Qué cambia con los nuevos precios de Gemini 4 Argon
Google puso en marcha una tarifa promocional para Gemini 4 Argon de 2 dólares por cada millón de tokens de entrada (las unidades mínimas de texto que procesa un modelo) y 10 dólares por millón de tokens de salida. Son los números con los que arrancó el acceso a la API el 30 de septiembre de 2026, y Google ya avisó de que subirán a 4 y 20 dólares respectivamente una vez termine el periodo promocional, sin que se haya indicado cuánto durará esa ventana.
El otro ingrediente del precio es el descuento del 95 % en tokens de entrada en caché, es decir, fragmentos de contexto que el modelo ya procesó antes y no necesita recalcular desde cero. Esto beneficia sobre todo a quien construye agentes o flujos que repiten el mismo contexto base una y otra vez —por ejemplo, revisar sucesivas versiones del mismo repositorio de código—, donde el ahorro acumulado puede ser mucho mayor que el que sugiere el precio por token aislado.
La promoción convierte a Gemini 4 Argon, al menos durante el tiempo que dure, en una opción notablemente más barata que su propio precio de catálogo futuro. Para desarrolladores que evalúan costes a gran escala, la pregunta relevante no es solo cuánto cuesta hoy, sino cuánto costará dentro de unos meses y si el rendimiento compensa esa subida cuando llegue.
Ver los datos en tabla
| Concepto | % |
|---|---|
| resultado en DeepSWE v1.1 | 77,9 |
| resultado en CWE-bench v1 | 68 |
| resultado en LVBench | 91,7 |
Fuente: Xataka
Los benchmarks que presume Google: programación, automatización y vídeo
Google reivindicó para Gemini 4 Argon un 77,9 % en DeepSWE v1.1, una prueba orientada a tareas de ingeniería de software, y un 68 % en CWE-bench v1, donde según la propia compañía el modelo empató en el primer puesto. A eso se suma un 51,3 % en AutomationBench, donde Google lo sitúa como número uno, y un 91,7 % en LVBench, centrado en comprensión de vídeos largos.
Los cuatro resultados proceden del blog de Google, no de un laboratorio independiente ni de una plataforma de evaluación neutral. Eso no los hace falsos, pero sí los convierte en datos de parte: la compañía elige qué benchmarks publicar, en qué condiciones se miden y con qué modelos rivales se compara, decisiones que pueden favorecer sistemáticamente al propio producto.
El empate en CWE-bench v1 es un matiz que merece atención: Google no dice que Gemini 4 Argon sea el mejor en solitario en esa prueba, sino que comparte la primera posición. Es la diferencia entre liderar sin discusión y liderar junto a al menos otro modelo, un detalle que suele perderse cuando el resultado se resume en un titular.
Por qué un benchmark propio no cierra el debate
La historia reciente de la IA está llena de benchmarks que un laboratorio presenta como prueba de superioridad y que después resultan más frágiles de lo anunciado: condiciones de medición no replicadas por terceros, comparaciones contra versiones antiguas de los rivales o pruebas diseñadas de forma que favorecen al modelo propio. Nada de eso implica necesariamente mala fe, pero sí obliga a tratar estas cifras como un punto de partida, no como un veredicto.
Para quien decide qué modelo integrar en un producto, la combinación de precio bajo y buenos resultados en programación y automatización es atractiva sobre el papel. Pero el valor real de Gemini 4 Argon frente a sus competidores solo se confirmará cuando terceros —investigadores, otras empresas de IA o comunidades de desarrolladores— repliquen estas pruebas con sus propios criterios y, sobre todo, cuando termine la promoción y el precio real entre en la ecuación.