El pasado 30 de septiembre, Google presentó a un grupo reducido de probadores su nuevo modelo de inteligencia artificial, Gemini 4 Argon, acompañado de una tabla comparativa donde Argon superaba a Claude Opus 5.5 en 14 de 18 pruebas. Entre sus victorias destacaban el test DeepSWE (77,9% frente a 74,2%) y GraphWalks en rangos de 256.000 a un millón de tokens (84,2% frente a 66,8%). Sin embargo, dos semanas después, el 13 de octubre, Google abrió Argon al público de desarrolladores que pagan por la API de Gemini.
Google también reconoció en qué categorías Opus 5.5 mantenía la ventaja, imponiéndose en cuatro de los benchmarks, entre ellos Terminal-bench 4.0 (66,4% frente a 57,4%), prueba que evalúa la capacidad para realizar tareas automatizadas en línea de comandos.
Otro aspecto a destacar es la política de precios de Google, que durante el período promocional hasta el 30 de noviembre ofrece Argon a mitad de precio respecto a Opus 5.5: 2 dólares por cada millón de tokens de entrada y 10 dólares por cada millón de tokens de salida. A partir del 1 de diciembre, los precios se equipararán, subiendo a 4 y 20 dólares respectivamente. Esto da a los desarrolladores seis semanas para decidir si Argon les ofrece una mejor relación calidad-precio o simplemente cuesta menos. 
Evaluación práctica de ambos modelos
Para comprobar si Argon realmente es superior o solo más barato, se realizaron comparativas directas de ambos modelos en tres pruebas técnicas complejas, áreas donde Google asegura que Argon destaca.
Las pruebas se ejecutaron una vez por modelo a través de OpenRouter, empleando los servidores oficiales de Google y Anthropic, bajo configuraciones predeterminadas de razonamiento. Se desarrollaron y verificaron antes unas claves de respuestas que permitieron una evaluación rigurosa de cada resultado.
- Detección de errores en código: análisis de una librería Python de 3.500 líneas con 14 errores lógicos intencionados y 5 pistas falsas. Cada modelo revisó y corrigió el código.
- Especificación de facturación: desarrollo de un motor de suscripción con 80 pruebas ocultas para validar cálculos de horarios de verano, cierres de mes y redondeos. Luego se añadió un seguimiento con dos monedas adicionales y 20 pruebas más.
- Contexto amplio: se utilizó una wiki ficticia con 400 servicios interrelacionados en distintas escalas. Ambos modelos debían responder preguntas complejas sobre dependencias, con trampas implícitas.
Detección y corrección de errores
En esta prueba, los dos modelos empataron: detectaron los 14 errores sin identificar falsos positivos. En la corrección, mantuvieron intactas las 93 pruebas existentes mientras solucionaban los errores. Argon resultó notablemente más económico, con un coste medio de 1 céntimo por cada error detectado frente a 2,4 céntimos de Opus, calculado según el total de llamadas realizadas.
Respecto al uso de tokens y tiempo:
- Argon: 53.031 tokens de entrada, 3.964 de salida, 0,15 dólares, 43 segundos para revisión; 54.923 in, 24.292 out, 0,35 dólares, 187 segundos para corrección.
- Opus: 64.572 in, 4.053 out, 0,34 dólares, 39 segundos revisión; 66.465 in, 34.263 out, 0,95 dólares, 220 segundos corrección.
Pruebas de especificación de facturación
Aquí comenzaron a verse diferencias claras en precisión: Opus superó todas las pruebas, pasando 80 de 80 en la versión inicial y 100 de 100 tras añadir la nueva moneda. Argon aprobó solo 11 pruebas inicialmente y 20 tras la extensión.
El fallo de Argon se debió a un pequeño error en el código: añadió un argumento extra en la llamada a datetime.combine() en Python, que genera una excepción y afecta al resto del módulo, que depende de esta función. Al corregirlo manualmente, Argon habría pasado todas las pruebas. Sin embargo, los resultados oficiales reflejaron el error sin modificaciones.
El coste fue nuevamente más bajo para Argon, aunque tras la finalización del periodo promocional de precios esa ventaja desaparecería, si bien podría mantenerse por su menor consumo de tokens.
- Argon: build con 3.907 tokens in, 3.727 out, 0,05 dólares, 54 segundos; seguimiento 8.881 in, 4.673 out, 0,06 dólares, 42 segundos.
- Opus: build 5.236 in, 7.763 out, 0,18 dólares, 63 segundos; seguimiento 11.807 in, 7.267 out, 0,19 dólares, 52 segundos.
Procesamiento de contexto extenso
Los modelos difieren en cómo cuentan los tokens, por lo que los documentos analizados variaron en tamaño efectivo entre Argon y Opus. Un texto de 500.000 palabras resultó en 549.483 tokens para Argon y 784.087 para Opus. Ante restricciones de Opus (rechazo de documentos con más de un millón de tokens), se incluyó un tercer documento de 600.000 tokens para pruebas comparativas.
Ambos modelos respondieron correctamente dos de tres preguntas en todos los tamaños. La mayor divergencia vino en la pregunta sobre el “radio de explosión” —qué servicios caen ante la falla de uno— donde la respuesta correcta eran 33 servicios.
Opus acertó todos (33/33) con el documento de 500.000 tokens y 32/33 en el de 600.000, sin equivocaciones adicionales. Argon obtuvo resultados inferiores: 20 correctas y 8 erróneas a 500.000; 19 correctas y 16 erróneas a 600.000; y 23 correctas con 2 equivocaciones a 900.000 tokens. En los dos últimos tamaños, consideró erróneamente eliminada una dependencia que en el documento se reintroducía, mostrando fallos de razonamiento persistentes.
Además, Argon procesó estas consultas mucho más rápido, sin detallar el razonamiento paso a paso, mientras que Opus dedicó más tiempo a la reflexión, lo que se evidenció en el uso de tokens (Opus utilizó más de 5.000 tokens para la lógica, frente a solo 243-425 de Argon). Aunque esta rapidez puede parecer positiva, posiblemente está ligada a las imprecisiones detectadas.
En resumen, Argon resultó más barato pero su inexactitud lo desaconseja en tareas similares.
- 500k tokens: Argon 549.483 in, 264 out, 1,10 dólares, 24 segundos; Opus 784.087 in, 5.532 out, 3,25 dólares, 68 segundos.
- 600k tokens: Argon 652.492 in, 425 out, 1,31 dólares, 32 segundos; Opus 935.332 in, 5.158 out, 3,84 dólares, 69 segundos.
- 900k tokens: Argon 982.367 in, 243 out, 1,97 dólares, 42 segundos; Opus no pudo procesarlo.
Conclusiones y comparativa final
| Prueba | Gemini 4 Argon | Claude Opus 5.5 |
|---|---|---|
| Detección errores | 14/14, sin falsos positivos | 14/14, sin falsos positivos |
| Corrección errores | 14/14, 93/93 tests exitosos | 14/14, 93/93 tests exitosos |
| Especificación facturación | 11/80 | 80/80 |
| Seguimiento facturación | 20/100 | 100/100 |
| Radio explosión 500k tokens | 20/33, 8 erróneas | 33/33 |
| Radio explosión 600k tokens | 19/33, 16 erróneas | 32/33 |
| Radio explosión 900k tokens | 23/33, 2 erróneas | No procesado |
| Total tokens entrada/salida | 2.305.084 / 37.588 | 1.867.499 / 64.036 |
| Costo total | 4,98 dólares | 8,75 dólares |
| Tiempo total | 423 segundos | 511 segundos |
Aunque las pruebas oficiales de Google mostraban a Argon como superior, estos test independientes reflejan una imagen más equilibrada, donde Argon empata con Opus en detección y corrección de errores a un coste mucho menor, pero presenta fallos significativos en tareas de lógica compleja y manejo de contextos amplios.
Por ello, para proyectos que requieran garantías sólidas de fiabilidad y precisión, Claude Opus 5.5 sigue siendo la opción recomendada, mientras Google continúa mejorando su modelo Gemini 4 Argon para alcanzar ese nivel.
