernas de 12-DoF y un brazo de 6-DoF— para aprender una nueva habilidad: pisar el pedal de un basurero para desechar latas de refresco. Antes de tocar el pedal físico, Argon crea un gemelo digital articulado del basurero en MuJoCo, un simulador de física de código abierto ampliamente usado en investigación robótica, y practica sus movimientos en simulación. Luego pisa el pedal real y deposita las latas en el basurero abierto.

En una demo de control zero-shot, Argon opera un brazo robótico simple para colocar de pie una taza caída y poner dentro una servilleta arrugada, razonando con un arnés de coordenadas visuales y primitivas de acción a lo largo de varios turnos.

El tercer ejemplo extiende el control a modelos de mundo en video. Argon dirige robots dentro del Gemini Omni World Model para reorganizar cinco fichas de Scrabble dispersas (G, R, A, N, O) en una fila ordenada que deletrea A-R-G-O-N. En lugar de emitir un prompt estático, Argon navega en un bucle visual cerr: escribe prompts de acción con marca de tiempo, inspecciona keyframes intermedios del rollout y refina sus prompts a medida que avanza.

Real2Sim: de transmisiones de cámara y bocetos a simulación calibrada

Las demostraciones de Real2Sim abarcan la reconstrucción de gemelos de simulación físicamente calibrados a partir de transmisiones de cámara del robot, video humano egocéntrico o bocetos dibujados a mano. La técnica aborda una realidad práctica de la robótica: iterar en simulación es más rápido y seguro que en hardware físico, pero solo rinde cuando el mundo simulado coincide fielmente con el real.

En la primera, Argon observa un episodio real de teleoperación de un robot y desarrolla un gemelo digital, obteniendo o creando activos de simulación que se ven y se comportan como los objetos reales cuando las manos diestras hacen contacto. Ajusta los activos y las escenas en un bucle iterativo de razonamiento visual hasta que los visuales simulados y los eventos de contacto coinciden con los de los datos reales grabados.

Dado un video humano egocéntrico de una tarea de manipulación, Argon identifica los objetos relevantes para la tarea, reemplaza bounding boxes toscos con mallas compuestas descompuestas en volúmenes convexos para contenedores cóncavos, y reorienta la trayectoria de la mano humana hacia un humanoide bimanual de 76-DoF con manos de cinco dedos de 22-DoF en la física de contacto de MuJoCo.

El ejemplo de boceto a simulación muestra a un desarrollador tomando una foto de un boceto tosco a pluma y papel —que representa a un humanoide Apollo 2 lanzando una pelota en un arco parabólico para derribar una pila de cajas 3-2-1 sobre una mesa— tras lo cual Argon construye automáticamente la escena acelerada por GPU en mujoco_warp, sintetiza una trayectoria equilibrada de cuerpo completo y cinco dedos de 76-DoF para el lanzamiento, verifica un derribo de objetivos de 6/6 en física de bucle cerrado y exporta un render de Blender 4.5 Cycles.

Comprensión física: etiquetado retrospectivo, resolución de rompecabezas y funciones de valor

Las demostraciones de comprensión física abarcan el etiquetado retrospectivo multimodal agéntico, incluyendo comprensión detallada de destreza, funciones de valor densas y estimación de progreso.

DeepMind afirma que Argon tiene una comprensión física precisa de la manipulación diestra y puede proporcionar segmentación detallada y etiquetado de texto a partir de video, identificando segmentos de manipulación deficientes como pausas, agarres inestables y fallos. Dado un video cenital de un robot bimanual ALOHA 2 doblando una hoja cuadrada de papel en un zorro de origami a lo largo de 136 segundos, Argon produce una jerarquía de anotación retrospectiva de cuatro niveles alineada en el tiempo: un Objetivo del Episodio (G1), 6 Subtareas Semánticas contiguas (G2), 17 Primitivas Atómicas a nivel de contacto (G3) y un reponderado automatizado de Control de Calidad (QC) que mantiene plano el progreso de la tarea durante fallos y reintentos.

Para recrear el clásico rompecabezas de la balanza de 12 bolas con robots, Argon construye un entorno MuJoCo bimanual Franka FR3 con 12 bolas de billar visualmente idénticas —una de las cuales es secretamente más pesada o más ligera— y una balanza Roberval articulada de dos platos. Luego escribe un solucionador de bucle cerrado solo con visión que triangula las bolas desde cámaras RGB estéreo, lee visualmente la inclinación de la balanza después de cada pesada y aísla la bola distinta en el plato Pesado (Rojo) o Ligero (Azul) en un máximo de 3 pesadas.

DeepMind también describe a Argon como una función de valor general para tareas robóticas. Evaluado en un episodio bimanual de clasificación de anillos de 60 segundos de un dataset humano UMI, Argon inspecciona iterativamente las transmisiones sincronizadas de las cámaras de cabeza, pinza izquierda y pinza derecha alrededor de las transiciones de contacto para generar predicciones densas de función de valor y progreso de la tarea, descomponiendo la trayectoria en 28 segmentos con pendientes de progreso positivas, neutras y negativas.

Investigación y auto-mejora: de datos de simulación a iteración en hardware

Las demostraciones de investigación y auto-mejora abarcan la mejora de acciones vía simulación y la auto-meora iterativa en hardware.

Argon puede generar nuevos datos en simulación para mejorar el rendimiento de modelos generalistas de visión-lenguaje-acción (VLA). Para los modelos VLA, que dependen de grandes volúmenes de datos de interacción robótica, la simulación ofrece una forma de escalar la recolección de datos más allá de lo que permite el hardware físico. Partiendo de una sola foto RGB de una mesa real, construye de forma autónoma un gemelo de simulación MuJoCo calibrado, define nuevas tareas y sintetiza un generador de movimiento de bucle cerrado para recolectar más de 4,500 episodios con domain randomization en simulación. Según DeepMind, esto elevó la tasa de éxito en el mundo real del robot físico de 56% a 75% y redujo el tiempo de finalización de 35 segundos a 24 segundos.

En un brazo simple de 6-DoF, Argon también se auto-mejora iterativamente tanto en velocidad de ejecución como en precisión de colocación en una tarea de recoger y colocar mediante prueba y autorreflexión.

La demostración final cubre reproducciones de artículos de control robótico con un solo prompt en MuJoCo WebAssembly. Con un único prompt por artículo, Argon lee un manuscrito de control robótico y los checkpoints publicados, traslada el modelo de física y el controlador de bucle cerrido —desde la locomoción jerárquica de 7 redes de DeepLoco y los actores PPO de 50 Hz de HUSKY hasta el iLQR en Web Worker de Whole-Body MPC— a laboratorios de navegador autocontenidos en MuJoCo WebAssembly, y los verifica en Chromium headless.

Impulsando la inteligencia encarnada

Según DeepMind, Argon une la programación, la percepción visual, la simulación de física y el control de robots encarnados. Al razonar de forma nativa sobre video multivista, geometría 3D, mecánica de contacto y telemetría propioceptiva, el modelo no solo entiende qué objetos hay en una escena, sino cómo interactúan físicamente con los agentes para realizar tareas diestras de cuerpo completo. En conjunto, las demostraciones abarcan trabajos que los equipos de robótica suelen distribuir entre herramientas y flujos de trabajo separados: diseño de controladores, calibración de simulación, etiquetado de datasets y reproducción de artículos.

"Gemini 4 Argon marca un hito importante que acelera el camino hacia la AGI física", señala la publicación del blog. "Al construir esta inteligencia central, nuestro objetivo es permitir una robótica que pueda trabajar junto a los humanos para resolver desafíos complejos".

Cómo empezar

Gemini 4 Argon está disponible hoy en las plataformas de desarrolladores de Google, ofreciendo a los desarrolladores una forma directa de probar las capacidades descritas:

• Google AI Studio: disponible para suscriptores de Google AI Ultra a través de Google AI Studio.
• Gemini API: disponible con el nivel de pago de la Gemini API en AI Studio. Los desarrolladores pueden invocar el modelo como gemini-4-argon en la Interactions API, con soporte desde el primer día en los SDK de google-genai.
• Google Antigravity: disponible para suscriptores de Google AI Ultra. Los desarrolladores pueden seleccionar Gemini 4 Argon (gemini-4-argon) como su modelo activo en Google Antigravity para planificación compleja, ejecuciones /goal y orquestación multi-agente.