Gemini 4 Argon para agentes de programación: configuración, costos y qué tareas delegarle

Gemini 4 Argon está disponible de forma general desde el 13 de octubre de 2026 como gemini-4-argon, un modelo estable dentro del nivel de pago de la Gemini API. Los suscriptores de Google AI Pro y Ultra también tienen acceso a él en la aplicación Gemini, y los suscriptores de Ultra en Antigravity. No existe un nivel de API gratuito. Para un agente de programación basado en Gemini 4 Argon, las cifras confirmadas son: una ventana de contexto de 1 048 576 tokens compartida entre entrada, razonamiento y salida; 65 536 tokens de salida por solicitud de manera predeterminada, alcanzando hasta aproximadamente 1M en modo en segundo plano; el primer puesto en el benchmark de programación DeepSWE v1.1 con un 77,9 %; resultados inferiores en Terminal-bench 4.0 y FrontierSWE v2; y un precio de 2 $ por millón de tokens de entrada y 10 $ por millón de salida hasta el 30 de noviembre, pasando a 4 $ y 20 $ a partir del 1 de diciembre.

El dilema ya no radica en el acceso, sino en el impacto que un nuevo modelo de frontera provoca en tu panel de trabajo: tienta a los equipos a reestructurarlo todo a su alrededor, desembocando en una semana de incertidumbre en la que nadie sabe con certeza qué agente se ocupa de cada tarea. Si un Gemini Agent ya se encuentra ejecutando Tasks reales en un modelo de tu confianza, dar el salto a Argon consiste simplemente en modificar un valor en un Computer y comparar a continuación una Task frente a la anterior. Una advertencia condiciona esta guía: Google no ha confirmado que Gemini CLI sea compatible con Argon, por lo que te recomendamos verificarlo en tu propio Computer antes de asignarle una Task a Argon.

TL;DR

Instala Gemini CLI en un Computer conectado y autentícalo con una clave de pago de la Gemini API, una clave de Gemini Enterprise Agent Platform o una licencia de Code Assist Standard o Enterprise; las cuentas personales de Google perdieron el acceso a Gemini CLI el 18 de junio, y una suscripción Pro o Ultra no equivale a una clave de API. Confirma que el Runtime indique Available, crea un Agent en él y fija el modelo en gemini-3.8-flash. Luego cambia ese valor a gemini-4-argon, ejecuta un smoke prompt de una sola línea, realiza un nuevo escaneo, ejecuta una Task que ya hayas probado anteriormente y compara los resultados. Enruta según las filas de los benchmarks, no por los titulares.

Qué está confirmado y qué no

A fecha de 15 de octubre de 2026: Google anunció Argon el 30 de septiembre para un grupo seleccionado de socios de ciberdefensa en su programa Fairwind, y el registro de cambios de la Gemini API recoge gemini-4-argon con disponibilidad general a partir del 13 de octubre. La página de precios de Google especifica que Argon no está disponible en el nivel Free; la inferencia en Batch y Flex cuesta la mitad de la tarifa estándar.

Estas son las filas verdaderamente relevantes para un equipo de programación, extraídas directamente de la tabla de evaluación de Google:

Interpreta estos datos con la salvedad que indica la propia metodología de Google: la compañía evaluó las puntuaciones de Argon en DeepSWE y Terminal-bench internamente, mientras que la mayoría de las cifras de los modelos competidores fueron reportadas por sus respectivos laboratorios o extraídas de tablas de clasificación públicas. Los entornos de evaluación varían. Desde el lanzamiento, Cursor ha reportado un 52,8 % para Argon en su propio CursorBench con esfuerzo por defecto, situándolo al mismo nivel que Opus 5.5. Nuestra comparativa a tres bandas analiza los resultados métrica por métrica.

Tres especificaciones técnicas condicionan su funcionamiento. La ventana de 1M es compartida, por lo que una ejecución que lea un repositorio voluminoso dejará menos margen para generar código. Una solicitud síncrona se interrumpe de forma predeterminada al alcanzar los 65 536 tokens de salida; para obtener la salida completa se necesita el modo de decodificación prolongada en segundo plano de la Interactions API, que puede tardar minutos. Además, Argon prescinde del almacenamiento en caché explícito e ignora temperature, por lo que las configuraciones heredadas de Gemini 3 que incluyan cualquiera de estos parámetros deben limpiarse. Todavía no se han publicado: la fecha de corte de conocimiento (knowledge cutoff), su disponibilidad en Vertex AI ni ningún comunicado oficial relativo a Gemini CLI.

Paso 1: configurar un Runtime de Gemini CLI en un Computer

Este paso encierra una trampa previa a la llegada de Argon. El 18 de junio, Gemini CLI dejó de dar soporte a cuentas Google AI Pro, Google AI Ultra y cuentas individuales gratuitas de Code Assist, trasladando a dichos usuarios a Antigravity CLI. De acuerdo con el comunicado de transición de Google, Gemini CLI sigue estando disponible a través de claves de pago de la Gemini API, claves de Gemini Enterprise Agent Platform y licencias Code Assist Standard o Enterprise. Iniciar sesión con una cuenta personal de Google ya no proporciona un Runtime operativo, ni tampoco una suscripción Pro o Ultra, a pesar de que ambas incluyan ahora Argon en la app Gemini. Contar con una clave de pago es la vía más sencilla para ejecuciones desatendidas, y Argon la requiere obligatoriamente.

En el Computer donde se ejecutarán las tareas, instala o actualiza Gemini CLI y verifica primero su funcionamiento en un terminal estándar:

export GEMINI_API_KEY="your-paid-project-key"
gemini -m gemini-3.8-flash -p "Reply with the word ok."

Si el comando responde, la herramienta está lista en ese host. Entra en el detalle del Computer y realiza un rescan o una prueba de conexión; el Runtime de Gemini CLI debería mostrarse como Available. Si indica Detection failed o señala que la sesión no está iniciada, sigue los pasos de la página de detalle y vuelve a escanear. El artículo Computers en Sharkly describe en detalle cada uno de estos estados.

Paso 2: configurar un Agent y comprender dónde reside el modelo

Sharkly no elige modelos de forma arbitraria. La documentación de Agents lo expone con claridad: «El Agent adopta el modelo predeterminado del Runtime. No promete ni muestra el nombre de un modelo específico». Para cambiar de modelo, la documentación remite a los Custom arguments en el Agent o el Runtime, o a la configuración de herramientas del Runtime o Computer, descartando la presencia de un menú desplegable de modelos en el Agent.

El Agent define la lógica con la que debe abordarse el trabajo; el Computer suministra el entorno de ejecución; el Runtime (en este caso, Gemini CLI) ejecuta la sesión del agente; y la Task funciona como el registro compartido de todo el proceso. Crea el Agent desde Agents > New Agent: escoge el Computer y el Runtime de Gemini CLI, define el directorio de trabajo predeterminado en Create temporary directory para que cada Task opere en un directorio aislado y, al trabajar con repositorios, en un worktree limpio, y redacta instrucciones directas y concisas. El artículo Agents en Sharkly aborda las demás opciones de configuración.

El modelo se establece en la propia configuración de Gemini CLI. Gemini CLI lo determina siguiendo un orden documentado: primero el flag -m o --model, después la variable de entorno GEMINI_MODEL, luego el campo model.name en settings.json y, en última instancia, el valor por defecto, auto. El archivo de preferencias de usuario de Gemini CLI en el Computer, ~/.gemini/settings.json, aplica a todas las sesiones de Gemini CLI de ese usuario:

{ "model": { "name": "gemini-3.8-flash" } }

# Agent environment variable: only this Agent's runs
GEMINI_MODEL=gemini-3.8-flash

# or an Agent Custom argument (additional Runtime arguments)
-m gemini-3.8-flash

Configurar el archivo de preferencias es la alternativa general más fiable. Los parámetros a nivel de Agent resultan idóneos cuando un mismo Computer da soporte a múltiples Agents y solo se desea migrar uno en particular; pruébalos en un único Agent antes de estandarizarlos. Conviene fijar el modelo de forma explícita en lugar de dejar auto, ya que este enruta entre modelos y puede conmutar a otro ante fluctuaciones de cuota, invalidando cualquier comparativa.

Paso 3: migrar un único Agent a Argon

Empieza validando la API para descartar que un problema de credenciales se interprete como un fallo del CLI. Esta es la llamada oficial de Google, lanzada desde el Computer:

curl "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H 'Content-Type: application/json' \
  -X POST \
  -d '{
    "model": "gemini-4-argon",
    "input": "Your prompt here",
    "generation_config": {"thinking_level": "medium"}
  }'

Si la llamada responde, la clave tiene autorización para consultar Argon (thinking_level admite low, medium, que es el predeterminado, o high). A continuación, prueba directamente con Gemini CLI:

gemini -m gemini-4-argon -p "Reply with the word ok."

Ese smoke prompt constituye tu comprobación definitiva, por encima de este artículo. Google no ha confirmado que Gemini CLI sea compatible con Argon y, a 1 de octubre, su código fuente no contenía ninguna referencia a Argon. Si el prompt no prospera, actualiza Gemini CLI (sharkly computer update solicita la actualización del CLI para un Runtime concreto) y prueba de nuevo. Si persiste el fallo, el Agent seguirá operando sobre Flash sin romper nada en el panel.

Si la prueba tiene éxito, basta con actualizar un solo valor: model.name, GEMINI_MODEL o el argumento -m. Haz un nuevo escaneo desde el detalle del Computer y verifica que marque Available. Después, asigna una Task que ya hayas ejecutado previamente con Flash y compara los dos resultados directamente donde se registran, en la Task: el diff resultante, las validaciones que ejecutó el Agent y las correcciones que debió aplicar el revisor.

Cuándo conviene asignar la Task a Argon y cuándo no

Asigna la Task a Argon cuando el trabajo requiera procesar un gran volumen de información para realizar un cambio puntual, o bien cuando sea indispensable producir una modificación extensa que deba guardar coherencia estructural: resolución de incidencias entre múltiples módulos en un repositorio extenso o migraciones que abarquen miles de líneas de código. Las métricas de Google respaldan este enfoque con una holgada ventaja en contextos largos (84,2 % en GraphWalks de 256K a 1M frente al 71,8 % de Astra) y su posición de liderazgo en DeepSWE. A nivel interno, Google empleó Argon en migraciones de C/C++ a Rust de más de 800 000 líneas, auditando y revisando en todo momento los resultados antes de pasarlos a producción. Delimita el alcance de la Task para que una persona pueda auditar el resultado con solvencia. Una ejecución de un millón de tokens representa un cuello de botella en la revisión mucho antes de ser una ganancia de velocidad.

Mantén la Task en Flash o en otro Runtime cuando la tarea dependa intensamente del terminal (Opus 5.5 supera a Argon por nueve puntos en Terminal-bench 4.0), se asemeje a los escenarios de FrontierSWE (Astra aventaja por más de diez puntos), requiera interactuar con una interfaz gráfica (Astra lidera en OSWorld-2.0) o consista en una corrección rutinaria. Argon cuesta en torno a 2,7 veces el precio por token de Flash hasta el 30 de noviembre, y más de cinco veces a partir de diciembre, ya que la tarifa de Argon se duplica un mes antes que la de Flash. Disponer de un Agent con Claude Code o Codex en el mismo panel de trabajo está a una sola reasignación de distancia. La guía sobre cómo asignar modelos a cada tarea detalla cómo formalizar esta política para que el resto del equipo enrute bajo idénticos criterios.

Ninguna de estas pautas es definitiva hasta que pruebes Argon en tu propio repositorio.

Conserva la estructura y cambia solo el modelo

El principio fundamental que subyace a este enfoque es la neutralidad frente al proveedor. Los modelos de frontera se renuevan continuamente con líderes cambiantes según la tarea; un equipo que reconstruya su infraestructura para cada uno de ellos se verá obligado a empezar de cero cada mes. Al concentrar las asignaciones, el contexto, el avance, los bloqueos, los resultados y la revisión humana en un único espacio, el modelo pasa a ser un simple parámetro dentro de un Computer. Los agentes investigan, ejecutan, verifican y notifican. Las personas definen la estrategia, autorizan las acciones y validan el resultado final.

Si necesitas ejecutar varias tareas simultáneas con Gemini en paralelo, asignar un worktree independiente a cada Task es una solución eficaz a pequeña escala; nuestra guía sobre ejecución paralela con Gemini CLI ilustra la arquitectura de este patrón. Puedes orquestar este flujo manualmente mediante worktrees o confiar en Sharkly para gestionar todo el ciclo de trabajo.