Gemini 4 Argon: Google lanza su modelo frontera, primero a los ciberdefensores

Un lanzamiento al revés

Google DeepMind presenta Gemini 4 Argon como su nuevo modelo frontera, diseñado para sostener un razonamiento profundo en tareas largas y complejas. Se apunta a tres frentes: la ingeniería de software real, el trabajo de conocimiento empresarial (legal, finanzas) y la ciberdefensa.

El calendario es inusual. El modelo no llega primero a los desarrolladores, sino a un grupo de defensores cibernéticos de confianza, a través del programa Fairwind. Google indica que participa en el proceso voluntario del gobierno estadounidense de acceso a modelos antes de su lanzamiento.

El gran público, las empresas y los desarrolladores llegarán después, "lo antes posible", comenzando por los clientes de pago de la API y los suscriptores de Google AI Ultra. No se da ninguna fecha. En cambio, sí se anuncia el precio de lanzamiento: 2 $ por millón de tokens de entrada, 10 $ de salida, y un 95% de descuento en la entrada en caché.

Lo que Argon ya hace en Google

El artículo insiste en el uso interno, con miles de Googlers que lo utilizarían para código especializado, investigación profunda y redacción. Se destacan tres ejemplos con cifras.

En computación cuántica, Argon ayuda a optimizar los recursos de espacio-tiempo (qubits × puertas) de subrutinas críticas; en un caso, superó la referencia publicada en un 40% en pocos minutos. En infraestructura, un equipo de agentes Argon analizó la telemetría de perfilado de la flota para aplicar por sí mismo optimizaciones de memoria: más de 300 TiB liberados, y entre 500 TiB y 1 PiB de ahorros esperados.

El tercer proyecto es la migración de código C/C++ a Rust, desde bibliotecas como re2 y libgav1 hasta el núcleo Zircon de Fuchsia y sus más de 800K líneas. En libgav1, los agentes reemplazaron 32K líneas de código SIMD por Rust seguro que el compilador vectoriza por sí solo, logrando un decodificador 2,7 veces más rápido que el porting en Rust existente, con una salida de vídeo idéntica. Google precisa que estas reescrituras siguen pasando por auditorías automáticas y manuales, pruebas de emulación y revisión antes de producción.

1 millón de tokens de salida

El cambio técnico más concreto para los usuarios es el límite de salida, que pasa de 64K a 1M de tokens. Google lo presenta como el más alto del sector.

La idea: dejar que el modelo produzca cientos de miles de tokens en una sola trayectoria, para resolver un problema difícil "de una sola vez" en lugar de multiplicar los intercambios. Es una apuesta por las tareas agénticas largas, y un coste potencialmente elevado a 10 $ el millón de tokens generados.

Empresa y multimodal: la lluvia de benchmarks

En código, Argon establece un nuevo estado del arte en DeepSWE v1.1 (77,9%), que mide tareas de ingeniería de software largas. Fuera del código, encabeza el Vals Index, que pondera finanzas, código, derecho y fiscalidad según su peso en el PIB estadounidense, y reivindica buenos resultados en Vals Finance Agent v2 y el Legal Agent Benchmark de Harvey.

En AutomationBench, el benchmark de Zapier sobre la ejecución de extremo a extremo de funciones empresariales, Argon es primero con un 51,3%. En visión, alcanza un 91,7% en LVBench, dedicado a la comprensión de vídeos largos, y Google destaca el análisis de gráficos y la acción a partir de una serie de documentos.

La ciberdefensa, núcleo del anuncio

Argon fue entrenado específicamente para la defensa: encontrar, validar y corregir vulnerabilidades críticas de forma autónoma. Para los defensores de confianza y los equipos internos, se entregará sin barreras cibernéticas, para explotar toda su capacidad.

Wiz ya lo utiliza en su iniciativa Scan for Good, que protege gratuitamente infraestructuras públicas críticas. El modelo detectó allí una vulnerabilidad crítica que exponía datos personales sensibles en un software de salud utilizado por hospitales en todo el mundo, un fallo que los modelos anteriores habían pasado por alto.

En CWE-bench v1, que evalúa la corrección de vulnerabilidades, Argon está empatado en primer lugar con un 68%. Google también cita avances en su benchmark interno (fallos encontrados en bases de código que cubren 20 lenguajes) y en el benchmark de pentest de caja negra de Wiz, frente a su predecesor 3.8 Flash Cyber.

Las barreras antes de la apertura

Google detalla cuatro frentes de trabajo. Contra los abusos (cibernéticos y CBRN), el modelo rechaza las solicitudes peligrosas al tiempo que preserva la investigación legítima de doble uso, y Google supervisa las activaciones internas del modelo para detectar usos indebidos, con pruebas de equipos rojos internos y externos.

Contra la inyección de prompt indirecta, Argon sería el modelo más robusto del mercado en el benchmark IPI de Gray Swan, gracias al red teaming automatizado y al entrenamiento adversarial. Para la desalineación, Google supervisa la cadena de pensamiento y las acciones del modelo y puede detener la ejecución.

Un punto notable: las alertas procedentes de la supervisión de los entrenamientos no se reinyectan en el entrenamiento, para no enseñarle al modelo a eludir el control. Google pide al resto del sector que preserve la transparencia del razonamiento. Por último, los entornos sandbox están aislados y sellados antes de los entrenamientos y evaluaciones de alto riesgo.