Google DeepMind anunció el 30 de septiembre Gemini 4 Argon, su nuevo modelo de frontera. No sale para todos. La primera tanda de acceso va a un grupo de defensores de ciberseguridad de confianza a través del programa Fairwind, y la empresa dice que lo abrirá a desarrolladores, empresas y consumidores "lo antes posible", después de ajustar las salvaguardas con lo que reporten esos primeros usuarios.
Según Google, el modelo está pensado para sostener razonamiento profundo en flujos de trabajo largos y complejos. Los tres frentes que destaca son la ingeniería de software real, el trabajo de conocimiento en áreas como derecho y finanzas, y la defensa en ciberseguridad.
La compañía explica el despliegue por etapas como un tema de seguridad. Participa en el proceso voluntario del gobierno de Estados Unidos para dar acceso a modelos antes de su lanzamiento, y mientras tanto irá ampliando el acceso de a poco.
¿Cuánto costará Gemini 4 Argon?
Argon saldrá con un precio de lanzamiento de 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida. Los tokens de entrada en caché tendrán un descuento de 95% sobre el precio de entrada. Google lo presenta como precio introductorio, sin decir hasta cuándo rige.
Cómo lo usa Google puertas adentro
Antes del anuncio, Argon ya corría en los flujos internos de la empresa. Según Google, miles de empleados lo usan para tareas de programación especializada, investigación de más fondo y redacción. Los ejemplos que entrega son tres.
- Optimización de algoritmos cuánticos. Los investigadores de computación cuántica lo usan para reducir los recursos de espacio y tiempo (qubits por compuertas) de subrutinas que frenan aplicaciones importantes. En un caso superó en 40% la referencia publicada, en cuestión de minutos.
- Eficiencia de memoria. Un equipo de agentes de Argon analizó la telemetría de perfilado de toda la flota y aplicó por su cuenta optimizaciones de memoria en los centros de datos de Google. Una vez desplegadas liberaron más de 300 TiB de memoria, y la empresa estima un ahorro total de entre 500 TiB y 1 PiB.
- Migraciones de código a gran escala. Agentes de Argon migran bases de código de C y C++ a Rust en distintas áreas de Google, desde decenas de miles de líneas en bibliotecas como re2 y libgav1 hasta más de 800.000 líneas del kernel Zircon del sistema operativo Fuchsia. Como varios de esos sistemas son delicados, las reescrituras pasan por auditoría automática y manual, pruebas en emulación y revisión antes de llegar a producción.
El caso de libgav1, la biblioteca de código abierto de Google para decodificar video, es el más detallado. Los agentes tomaron un port a Rust que ya existía y reemplazaron 32.000 líneas de código SIMD. Para eso corrieron muchas rondas de experimentos guiados por perfilado, estudiaron lo que generaba el compilador y escribieron Rust seguro que el compilador pudiera vectorizar solo. El resultado es un decodificador con memoria segura que corre 2,7 veces más rápido que el port a Rust, con la misma salida de video, y que queda más cerca del rendimiento de la versión optimizada en C++.
Un millón de tokens de salida
Para tareas más largas, Google subió el límite de tokens de salida del modelo a 1 millón, desde los 64.000 de antes, y lo describe como el más alto de la industria. La idea es que el modelo tenga espacio para pensar a fondo y generar cientos de miles de tokens en una sola trayectoria, y así resolver problemas difíciles de una vez.
¿Qué resultados muestra en programación y trabajo empresarial?
Los ingenieros de Google usan Argon a diario, desde la depuración de todos los días hasta migraciones grandes de código y diseño de algoritmos. En DeepSWE v1.1, que mide el desempeño en tareas largas de ingeniería de software real, el modelo marca 77,9%, el mejor resultado registrado según Google.
Fuera de la programación, Argon encabeza el Vals Index, que mide impacto económico en finanzas, programación, derecho y tributación, con cada sector ponderado según su aporte al PIB de Estados Unidos. Google reporta resultados igual de altos en evaluaciones de dominios específicos, como Vals Finance Agent v2 (investigación financiera en varios pasos) y el Legal Agent Benchmark de Harvey (investigación y redacción legal). En AutomationBench, el benchmark de Zapier que mide la ejecución de punta a punta en funciones centrales de una empresa, queda primero con 51,3%.
La compañía también lo muestra fuerte cuando el trabajo exige entender imágenes. Argon analiza gráficos profesionales, identifica detalles en videos largos y actúa a partir de una serie de documentos. En LVBench, que mide comprensión de video largo, marca 91,7%, también el mejor resultado según Google.
Ciberseguridad defensiva
Google entrenó a Gemini 4 Argon para defensa en ciberseguridad. El modelo puede encontrar, validar y parchar por su cuenta vulnerabilidades críticas de software. A los defensores de confianza y a sus propios equipos internos, Google les entregará Argon sin las barreras de ciberseguridad que traerá la versión general, para que aprovechen todo lo que el modelo puede hacer en ese terreno.
Wiz ya lo usa en su iniciativa Scan for Good, un programa que protege gratis infraestructura pública crítica buscando y corrigiendo exposiciones de alto riesgo. En una primera demostración, el modelo encontró una vulnerabilidad crítica que exponía información personal sensible en software de salud usado por hospitales de todo el mundo. Según Google, los modelos de frontera anteriores no la habían detectado.
En CWE-bench v1, que evalúa la capacidad de un modelo para remediar vulnerabilidades de seguridad, Argon comparte el primer lugar con 68%. Es la continuación del resultado que había logrado Gemini 3.8 Flash Cyber en CWE-bench v0.
Google pone dos ejemplos de lo que avanzó frente a 3.8 Flash Cyber en el descubrimiento de vulnerabilidades.
- En el benchmark interno de vulnerabilidades de Google, Argon encontró un abanico amplio de exposiciones en bases de código complejas escritas en 20 lenguajes de programación.
- En el benchmark interno de pruebas de penetración de caja negra de Wiz, que mide la capacidad de analizar sistemas web en vivo sin acceso al código fuente, Argon supera a 3.8 Flash Cyber al descubrir la superficie de ataque, identificar vulnerabilidades y generar pruebas de concepto que las validan.
¿Qué salvaguardas aplica Google antes de abrirlo?
Antes del despliegue amplio, Google dice que sigue reforzando las salvaguardas en cuatro áreas. El anuncio detalla tres.
Uso malicioso. Para impedir que alguien use Argon en ataques informáticos o químicos, biológicos, radiológicos y nucleares (QBRN), el modelo está diseñado para rechazar pedidos dañinos sin bloquear la investigación científica legítima de doble uso, según su Marco de Seguridad de Frontera. Para este lanzamiento la empresa endureció esas salvaguardas, entre otras cosas mejorando sus técnicas para vigilar las activaciones internas del modelo y detectar abusos. Equipos rojos internos y externos las pusieron a prueba con ataques manuales y automatizados.
Inyección de instrucciones. Google afirma que Argon es su modelo más resistente hasta ahora a la inyección indirecta de instrucciones, el ataque en que se esconden órdenes o contexto malicioso para secuestrar el comportamiento del modelo. Con equipos rojos automatizados y entrenamiento adversarial, el modelo lidera el benchmark de inyección indirecta (IPI) de Gray Swan.
Desalineación. Para evitar que Argon se salga de los límites e intente cumplir una tarea de una forma que va más allá de lo que quiso el usuario, Google despliega mitigaciones que vigilan la cadena de razonamiento y las acciones del modelo, y detienen la ejecución cuando hace falta.
Un sistema parecido vigiló las corridas de entrenamiento y mandó alertas a un equipo dedicado de respuesta a incidentes. Google dice que tuvo cuidado de no devolver esos hallazgos al entrenamiento, para no moldear el razonamiento de Argon de forma que aprendiera a esquivar la vigilancia. La empresa pide al resto de la industria que preserve la transparencia del razonamiento en esta etapa, para que los pensamientos de los modelos sigan sirviendo para identificar y diagnosticar la desalineación.
