Tecnología
¿Qué puede hacer Gemini 4 Argon con un millón de tokens de salida?
Gemini 4 Argon amplía la salida hasta un millón de tokens y permite a sus agentes abordar trabajos largos, revisar código y continuar durante horas.

Resumen
- Gemini 4 Argon eleva la salida hasta un millón de tokens
- Puede mantener trabajos autónomos largos sin reiniciar la tarea
- Google ya lo prueba en código, centros de datos y ciberseguridad
Gemini 4 Argon eleva hasta un millón de tokens el límite de salida y, más que permitir respuestas descomunalmente largas, abre otra forma de utilizar la inteligencia artificial: encargarle trabajos complejos que pueden desarrollarse durante mucho tiempo, mantener decenas o cientos de miles de pasos dentro de una misma trayectoria y entregar después un resultado terminado. El salto es enorme frente a los 64.000 tokens de generaciones anteriores de Gemini.
La novedad importante, por tanto, no consiste en pedir a una máquina que escriba el equivalente a una biblioteca pequeña. Consiste en que un agente pueda analizar código, investigar, probar soluciones y corregirse sin tener que empezar de nuevo cada pocos minutos. Google ya está utilizando Argon internamente para migraciones masivas de software, optimización de centros de datos, investigación y ciberseguridad. El viejo esquema de pregunta y respuesta empieza a quedarse pequeño: aquí el producto se parece más a un encargo que a una conversación.
Un millón de tokens no significa un millón de palabras
Conviene aclarar la cifra antes de que el marketing haga de las suyas. Un token no equivale exactamente a una palabra: es una unidad en la que los modelos dividen el lenguaje. Como aproximación, un millón de tokens en inglés puede rondar las 750.000 palabras, aunque la equivalencia cambia según el idioma y el texto. Es una cantidad absurda para una conversación normal. Nadie necesita una respuesta que requiera varias decenas de horas de lectura.
Y precisamente ahí está el asunto. Google no ha diseñado ese margen para fabricar novelas kilométricas a petición del usuario, sino para dar espacio de maniobra a procesos largos y complejos. Gemini 4 Argon pasa de un máximo anterior de 64.000 tokens de salida a 1.000.000, unas 15 veces más. Ese margen permite mantener razonamientos y ejecuciones de muchos pasos dentro de una trayectoria mucho más extensa.
Tampoco debe interpretarse ese millón como una única descarga ininterrumpida que permanece abierta eternamente. Para trabajos extremadamente extensos entra en juego un mecanismo de continuación que permite pausar y reanudar la generación mediante sucesivas llamadas de la API, evitando que una ejecución muera por superar el tiempo disponible. Para el trabajo lógico es una continuidad; por debajo, la infraestructura puede ir cosiendo distintos tramos.
De conversar con Gemini a dejarle un encargo
La diferencia parece semántica hasta que se observa qué está haciendo Google con Argon. Uno de los casos más llamativos afecta a la migración de grandes bases de código escritas en C y C++ hacia Rust, un lenguaje utilizado cada vez más cuando se busca reducir determinados errores relacionados con la memoria.
Agentes basados en Gemini 4 Argon trabajan desde librerías de decenas de miles de líneas hasta el kernel Zircon de Fuchsia, que supera las 800.000 líneas de código. No se trata simplemente de traducir instrucciones línea por línea. Una migración real obliga a entender dependencias, compilar, probar, comparar rendimiento y detectar dónde una sustitución aparentemente correcta rompe otra parte del sistema. Estas transformaciones todavía pasan por auditorías automatizadas y humanas antes de utilizarse en producción.
Hay un ejemplo especialmente ilustrativo. En libgav1, el decodificador de vídeo de código abierto de Google, agentes de Argon reemplazaron unas 32.000 líneas de código SIMD de una versión escrita en Rust mediante sucesivas pruebas de rendimiento y análisis de la salida del compilador. El resultado comunicado funciona 2,7 veces más rápido que el port anterior manteniendo idéntica salida de vídeo.
Eso ya se parece bastante poco al chatbot que contesta cómo cocer pasta.
Argon también ha trabajado sobre los centros de datos de Google
El otro ejemplo ayuda a comprender mejor qué significa IA autónoma de largo recorrido. Un conjunto de agentes analizó telemetría de rendimiento procedente de la infraestructura de Google para localizar posibles optimizaciones de memoria. Las mejoras desplegadas han liberado más de 300 TiB de memoria, mientras que el ahorro potencial completo podría situarse entre 500 TiB y 1 PiB.
Aquí la escala importa más que la cifra espectacular. Un ser humano puede estudiar un registro, encontrar una anomalía y proponer un cambio. Un agente puede recorrer cantidades gigantescas de telemetría, buscar patrones, contrastarlos con código, experimentar y seguir trabajando durante una secuencia prolongada allí donde una conversación convencional habría terminado veinte mensajes atrás.
Ese cambio tiene consecuencias bastante concretas para empresas y desarrolladores. La interfaz deja de ser necesariamente una caja de texto donde alguien permanece sentado esperando respuestas. Puede convertirse en una especie de mesa de entrada de trabajos: se entrega una base de código, unos documentos, una investigación financiera o un problema técnico y el sistema avanza durante una secuencia prolongada de operaciones.
El gran salto no sirve de mucho sin revisar el resultado
Más autonomía tampoco significa automáticamente mejores resultados. Es justo lo contrario de una garantía. Cuanto más largo sea un trabajo, mayor será el espacio disponible para cometer un pequeño error al principio y arrastrarlo durante miles de pasos.
Google lo sabe. En las migraciones críticas de código mantiene revisión humana, pruebas, emulación y auditorías antes de desplegar los cambios. La compañía también utiliza mecanismos destinados a detectar cuándo Argon se aparta de la intención original y detener la ejecución cuando sea necesario.
Ésta puede terminar siendo una de las paradojas de los agentes avanzados. Cuanto menos tenga que intervenir una persona durante la ejecución, más importante resulta saber comprobar después lo que ha hecho. Leer 700.000 palabras no es supervisión; es una condena administrativa. La revisión tendrá que desplazarse hacia pruebas automáticas, validaciones independientes, resultados reproducibles y controles sobre aquello que realmente importa.
Y cambia también el trabajo humano. El profesional deja de ser únicamente quien ejecuta cada paso para convertirse, en determinadas tareas, en quien define el encargo, establece los límites y comprueba la entrega. No desaparece la responsabilidad. Se desplaza.
Los benchmarks son potentes, pero no son una sentencia
Google presenta Gemini 4 Argon como un modelo especialmente preparado para ingeniería de software, tareas financieras y jurídicas, automatización empresarial y ciberseguridad. En DeepSWE v1.1, una evaluación de ingeniería de software de largo recorrido, la compañía comunica un resultado del 77,9 %. En AutomationBench, desarrollado para medir ejecuciones completas de procesos empresariales, Argon obtiene un 51,3 %.
Son cifras interesantes, aunque requieren la cautela habitual. Los benchmarks capturan determinados tipos de problemas bajo unas condiciones concretas. Un modelo brillante resolviendo una prueba no adquiere por ello una licencia universal para sustituir ingenieros, abogados o analistas. Entre resolver una evaluación y operar durante meses dentro de una empresa hay una distancia considerable, llena de excepciones, sistemas antiguos, permisos, datos defectuosos y ese material tan poco elegante llamado mundo real.
La ventaja de Argon parece estar precisamente en aguantar trabajos largos sin romper la continuidad, no simplemente en producir una respuesta más bonita.
El acceso a Gemini 4 Argon sigue siendo limitado
Hay otro detalle importante para quien busque abrir Gemini y probar inmediatamente esa capacidad: Argon todavía no está disponible de forma generalizada. Google inició el despliegue con un grupo restringido de especialistas en ciberseguridad dentro de su programa Fairwind y está aplicando una apertura escalonada mientras amplía las salvaguardas del modelo.
La compañía prevé llevarlo después a desarrolladores, empresas y consumidores, comenzando por clientes de pago de la API y suscriptores de Google AI Ultra, pero no ha fijado una fecha general de disponibilidad. La prudencia está especialmente relacionada con las capacidades de ciberseguridad: Argon puede localizar, validar y parchear vulnerabilidades de software de forma autónoma, una capacidad magnífica para quien protege un sistema y bastante menos tranquilizadora cuando cambia de manos.
Google ha anunciado un precio introductorio de 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida. Cuando termine ese periodo inicial, las tarifas anunciadas pasarían a 4 y 20 dólares, respectivamente. Así que generar literalmente un millón de tokens no sólo sería una pequeña tortura para el lector: también tendría un coste apreciable.
El precio por token, de hecho, empieza a contar sólo una parte de la historia. Si dos agentes cobran distinto pero uno necesita realizar el doble de razonamiento para terminar el mismo trabajo, comparar únicamente la tarifa es como elegir taxi mirando el precio por kilómetro y olvidarse de preguntar por dónde piensa llevarnos.
La IA empieza a medirse por el trabajo que termina
Durante años la carrera de la inteligencia artificial se ha contado mediante respuestas: quién escribía mejor, quién razonaba mejor, quién programaba mejor, quién contestaba más rápido. Gemini 4 Argon introduce otra vara de medir. No sólo importa la calidad de una respuesta, sino cuánto tiempo puede sostener un trabajo y qué ocurre durante todos esos pasos que el usuario ya no observa.
Ahí está el verdadero significado del millón de tokens. La cifra es aparatosa, perfecta para un titular, pero secundaria. Lo relevante es que los modelos empiezan a recibir encargos cuya unidad de tiempo ya no son unos segundos de conversación, sino procesos prolongados: revisar una gran base de código, investigar cientos de documentos, localizar un fallo, probar una solución, descartarla, buscar otra y continuar.
Eso acerca la inteligencia artificial a los agentes autónomos que la industria lleva años prometiendo, aunque con una diferencia saludable: los ejemplos reales también están dejando claro que autonomía no equivale a infalibilidad. Google revisa las migraciones de Argon y limita inicialmente su distribución precisamente porque un sistema capaz de hacer mucho durante mucho tiempo también puede equivocarse mucho antes de que alguien se dé cuenta.
El salto, entonces, no consiste en tener un chatbot infinitamente hablador. Eso sería hasta bastante insoportable. Consiste en pasar de una máquina que responde a una máquina que ejecuta trabajos, mantiene el hilo durante recorridos enormes y devuelve una entrega que alguien tendrá que verificar. La conversación fue la puerta de entrada de la IA. Gemini 4 Argon apunta a lo que viene después: dejar el encargo sobre la mesa y juzgar el resultado cuando el trabajo está hecho.












