Google: Gemini 4 Argon
google/gemini-4-argon
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
Según su ficha en el catálogo de OpenRouter, google/gemini-4-argon es un modelo de razonamiento insignia de Google orientado a ingeniería de software compleja, resolución de problemas matemáticos y científicos, y agentes autónomos de varios pasos. Acepta entradas de texto, imagen, archivos, audio y video, y devuelve texto, con una ventana de contexto listada de alrededor de un millón de tokens. El razonamiento es obligatorio, con niveles de esfuerzo seleccionables. El catálogo reporta resultados de Design Arena que varían según la categoría y un índice de inteligencia de Artificial Analysis, pero no había una ficha de modelo independiente disponible en este paquete de fuentes.[1]
Puntos fuertes
- El catálogo lista soporte de entrada multimodal (texto, imagen, archivos, audio y video) con salida de texto y una ventana de contexto de alrededor de un millón de tokens.[1]
- El esfuerzo de razonamiento es configurable en niveles bajo, medio y alto, y el catálogo lista uso de herramientas, salidas estructuradas, semilla y otros parámetros de ajuste.[1]
- Las entradas medidas de Design Arena en el catálogo reportan tasas de victoria más altas en categorías de 3D y desarrollo de juegos que en tareas de hojas de cálculo.[1]
Limitaciones
- Toda la evidencia proviene de una sola ficha del catálogo de OpenRouter; no había una ficha de modelo independiente disponible en este paquete de fuentes, por lo que las capacidades y resultados deben validarse en cargas de trabajo reales.[1]
- El catálogo marca el razonamiento como obligatorio, por lo que no puede desactivarse por completo, lo que puede afectar la latencia y el costo en tareas simples.[1]
- Los resultados de arena reportados fueron desiguales entre categorías, con una tasa de victoria notablemente baja en tareas de hojas de cálculo, y el catálogo no indica fecha de corte de conocimiento.[1]
Dónde utilizarlo
- Vale la pena evaluarlo para ingeniería de software compleja y flujos de agentes autónomos de varios pasos, que la descripción del catálogo señala como su enfoque, junto con los parámetros de uso de herramientas listados.[1]
- Posible opción para resolución de problemas matemáticos y científicos donde resulta útil un esfuerzo de razonamiento ajustable.[1]
- Candidato para pipelines multimodales que ingieren imágenes, archivos, audio o video y requieren salida de texto, dadas las modalidades catalogadas.[1]
Fuentes
- [1] OpenRouter catalog · Google: Gemini 4 ArgonFuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
Gemini 4 Argon is Google's flagship reasoning model, built for complex software engineering, deep mathematical and scientific problem solving, and autonomous multi-step agents. Google trained it to keep context across...
Especificaciones
- ID del modelo
- google/gemini-4-argon
- ID canónico
- google/gemini-4-argon-20261013
- Creador
- Añadido a OpenRouter
- 13.10.2026
- Longitud de contexto
- 1,048,576
- Modalidad
- text+image+file+audio+video->text
- Modalidades de entrada
- audio, file, image, text, video
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $2 / salida $10
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | AA — siguiente 20% de la cohorte | razonamiento: obligatorio · predeterminado medium · esfuerzos: high, medium, low · parámetros: include_reasoning, reasoning, reasoning_effort |
| Programación | Sin medición | — |
| Agentes | Sin medición | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: obligatorio · predeterminado medium · esfuerzos: high, medium, low · parámetros: include_reasoning, reasoning, reasoning_effort |
| Análisis de documentos | Sin medición | entrada: file |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | entrada: audio |
| Vídeo | Sin medición | entrada: video |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Intelligence index | 50.4 | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · agenticgamedevtasa de victoria 51.1% · posición 1 | 1,265Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · blender3dtasa de victoria 65.7% · posición 1 | 1,378Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · pdftasa de victoria 69.2% · posición 4 | 1,298Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · spreadsheettasa de victoria 33.9% · posición 11 | 1,203Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 49.8% · posición 11 | 1,356Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 53.5% · posición 11 | 1,327Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 60.5% · posición 10 | 1,326Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 53.5% · posición 8 | 1,362Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · svgtasa de victoria 62% · posición 1 | 1,336Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 58.4% · posición 11 | 1,336Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 55.5% · posición 7 | 1,317Elo | SS — 10% superior de la cohorte | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| Google AI Studio | 1,048,576 | $1 | $5 | — | — | 100% |
| 1,048,576 | $2 | $10 | — | — | 100% | |
| Google AI Studio | 1,048,576 | $2 | $10 | — | — | 0% |
| 1,048,576 | $2.2 | $11 | — | — | 100% | |
| 1,048,576 | $3.6 | $18 | — | — | 100% | |
| Google AI Studio | 1,048,576 | $3.6 | $18 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
- Google presenta Gemini 4 Hydrogen, un modelo veloz para trabajos cotidianos y flujos agénticosGoogle lanza Gemini 4 Hydrogen, un modelo centrado en la velocidad para programación y trabajo agéntico, en la app Gemini, Search, AI Studio, la Gemini API y superficies empresariales.
- Google lanza Gemini 4 Carbon, su modelo más potente para ciberseguridad y trabajo agénticoGoogle ha abierto el acceso a Gemini 4 Carbon a través de su API y las suscripciones Google AI Ultra, destacando primeros puestos en pruebas de flujos agénticos, ciberseguridad y razonamiento científico.
- Google DeepMind y Artificial Analysis presentan MKA, una evaluación de agentes con evidencia visualMKA es una evaluación de 200 tareas que mide si los agentes de IA pueden extraer evidencia decisiva de planos, escaneos y gráficos y convertirla en entregables profesionales.