Gemini 4 Argon: un millón de tokens de salida, tres modos de pensamiento e integración con ManusArtículo · digest del 21 de octubre
Fotografía macro de un neurochip de silicio con pistas doradas, tres núcleos lógicos y el grabado Gemini 4 Argon.
Artículo3 secciones≈ 4 min

Gemini 4 Argon: un millón de tokens de salida, tres modos de pensamiento e integración con Manus

Si trabajas a fondo con modelos grandes de lenguaje en tareas serias —por ejemplo, analizando la arquitectura de un proyecto enorme o generando una base de código compleja—, sabes perfectamente dónde se atascaban casi todos los sistemas actuales. Un modelo puede presumir de dos millones de tokens de entrada, pero en cuanto toca generar la respuesta se ahoga en 32 o 64 mil tokens. Acabas troceando la salida a la fuerza, pegando fragmentos a mano y resignándote a que la lógica se corte a mitad del script.

Google ha dado un golpe fuerte a ese problema al presentar Gemini 4 Argon. Es el primer modelo insignia de nueva generación donde el contexto de entrada y el de salida se unifican en un mismo espacio continuo: la función long decode permite generar hasta un millón de tokens de salida ininterrumpida. Ya probamos esta capacidad en el artículo sobre el uso práctico de Gemini 4 Argon, y ahora toca analizar a fondo las especificaciones del lanzamiento.

Adiós a la temperatura y tres niveles de razonamiento

El mayor giro arquitectónico de Argon es el paso hacia una búsqueda determinista de soluciones. Los desarrolladores desactivaron por completo los reguladores estocásticos habituales: el modelo ignora parámetros como temperature, top_p y top_k. En lugar de jugar al azar con la aleatoriedad de la generación, controlas la profundidad del razonamiento mediante el parámetro de configuración thinking_level:

  • minimal: respuesta rápida para transformaciones triviales de texto y formateo básico.
  • medium: modo equilibrado para refactorización estándar de código, análisis de documentos legales y búsqueda de datos.
  • high: profundidad máxima de búsqueda lógica con construcción de árboles extensos de hipótesis antes de emitir la respuesta.

Récords en benchmarks y código real

En pruebas sintéticas y aplicadas, Argon logró resultados llamativos que desplazaron a sus competidores:

  • 1.º puesto en Vals Index: en el ranking que evalúa la resolución de tareas complejas prácticas de programación y análisis de casos legales, el modelo alcanzó 68.9 puntos. Es la primera vez en la historia que un modelo insignia de la familia Gemini lidera este benchmark independiente.
  • Razonamiento espacial (ERQA): en la prueba de orientación espacial y modelado 3D obtuvo 87 puntos, marcando un récord absoluto entre los sistemas avanzados.
  • Resistencia a inyecciones (Gray Swan): en pruebas de estrés especializadas contra secuestro de prompts, el sistema de seguridad neutralizó el 99.3 % de los ataques; las inyecciones tuvieron éxito en apenas el 0.7 % de los casos.

Pero lo que más me llamó la atención fueron las cifras del entorno de desarrollo Google Anti-Gravity. Los equipos registraron un aumento del 35 % en el volumen de código agéntico aceptado, mientras que los retrocesos forzados (rollbacks) cayeron casi un tercio. La cantidad de «atajos» (cuando el modelo deja un comentario // TODO: implement later en lugar de implementar una función compleja) bajó a un récord del 2 %.

Ajustes de API para llamadas estables

Al llamar directamente a Gemini 4 Argon mediante SDK, fija siempre max_output_tokens en al menos 32 000, ya que el modelo consume una parte importante del presupuesto en su monólogo interno de razonamiento. También es clave subir el timeout de red de la librería cliente a un mínimo de 15 minutos para evitar cortes de conexión durante análisis profundos.

Adopción inmediata en la plataforma Manus

Es muy revelador que el entorno agéntico autónomo Manus integrara Gemini 4 Argon el mismo día de su lanzamiento público. Dentro de Manus 2.0, el modelo pasó a ser el motor base para escenarios de Wide Research (investigaciones analíticas profundas de varias horas), generación de aplicaciones web y modelado 3D procedimental en Manus Studio.

El acceso al modelo está abierto en Google AI Studio, vía API en las suscripciones Google AI Pro y Ultra, y los investigadores de ciberseguridad pueden solicitar cuotas dentro del programa especializado Google Fairwind. Es una herramienta madura para quienes necesitan razonamiento fiable durante horas sin concesiones.

Quiero un análisis detalladoLos votos ayudan a elegir qué analizar a fondo. Este material tiene 0 votos.
Fuentes · 2