El número principal de Gemini 4 Argon, 1M de tokens, es su límite de salida, no su ventana de contexto. Google afirma que una sola respuesta de Argon puede llegar a 1 millón de tokens, aproximadamente 16 veces el límite anterior de 64K, y no ha publicado la ventana de entrada de Argon. Todavía no hay nada que invocar: Argon está disponible hoy solo para los defensores del Programa Fairwind, y los clientes de API de pago serán los siguientes cuando Google abra el acceso. Consulte la guía de fecha de lanzamiento y acceso.
Una respuesta tan larga rompe tres supuestos habituales en las pilas de API:
- Una llamada termina en segundos.
- El cuerpo de la respuesta cabe en memoria.
- Una solicitud tiene un coste pequeño y predecible.
Esta guía explica cómo calcular el coste máximo, transmitir la salida, configurar tiempos de espera, aplicar límites, almacenar respuestas grandes y probar el flujo en Apidog antes de que llegue el acceso. Para una descripción general del modelo, consulte qué es Gemini 4 Argon. Para los formatos de solicitud, consulte la guía de la API de Gemini 4 Argon.
1M de tokens de salida no es una ventana de contexto de 1M
Varias páginas describen la cifra de 1M como una ventana de contexto, pero es incorrecto. La publicación de lanzamiento de Google dice que expandió «el límite de tokens de salida del modelo a un líder de la industria de 1M de tokens».
Los 64K anteriores coinciden con el límite de salida de 65.536 tokens de Gemini 3.1 Pro Preview, el anterior modelo Pro superior de Google.
La entrada es un número independiente que Google no ha publicado. Su evaluación de contexto largo, descrita en la metodología de evaluación, utilizó prompts entre 256K y 1M de tokens. Eso es un subconjunto de referencia, no una especificación de la API.
También existe una advertencia en la salida: Vals AI enumera una salida máxima de 262K para la configuración de Argon que probó. Google declara un límite de modelo de 1M, pero al menos un evaluador externo observó un límite menor en el endpoint utilizado.
| Modelo | Salida máxima por respuesta | Ventana de entrada o contexto |
|---|---|---|
| Gemini 4 Argon | 1M, límite declarado por Google | No publicado |
| Gemini 3.1 Pro Preview | 65.536 | 1.048.576 |
| Gemini 3.8 Flash | 65.536 | 1.048.576 |
| GPT-6 Astra | 128.000 | 1.050.000, con 922K de entrada máxima |
| Claude Opus 5.5 | 128K, 300K en Batch con un encabezado beta | 1M |
Todos los competidores limitan la salida síncrona a 128K, por lo que el límite declarado de Argon es aproximadamente 8 veces mayor. Google atribuye este margen a la profundidad de razonamiento: el modelo puede «generar cientos de miles de tokens en una sola trayectoria» para resolver problemas difíciles en una pasada.
Para comparar enfoques de ejecuciones largas, consulte las tareas de 18 horas de Claude Opus 5.5 y la guía de la API de GPT-6 Astra.
Cuánto cuesta una respuesta máxima
Calcule primero el coste máximo aceptable. La salida se factura a $10 por 1M de tokens durante el período de introducción de Argon y a $20 después.
Una respuesta de 1M de tokens cuesta:
-
Introducción:
1.000.000 × $10 / 1M = $10,00de salida. -
Tarifa estándar:
1.000.000 × $20 / 1M = $20,00de salida.
La entrada se suma al total. Por ejemplo, un prompt de 200.000 tokens añade:
-
200.000 × $2 / 1M = $0,40con tarifas de introducción. -
200.000 × $4 / 1M = $0,80con tarifas estándar.
Por tanto, una llamada máxima con ese prompt costaría $10,40 o $20,80. Un trabajo nocturno de 100 llamadas equivalentes costaría $1.040 con las tarifas de introducción.
El razonamiento dificulta estimar el coste. En los modelos Gemini actuales, los tokens de «pensamiento» se facturan como salida. Google no ha indicado si Argon mantiene esa regla ni si el pensamiento cuenta dentro del límite de 1M.
Como consecuencia, una respuesta visible corta puede implicar una factura alta de salida. La guía de precios de Gemini 4 Argon incluye más escenarios, incluida la entrada en caché con un descuento del 95%.
Por qué el streaming es obligatorio
Una solicitud sin streaming no devuelve datos hasta que finaliza la respuesta completa. Con cientos de miles de tokens, esto crea una conexión larga y silenciosa. Cualquier tiempo de espera por inactividad en su infraestructura puede cerrarla antes de que llegue el primer byte.
Use streaming. En generateContent, cambie el método a:
:streamGenerateContent?alt=sse
Google enviará eventos enviados por el servidor, o SSE, con fragmentos parciales de candidatos. Procese cada evento cuando llegue y escríbalo inmediatamente. No acumule toda la respuesta en memoria.
Este ejemplo funciona hoy con Gemini 3.8 Flash. El modelo se define como variable porque Google no ha publicado el ID de modelo de Argon. Consulte la configuración en la guía de la API de Gemini 3.8 Flash.
import json
import os
import requests
MODEL = os.environ.get("GEMINI_MODEL", "gemini-3.8-flash")
URL = (
"https://generativelanguage.googleapis.com/v1beta/models/"
f"{MODEL}:streamGenerateContent?alt=sse"
)
body = {
"contents": [{
"parts": [{
"text": "Write a test plan for every endpoint in a payments API."
}]
}],
"generationConfig": {
"maxOutputTokens": 60000
},
}
usage = None
with requests.post(
URL,
json=body,
stream=True,
timeout=(10, 120),
headers={"x-goog-api-key": os.environ["GEMINI_API_KEY"]},
) as response, open("response.txt", "a", encoding="utf-8") as output:
response.raise_for_status()
for line in response.iter_lines(decode_unicode=True):
if not line or not line.startswith("data:"):
continue
event = json.loads(line[5:])
for candidate in event.get("candidates", []):
for part in candidate.get("content", {}).get("parts", []):
output.write(part.get("text", ""))
output.flush()
usage = event.get("usageMetadata", usage)
print(usage)
La configuración timeout=(10, 120) establece:
- 10 segundos para la conexión.
- 120 segundos para la lectura.
En requests, el tiempo de lectura es la brecha máxima entre bytes, no la duración total de la solicitud. Un stream puede durar el tiempo necesario si continúa enviando datos antes de superar esa brecha.
El ejemplo escribe cada fragmento en disco y conserva el último usageMetadata. En Gemini 3.8 Flash, el último evento contiene los recuentos finales de tokens que debe registrar para auditoría y facturación.
Tiempos de espera en cada salto
Su cliente es solo un salto. Un stream largo puede cruzar un proxy inverso, una puerta de enlace de API, un balanceador de carga y una función sin servidor. Cualquiera de ellos puede terminar la respuesta antes de tiempo.
| Salto | Qué comprobar | Síntoma cuando algo falla |
|---|---|---|
| Cliente HTTP | Tiempo de lectura o inactividad, además de cualquier límite total de solicitud | Excepciones a mitad del stream solo en respuestas largas |
| Proxy inverso | Tiempo de lectura y buffering de respuestas para text/event-stream
|
Los eventos llegan en ráfagas o el stream se interrumpe |
| Gateway de API | Duración máxima de la solicitud | Las solicitudes fallan en el mismo momento en cada ejecución |
| Balanceador de carga | Tiempo de espera de inactividad | Caídas durante pausas largas antes del primer evento |
| Función sin servidor | Tiempo máximo de ejecución | La función termina mientras el modelo sigue escribiendo |
Busque cortes a un tiempo fijo. Si las respuestas largas fallan siempre tras el mismo tiempo transcurrido, algún salto tiene un límite de duración estricto. El streaming no puede evitar ese límite: debe mover ese trabajo fuera de la ruta de solicitud.
Ejecutar trabajos largos en segundo plano
Para los trabajos más extensos, no mantenga una conexión activa. La API de Interacciones admite ejecución en segundo plano para tareas de larga duración mediante:
background=true
Las ejecuciones en segundo plano requieren interacciones almacenadas. La documentación indica que store=false es incompatible con background=true, por lo que debe mantener el almacenamiento activo en esas solicitudes.
Para recuperar una interacción finalizada, siga la documentación de Google y no intente adivinar endpoints de sondeo. Google también indica que los modelos nuevos se lanzan en la API de Interacciones, por lo que conviene planificar allí los trabajos largos de Argon.
Limitar la salida a propósito
El límite de 1M es un máximo, no un objetivo.
En generateContent, use generationConfig.maxOutputTokens para limitar cada respuesta:
{
"generationConfig": {
"maxOutputTokens": 60000
}
}
En Gemini 3.8 Flash, el pensamiento cuenta para ese límite. En una prueba limitada a 2.000 tokens, se obtuvieron:
- 1.340 tokens de pensamiento.
- 656 tokens visibles.
Antes de depender de un campo equivalente en la API de Interacciones, confirme el nombre y comportamiento en la documentación de Google.
Defina el límite según el coste máximo aceptable por llamada:
| Límite de salida | Coste máximo de salida, estándar ($20/1M) | Introducción ($10/1M) |
|---|---|---|
| 64.000 | $1,28 | $0,64 |
| 128.000 | $2,56 | $1,28 |
| 500.000 | $10,00 | $5,00 |
| 1.000.000 | $20,00 | $10,00 |
Una respuesta que alcanza el límite se corta antes de completarse. Trátela como incompleta.
Compruebe el finishReason del evento final:
MAX_TOKENS
Si aparece ese valor, continúe la tarea en un turno de seguimiento o aumente el límite para ese caso concreto.
Almacenar y analizar salidas enormes sin buffering
Un millón de tokens equivale a varios megabytes de texto por respuesta. Evite saturar workers y procesos aplicando estas reglas:
- Escriba los fragmentos a medida que llegan, en un archivo o mediante carga multiparte a almacenamiento de objetos.
- No construya una única cadena en memoria.
- Conserve los archivos parciales si la conexión se cae. Un reintento ciego desde cero vuelve a generar y facturar la salida.
- Pida JSON Lines cuando necesite estructura, de forma que cada línea pueda analizarse sin esperar a cerrar un documento gigante.
- Registre
usageMetadatay el número de bytes, no cuerpos completos. - Compruebe los límites de columnas, mensajes y tamaños de payload en su base de datos y cola antes de recibir respuestas de 800K tokens.
Pruébalo en Apidog antes de que se abra el acceso
Puede validar toda la infraestructura con un modelo sustituto. Descargue Apidog y realice estas comprobaciones.
Observe el stream. Envíe la solicitud de streaming contra Gemini 3.8 Flash usando
GEMINI_API_KEYyGEMINI_MODELcomo variables de entorno. Apidog analiza respuestastext/event-streamy muestra cada evento en su vista de Línea de Tiempo conforme llega. Esto permite inspeccionar tamaños de fragmento, pausas y elusageMetadatafinal.Verifique los recuentos de tokens. En una solicitud
generateContentsin streaming, compruebe quecandidatesTokenCountmásthoughtsTokenCountdentro deusageMetadatano supera su límite. También valide que el coste calculado está por debajo de su techo con precios de Argon. La guía de la API de Argon incluye un script de costes listo para usar.Transmita una respuesta falsa mucho más larga. Gemini 3.8 Flash alcanza un máximo real de 65.536 tokens. Para probar tiempos de espera y buffering, ejecute un mock local que transmita muchos más datos con la misma forma de evento:
# long_stream_mock.py
# SSE con forma Gemini para pruebas de parser y tiempos de espera.
# Los datos son falsos.
import json
import time
from http.server import BaseHTTPRequestHandler, ThreadingHTTPServer
EVENTS = 20000
DELAY = 0.005
CHUNK = "lorem ipsum " * 40
class Handler(BaseHTTPRequestHandler):
def do_POST(self):
self.rfile.read(int(self.headers.get("Content-Length", 0)))
self.send_response(200)
self.send_header("Content-Type", "text/event-stream")
self.end_headers()
for i in range(EVENTS):
event = {
"candidates": [{
"content": {
"parts": [{
"text": CHUNK
}]
}
}]
}
if i == EVENTS - 1:
# Recuentos falsos similares a una respuesta cercana al máximo.
event["usageMetadata"] = {
"promptTokenCount": 1200,
"candidatesTokenCount": 950000,
"thoughtsTokenCount": 40000,
"totalTokenCount": 991200
}
self.wfile.write(
f"data: {json.dumps(event)}\n\n".encode()
)
self.wfile.flush()
time.sleep(DELAY)
ThreadingHTTPServer(("127.0.0.1", 8787), Handler).serve_forever()
Apunte la URL base de un entorno mock a:
http://127.0.0.1:8787
Después, envíe la misma solicitud de streaming a ese entorno. El stream dura aproximadamente dos minutos, 128 segundos en la prueba, y transporta 9,6 millones de caracteres de texto. Es suficiente para detectar:
- Parsers que acumulan el cuerpo completo.
- Proxies que retienen eventos.
- Tiempos de espera demasiado cortos.
- Límites de memoria en workers.
Preguntas frecuentes
¿Es 1M la ventana de contexto de Gemini 4 Argon?
No. 1M es el límite de salida por respuesta, frente a los 64K anteriores. Google no ha publicado la ventana de entrada de Argon.¿Cuánto cuesta una respuesta de Argon de 1M de tokens?
$10 de salida con tarifas de introducción y $20 con tarifas estándar, más la entrada. Consulte los precios de Gemini 4 Argon para más escenarios.¿Puedo generar hoy una respuesta de 1M de tokens?
No, salvo que su organización esté en el grupo Fairwind con acceso a Argon. Gemini 3.8 Flash y 3.1 Pro Preview limitan la salida a 65.536 tokens. Vals AI enumera 262K de salida máxima para la configuración de Argon que probó.¿Debo usar streaming con respuestas largas de Argon?
Google no ha publicado guías de streaming específicas para Argon. Sin embargo, una llamada sin streaming que dura varios minutos queda expuesta a todos los tiempos de espera por inactividad de su infraestructura. Use streaming o ejecución en segundo plano mediante la API de Interacciones.¿Cómo se compara el límite de salida de Argon con GPT-6 Astra y Claude Opus 5.5?
Ambos limitan la salida síncrona a 128K. Anthropic permite 300K en Batch con un encabezado beta. Los 1M declarados de Argon son aproximadamente 8 veces ese límite.
Su próximo paso
Añada ahora streaming y un límite de salida a su cliente Gemini usando 3.8 Flash. Ejecútelo contra el mock stream largo hasta que ningún componente de su pila corte la conexión.
Cuando Google publique el ID de Argon, cambie GEMINI_MODEL y repita las mismas pruebas en Apidog.
Top comments (0)