Gemini 4 Argon lidera la tabla de benchmarks de Google en 13 de 19 filas frente a GPT-6 Astra, Claude Opus 5.5 y Claude Fable 5.1. Sin embargo, hay una diferencia operativa más importante que cualquier puntuación: hoy puedes comprar Astra y Opus 5.5, pero no Argon. El modelo frontera de Google está disponible solo para defensores del Programa Fairwind, a $2/$10 por millón de tokens durante un período de introducción y $4/$20 después, exactamente el precio de Opus 5.5.
Esta comparación alinea precios y límites, agrupa los benchmarks por modelo ganador, explica por qué las puntuaciones no son directamente comparables y termina con un flujo práctico para probar los tres con tus propios prompts en Apidog. Si aún no conoces Argon, empieza por qué es Gemini 4 Argon; para los plazos, consulta la guía de fecha de lanzamiento de Argon.
Precio y límites lado a lado
La tabla de Google también incluye Claude Fable 5.1. Los precios son por 1 millón de tokens y proceden de la publicación de lanzamiento de Google, la página del modelo GPT-6 Astra de OpenAI y la página de precios de Anthropic.
| Gemini 4 Argon | GPT-6 Astra | Claude Opus 5.5 | Claude Fable 5.1 | |
|---|---|---|---|---|
| ¿Se puede usar hoy? | No, solo Fairwind | Sí | Sí | Sí |
| ID de modelo API | No publicado | gpt-6-astra |
claude-opus-5-5 |
claude-fable-5-1 |
| Entrada | $2 introducción, luego $4 | $10 | $4 | $10 |
| Entrada en caché | $0.10 introducción, luego $0.20 | $1 | $0.20 | $0.25 |
| Salida | $10 introducción, luego $20 | $50 | $20 | $50 |
| Salida máxima | 1M, límite declarado por Google | 128K | 128K; 300K en Batch, beta | 128K |
| Ventana de contexto | No publicado | 1.050.000; 922K de entrada máxima | 1M | 1M |
| Recargo por prompt largo | No especificado | Más de 272K de entrada: 2x entrada y caché, 1.5x salida, sobre toda la solicitud | Ninguno | Ninguno |
Puntos prácticos:
- El precio estándar de Argon coincide con Opus 5.5 en entrada, caché y salida. Su ventaja de precio frente a Anthropic solo existe durante la introducción, y Google no ha indicado cuándo termina.
- Astra y Fable 5.1 cuestan 2.5x más que las tarifas estándar de entrada y salida de Argon, y 5x más que sus tarifas de introducción.
- El máximo de salida de 1M es una cifra declarada por Google. Vals AI lista 262K como salida máxima para la configuración de Argon que evaluó.
Para estimar el coste de una solicitud antes de implementarla, consulta los precios de Gemini 4 Argon.
Dónde lidera cada modelo en la tabla de Google
Antes de usar estos números para tomar una decisión: esta es la tabla de Google. Las puntuaciones de Argon fueron comunicadas por Google; algunas son evaluaciones propias y otras proceden de clasificaciones. Las puntuaciones de competidores son, en gran parte, cifras de proveedores o resultados de clasificaciones públicas con la configuración máxima de razonamiento disponible.
Trata las diferencias pequeñas como ruido, especialmente cuando los sistemas, herramientas o configuraciones de inferencia no son equivalentes.
| Quién lidera | Benchmark | Argon | Astra | Fable 5.1 | Opus 5.5 |
|---|---|---|---|---|---|
| Argon: trabajo de conocimiento | Vals Index | 68.9% | 63.1% | 65.8% | 67.0% |
| Argon: trabajo de conocimiento | AutomationBench | 51.3% | 41.4% | 31.4% | 42.5% |
| Argon: trabajo de conocimiento | Harvey’s Legal Agent Benchmark | 19.6% | 5.4% | 6.7% | 3.8% |
| Argon: codificación | DeepSWE v1.1 | 77.9% | 74.1% | 67.4% | 74.2% |
| Argon: contexto largo | GraphWalks 256K a 1M, F1 | 84.2% | 71.8% | 65.0% | 66.8% |
| Argon: multimodal | LVBench | 91.7% | 87.5% | 79.7% | 83.7% |
| Argon: multimodal | Chartography | 71.6% | 71.0% | 46.2% | 66.3% |
| Astra | FrontierSWE v2 | 55.0% | 65.5% | 56.3% | 62.3% |
| Astra | Terminal-Bench Science 0.1 | 57.6% | 68.1% | 52.6% | 63.3% |
| Astra | OSWorld-2.0, offline parcial | 69.2% | 72.6% | No informado | No informado |
| Opus 5.5 | Terminal-bench 4.0 | 57.4% | 58.2% | 57.9% | 66.4% |
| Opus 5.5 | PostTrainBench | 45.3% | 44.3% | 40.2% | 49.3% |
| Empate | CWE-bench v1 | 68.0% | 68.0% | 58.0% | 67.0% |
Las otras victorias absolutas de Argon son Vals Finance Agent v2, Vibe Code Bench, LABBench 2, RiemannBench, GraphWalks hasta 128K y Agent’s Last Exam. Fable 5.1 no lidera ninguna fila.
En CWE-bench v1, la clasificación de ciberseguridad de DeepMind muestra un triple empate al 68% entre Argon, Astra y Grok 4.7; Opus 5.5 queda en 67%.
En la comparación entre Gemini 4 Argon y Fable 5.1, Argon obtiene una puntuación mayor en 15 de las 17 filas donde ambos tienen un resultado. Fable supera a Argon solo en:
- FrontierSWE v2: 56.3% frente a 55.0%.
- Terminal-bench 4.0: 57.9% frente a 57.4%.
Consulta los resultados comunicados por Anthropic en los benchmarks de Claude Fable 5.1 y la tabla completa de 19 filas en los benchmarks de Gemini 4 Argon.
Tres advertencias antes de confiar en las diferencias
1. Los números de competidores no son ejecuciones de Google
La metodología de Google especifica que los resultados de modelos no Gemini “se obtienen de los números auto-informados por los proveedores a menos que se mencione lo contrario”.
Varias filas proceden de clasificaciones públicas ejecutadas por Vals AI, Proximal y Surge. No asumas que Google reprodujo cada resultado de Astra, Opus o Fable bajo el mismo entorno.
2. Los sistemas evaluados son distintos
En DeepSWE v1.1, Google obtuvo el 77.9% de Argon con un sistema mini-swe-agent. La puntuación de Astra procede de una clasificación pública y las puntuaciones de Anthropic proceden de fichas de sistema.
En LVBench, Gemini procesó el vídeo a 1 fotograma por segundo, mientras que Astra usó 800 fotogramas, Opus 5.5 usó 600 y Fable 5.1 usó 300 debido a limitaciones de API.
Si tu producto procesa vídeo, repositorios o herramientas de terminal, reproduce una versión reducida de la evaluación con tu propia configuración antes de cambiar de modelo.
3. Un mismo modelo puede cambiar de puntuación según el gráfico
El resultado de Opus 5.5 en Terminal-bench 4.0 varía entre gráficos según el sistema y la configuración de esfuerzo. Anthropic informa el 66.4% con esfuerzo xhigh.
Regla práctica: no combines resultados de distintas fuentes en una misma comparación de producto. Compara solo resultados generados con el mismo harness, herramientas, límites de tokens y configuración de razonamiento.
Lo que dicen los evaluadores externos
Las clasificaciones independientes reducen la diferencia.
Artificial Analysis sitúa a Argon en el puesto 8 de 223, aunque su lista cuenta cada configuración de razonamiento como una entrada independiente. Por modelo distinto:
- Argon: 53.
- GPT-6 Astra: 53.
- Claude Fable 5.1: 53.
- Claude Opus 5.5: 58 al máximo.
- Claude Sonnet 5.5: 56.
Artificial Analysis también lista una tasa de alucinación del 15% para Argon en AA-Omniscience, frente al 51% de Astra en su configuración máxima.
En Arena, Argon ocupa el primer lugar en Texto con 1525, marcado como Preliminar y con 4.942 votos. Opus 5.5 aparece en cuarto lugar. Vals AI clasifica a Argon como primero de 41 modelos en Vals Index, siendo el primer modelo Gemini en liderarlo.
No todos dentro de Google están convencidos. Bloomberg informó que algunos empleados con acceso consideran que Argon decepciona en ciertas tareas de codificación y diseño de front-end respecto a sus benchmarks; Google calificó esa caracterización como inexacta.
Cuál elegir
No hay un único modelo frontera óptimo para todas las cargas de trabajo en 2026. Elige según la tarea y deja Argon preparado como una variable de configuración para cuando esté disponible.
| Tarea | Elegir hoy | Cuando Argon se lance |
|---|---|---|
| Agentes de automatización legal, financiera y de oficina | Opus 5.5, 67.0% en Vals Index | Prueba Argon: lidera las cuatro filas de trabajo de conocimiento |
| Agentes de codificación intensiva en terminal | Opus 5.5, 66.4% en Terminal-bench 4.0 | Opus 5.5 sigue liderando |
| Ingeniería de software agéntica | Astra, 65.5% en FrontierSWE v2, u Opus 5.5 | Argon lidera DeepSWE, pero queda por detrás en FrontierSWE; prueba ambos |
| Agentes de uso de computadora e interfaz gráfica | Astra, 72.6% en OSWorld-2.0 | Astra lidera OSWorld; Argon lidera Agent’s Last Exam |
| Razonamiento sobre prompts de más de 256K tokens | Opus 5.5, sin recargo, o Astra, con recargo por encima de 272K | Argon, 84.2% en GraphWalks de 256K a 1M |
| Comprensión de vídeo y gráficos | Astra, 87.5% en LVBench | Argon, 91.7%, considerando la advertencia del número de fotogramas |
| Ingeniería científica y ML | Astra en Terminal-Bench Science; Opus 5.5 en PostTrainBench | Argon lidera LABBench 2 y RiemannBench; pruébalo |
| Respuestas únicas de más de 128K tokens | Opus 5.5 en Batch, 300K, beta | Argon, hasta 1M según Google |
| Alto volumen y sensibilidad al coste | Opus 5.5, $4/$20 | Argon a $2/$10 mientras dure la introducción |
Si el coste importa más que la puntuación máxima, consulta la comparación de GPT-6 Sol vs Claude Opus 5.5, centrada en la línea Sol de OpenAI frente a Opus.
Compara los tres con tus propios prompts
Las tablas de proveedores no pueden decirte cómo responde cada modelo a tus herramientas, tu dominio, tus instrucciones de sistema y tus límites de coste. Una evaluación pequeña y repetible sí puede hacerlo.
Puedes montarla hoy en Apidog.
1. Crea tres solicitudes equivalentes
Crea una solicitud para GPT-6 Astra, otra para Claude Opus 5.5 y una tercera para Gemini. Mantén el modelo Gemini en una variable:
{{GEMINI_MODEL}}
Hasta que Google publique el ID de Argon, configura esa variable como:
gemini-3.8-flash
Cuando Argon esté disponible, cambia solo la variable y repite el escenario.
Consulta la guía de API de GPT-6 Astra y qué es Claude Opus 5.5 para el formato de solicitud de cada proveedor.
2. Centraliza claves y prompts en variables
Guarda cada clave API en una variable de entorno:
OPENAI_API_KEY
ANTHROPIC_API_KEY
GEMINI_API_KEY
Coloca el prompt de evaluación en una variable compartida:
{{EVAL_PROMPT}}
Así garantizas que las tres solicitudes reciben exactamente la misma entrada. También evita editar prompts manualmente y reduce diferencias accidentales entre proveedores.
3. Añade validaciones útiles
Como mínimo, valida:
- Código HTTP
200. - Respuesta no vacía.
- Tokens de salida por debajo de tu límite.
- Coste estimado por solicitud dentro de tu presupuesto.
- Presencia de campos o fragmentos esperados en la respuesta.
Por ejemplo, para una respuesta JSON:
pm.test("La solicitud devuelve HTTP 200", () => {
pm.response.to.have.status(200);
});
pm.test("La respuesta no está vacía", () => {
pm.expect(pm.response.text()).to.not.be.empty;
});
pm.test("La respuesta contiene contenido", () => {
const body = pm.response.json();
pm.expect(body).to.exist;
});
Ajusta las aserciones al esquema real de respuesta de cada proveedor.
4. Calcula el coste por solicitud
La fórmula básica es:
coste = (tokens_entrada × precio_entrada / 1.000.000)
+ (tokens_salida × precio_salida / 1.000.000)
Para una solicitud con 20.000 tokens de entrada y 4.000 de salida:
Astra:
20.000 × $10 / 1M + 4.000 × $50 / 1M
= $0.20 + $0.20
= $0.40
Opus 5.5:
20.000 × $4 / 1M + 4.000 × $20 / 1M
= $0.08 + $0.08
= $0.16
Argon con precio de introducción:
20.000 × $2 / 1M + 4.000 × $10 / 1M
= $0.04 + $0.04
= $0.08
Argon con tarifa estándar:
20.000 × $4 / 1M + 4.000 × $20 / 1M
= $0.08 + $0.08
= $0.16
El precio por token no equivale al coste por tarea. Artificial Analysis midió aproximadamente 62K tokens de salida por tarea para Argon, frente a aproximadamente 27K para Astra con esfuerzo máximo. Mide siempre los tokens de salida con tus propios prompts y flujos.
5. Ejecuta el escenario y compara resultados
Ejecuta las tres solicitudes como un escenario de prueba. Revisa por modelo:
- Calidad y exactitud de la respuesta.
- Cumplimiento del formato solicitado.
- Uso de tokens de entrada y salida.
- Latencia.
- Coste total.
- Fallos de herramientas, si usas function calling o agentes.
Cuando Argon se lance, actualiza GEMINI_MODEL, vuelve a ejecutar el mismo escenario y tendrás una comparación consistente contra los dos modelos que ya puedes comprar.
Preguntas frecuentes
¿Es Gemini 4 Argon mejor que GPT-6 Astra?
Empatan con 53 en Artificial Analysis. En la tabla de Google, Argon puntúa más alto en la mayoría de filas, pero Astra gana FrontierSWE v2, Terminal-Bench Science 0.1 y OSWorld-2.0. Astra es el modelo disponible hoy.
Gemini 4 Argon vs Claude Opus 5.5: ¿cuál es mejor?
La tabla de Google favorece a Argon en la mayoría de filas. Opus 5.5 gana Terminal-bench 4.0 y PostTrainBench, y lidera Artificial Analysis por 58 a 53. A tarifas estándar, ambos tienen el mismo precio.
¿Es Gemini 4 Argon más barato que Claude Opus 5.5?
Durante la introducción, Argon cuesta la mitad: $2/$10 frente a $4/$20. Después, los precios de lista son idénticos. Google no ha indicado cuándo termina ese período.
¿Qué modelo tiene el límite de salida más grande?
Argon, con un límite declarado de 1M de tokens. Vals AI enumera 262K para la configuración que evaluó. Los otros modelos limitan la salida síncrona a 128K, salvo Opus 5.5 en Batch, que llega a 300K en beta.
La guía de 1M de tokens de salida explica qué implica ese límite para tu cliente.
¿Puedo usar Gemini 4 Argon hoy?
Solo mediante el Programa Fairwind de Google, para un conjunto de socios de ciberdefensa verificados. Los clientes de API de pago y los suscriptores de Google AI Ultra son los siguientes, sin una fecha definida.
Elige por carga de trabajo, luego prueba
Argon parece más fuerte en trabajo de conocimiento, contexto largo y benchmarks multimodales. Astra destaca en FrontierSWE, Terminal-Bench Science y OSWorld. Opus 5.5 lidera en trabajo de terminal e ingeniería de ML, al mismo precio que Argon tendrá después de la introducción.
Implementa hoy con los dos modelos que puedes comprar. Mantén Gemini detrás de una variable de entorno, registra calidad, latencia, tokens y coste en tus pruebas, y vuelve a ejecutar el escenario cuando Argon esté disponible.
Para configurar esta comparación de tres solicitudes en un proyecto, descarga Apidog.
Top comments (0)