Gemini 4 Argon: lo probé en mi agente contra 3.8 Flash

El 13 de octubre de 2026 Google sacó Gemini 4 Argon, su nuevo modelo de frontera. Los anuncios hablan de benchmarks. Yo quería saber otra cosa: si conviene cambiarlo en el agente que escribe los borradores de este blog, que hoy usa Gemini 3.8 Flash.

Así que lo probé el mismo día, con mis propias tareas y contra el modelo que ya uso. En este post te cuento qué medí, qué salió bien, qué salió mal y qué decidí.

Qué es Gemini 4 Argon

Es el modelo más grande de Google para razonamiento, código y agentes de varios pasos. Los datos que importan para un backend:

• Precio de lanzamiento: US$ 2 por millón de tokens de entrada y US$ 10 de salida hasta el 30 de noviembre. Desde el 1 de diciembre pasa a US$ 4 y US$ 20. La entrada cacheada tiene 95% de descuento.
• Contexto: un límite de 1 millón de tokens compartido entre entrada y salida.
• Razonamiento: se controla con thinking_level: low, medium (el que usa si no le decís nada) o high.
• Benchmarks: según VentureBeat, sale primero en el Vals Index (68,90%) y en el Artificial Analysis Intelligence Index saca 53, empatado con GPT-6 Astra y debajo de Claude Opus 5.5 (58).

Los datos oficiales están en el anuncio de Google. Lo que sigue son mis pruebas.

Qué probé

Usé tres tareas reales del blog, siempre contra Gemini 3.8 Flash y con la misma configuración que tengo en producción:

1. Un juez: decide si una búsqueda de Google ya la responde alguno de mis posts. Tengo 18 búsquedas con la respuesta correcta anotada.
2. Escribir un post entero: el pipeline real del agente (borrador, crítica, reescritura, fact-check con Google y metadatos), en modo seco, con el mismo tema para los dos: el lanzamiento de Argon.
3. Razonamiento: una cuenta de factura con IVA y percepción, para ver cuánto “piensa” con cada configuración.

flowchart TD
    A["Tema"] --> B["Borrador"]
    B --> C["Crítica"]
    C --> D["Reescritura"]
    D --> E["Fact-check con Google"]
    E --> F["Título, descripción y keyword"]

Prueba 1: el juez acierta igual, pero tarda más

Corrí las 18 búsquedas dos veces con cada modelo:

	Gemini 3.8 Flash	Gemini 4 Argon
Aciertos	18 de 18	18 de 18
Tiempo del juez	9,4 s	12,5 s

Mismo criterio, 33% más lento. Y acá apareció lo más útil de todo el día: en producción el juez tiene un timeout de 12 segundos. La primera vez que lo probé con Argon tal cual, no llegó, el sistema cayó a la regla de respaldo por palabras y el resultado bajó a 14 de 18. Si hubiera mirado sólo ese número, habría concluido que Argon juzga peor. No era eso: era un timeout pensado para otro modelo.

Cambiar de modelo no es cambiar un string: los timeouts, los límites de tokens y los reintentos están calibrados para el modelo que tenías.

Prueba 2: escribir un post

El mismo tema, el mismo pipeline, una corrida con cada modelo:

	Gemini 3.8 Flash	Gemini 4 Argon
Tiempo total	80 s	164 s
Tokens (entrada / salida)	15.016 / 6.768	17.679 / 9.469
Costo del post	≈ US$ 0,037	≈ US$ 0,13
Largo	7.116 caracteres	9.981 caracteres

Argon tardó el doble y costó 3,6 veces más, y eso con el precio de lanzamiento. Desde diciembre serían unas 7 veces.

¿Escribió mejor? En estructura, sí. Armó un solo caso concreto (un agente que concilia 50.000 facturas por hora) y lo llevó de punta a punta, con tradeoffs bien pensados. El de Flash era más genérico.

Pero los dos se equivocaron en datos, y el fact-check con búsqueda de Google no los atrapó:

• Flash presentó como novedad de Argon el llamado a herramientas en paralelo, algo que existe hace tiempo y que el anuncio ni menciona. Escribió un post genérico con el nombre de Argon arriba.
• Argon afirmó que en Argon el parámetro thinking_budget “quedó deprecado y devuelve un error”. Lo probé: funciona. De hecho, el propio agente que escribió esa frase corría con thinking_budget=0.

Un modelo recién salido no puede saber cosas de sí mismo que no están en sus datos de entrenamiento, y el día del lanzamiento la web todavía tiene poco escrito. Para estos temas la verificación tiene que ser tuya. Ninguno de los dos borradores se publicó: este post lo escribí con las mediciones.

Prueba 3: cuánto piensa

Le pedí calcular el neto, el IVA y la percepción de una factura de ARS 1.234.567,89 y decir si el total cierra:

Configuración	Tiempo	Tokens de razonamiento
Argon con thinking_budget: 0	3,8 s	0
Argon con thinking_level: low	3,3 s	0
Argon sin configurar (medium)	13,2 s	no lo informa
Argon con thinking_level: high	19,2 s	1.873
3.8 Flash con thinking_budget: 0	5,0 s	445

Las cinco dieron los mismos números, y son correctos. Dos cosas para quien lo usa desde un backend:

1. El nivel por defecto es caro en tiempo. Si no lo configurás, una cuenta simple pasa de 3 a 13 segundos. Para pasos simples conviene pedir low de forma explícita.
2. Argon respeta el “no pienses” y 3.8 Flash no siempre. Con thinking_budget: 0, Flash igual razonó 445 tokens. Es algo que ya veía en el agente: esos tokens compiten con la salida y se cobran.

Un detalle de la documentación: hoy sólo explica thinking_level. thinking_budget ya no figura, aunque sigue funcionando. Si tu código lo usa, como el mío, es momento de pasarlo a thinking_level antes de que deje de andar.

Qué decidí

Por ahora sigo con 3.8 Flash para el agente. Para escribir borradores que después reviso yo, la mejor estructura de Argon no compensa pagar 3,6 veces más (7 desde diciembre) y esperar el doble. Y para el juez, Flash acierta igual y más rápido.

Lo que sí me llevo:

• Revisar los timeouts. El juez anda con 9,4 s en un límite de 12. Con Flash también está justo.
• Pasar de thinking_budget a thinking_level en el agente y en el admin.
• Probar Argon en un solo paso, el de la crítica, donde su criterio puede valer más que el costo. Todavía no lo medí.

Si querés armar tus propios casos de prueba, en cómo armar un pipeline de evaluación de LLMs te cuento cómo lo encaro, y en cómo optimizar la inferencia de LLM, cómo elegir modelo por paso.

Qué hacer el lunes

1. Probá el modelo nuevo con tus tareas, no con benchmarks. 18 casos con la respuesta anotada me alcanzaron para ver la diferencia en una tarde.
2. Antes de comparar, revisá timeouts y límites de tokens. Si no, vas a estar midiendo tu configuración y no el modelo.
3. Configurá el razonamiento de forma explícita. El default de Argon es medium: para pasos simples pedí low.
4. Medí el costo por tarea, no por token. Argon sale 2,7 veces más caro por token de entrada, pero por post terminado fue 3,6 veces, porque escribe más y lee más.
5. Agendá el 1 de diciembre. Ese día el precio de Argon se duplica, y la cuenta que hagas hoy deja de valer.