Google DeepMind ya presenta Gemini 4 Argon como disponible para los suscriptores de Google AI Pro y Ultra. El modelo puede utilizarse mediante Gemini, Google AI Studio y Google Antigravity. La página anuncia una ventana de salida de 1M tokens para demostraciones extensas, refactorizaciones de repositorios completos y grandes resultados estructurados.

Google comunica varios resultados en ingeniería de software. Argon ayudó al equipo de Chrome a separar una carpeta heredada de unos 6 millones de líneas dentro de la base de código de Chromium, que suma 40 millones de líneas. La tarea afectó a cientos de archivos y pasó de una estimación de meses a varias semanas. Según Google, el cambio permitirá mover páginas activas entre pestañas, paneles laterales y ventanas flotantes sin recargarlas. También eliminará una categoría de fallos del navegador.

En el paquete de química cuántica xTB, Argon habría acelerado hasta 2,3x la predicción de estructuras moleculares y 1,8x la búsqueda de conformaciones. Los cambios se aportaron al repositorio oficial de xTB. En el Agent Development Kit de código abierto de Google, el sistema trabajó con un manual .agents/skills. La preparación de sesiones largas en memoria bajó un 40 %, mientras que las importaciones en frío mejoraron un 21 %.

Otro trabajo con vLLM en una A100 elevó el rendimiento de inferencia de Gemma 4 E2B desde unos 37.900 hasta más de 108.000 tokens por segundo. Google informa de una mejora de 2,85x de extremo a extremo, paridad total de tokens y ninguna pérdida de calidad. Argon también migró más de 700 laboratorios de formación de Google Skills repartidos en cinco repositorios. Detectó al menos 16 errores ocultos de tiempo de espera y condiciones de carrera, ahorró 955 horas de ingeniería y redujo el mantenimiento anual de unas 540 horas a una actualización de tres horas.

Las demostraciones incluyen trabajos de Blender con varios agentes, un juego de carreras en miniatura creado a partir de fotografías de un escritorio y un juego 3D desarrollado con Python, Three.js y shaders GLSL. En otro ejemplo, Argon escribió un motor de trazado de rayos en Python puro sin bibliotecas externas. El vídeo resultante usa Gemini 3.8 TTS y música de Lyria 3.5. Otro flujo reconstruyó Chaco Canyon a partir de unos 50 GB de datos LiDAR, GIS, CAD y archivos históricos.

Los socios describen usos profesionales. Isomorphic Labs utiliza Argon para resumir patentes y PDF complejos en investigaciones de descubrimiento de fármacos, con tareas que pasan de semanas a horas. Ambience Healthcare obtuvo una alta sensibilidad y una alta especificidad de códigos ICD-10 en más de 200 historiales longitudinales sintéticos. La empresa todavía valida el sistema con historiales reales. Box informa de una mejora de precisión del 14 % frente a Gemini 3.1 Pro. Cartwheel afirma que redujo casi 100 veces el tiempo de ejecución y un 90 % el uso de tokens en su reconstrucción espacial.

Deloitte comunica una tasa de finalización del 100 % en sus primeras evaluaciones de flujos largos con varias herramientas. Kepler afirma que Argon coincidió con sus modelos financieros elaborados por analistas en más del 99 % de las cifras. Quadrillion informa de una velocidad 1,5 veces superior a la de modelos comparables en tareas de investigación complejas, con un coste por tarea equivalente a una cuarta parte. LexisNexis observa buenos resultados iniciales en investigación jurídica y redacción. MinutalA asegura que Argon encontró un detalle legal relevante que no figuraba en una respuesta de referencia humana. Roboflow integró el modelo después de que quedara primero en sus evaluaciones de detección de objetos y en una prueba textual con imágenes industriales y aéreas.

Los casos científicos abarcan computación cuántica, fusión, enfermedades raras y diseño de enzimas. Un kernel de AlphaQubit optimizado por Argon casi duplicó el rendimiento de inferencia. Una implementación de arcsin verificada formalmente en Lean redujo más de 100 veces el coste espacio-tiempo frente a una línea base publicada basada en quantum CORDIC. Google y Matt Landreman hallaron una clase más amplia de contraejemplos a Grad's conjecture, que sirve como referencia para simulaciones de stellarators. Gamow Labs afirma que Argon identificó un reordenamiento cromosómico que el software habitual no había detectado durante años. El modelo logró un 57 % en RareBench y un 52,2 % en LabBench. Cinco diseños nuevos de serina esterasas mostraron actividad catalítica en el laboratorio.

En robótica, Argon observó un vídeo de una persona jugando al cornhole, construyó una simulación física y calculó los movimientos de todo el cuerpo. Un humanoide Apptronik Apollo consiguió después siete lanzamientos consecutivos. En ciberseguridad, el modelo obtuvo un 68 % en CWE-bench v1 y empató en el primer puesto de la comparación publicada. Google lo considera su modelo más resistente frente a inyecciones indirectas de instrucciones. Wiz lo utilizó en el programa Scan for Good para proteger infraestructura sanitaria y cientos de miles de historiales de pacientes.

Las evaluaciones publicadas registran un 68,9 % en Vals Index, un 77,9 % en DeepSWE v1.1, un 55,0 % en FrontierSWE v2 y un 91,9 % en Vibe Code Bench. Argon alcanzó un 88,8 % en LABBench y un 76,0 % en RiemannBench. En contexto largo obtuvo un 99,7 % con 128K tokens y un 84,2 % entre 256K y 1M. La tabla también muestra un 39,5 % en Agent's Last Exam, un 69,2 % en el subconjunto offline de OSWorld-2.0, un 71,6 % en Chartography y un 91,7 % en LVBench.

Google afirma que Argon rechaza solicitudes dañinas conforme a su Frontier Safety Framework. La supervisión puede detener la ejecución cuando aparecen señales de desalineación. Los entornos sandbox se aíslan antes de entrenamientos y evaluaciones de alto riesgo. Investigadores académicos e independientes pueden solicitar durante seis meses el nivel máximo de uso de Google Antigravity, sujeto a requisitos, capacidad y selección. Los defensores de la ciberseguridad pueden solicitar acceso al Fairwind Program.