Gemini 4 Argon alcanza un 77,9 % en DeepSWE v1.1: la comparación completa merece atención
Google presenta Argon como un modelo para tareas complejas de varios pasos. Encabeza DeepSWE v1.1, pero el orden cambia en Terminal-bench 4.0. Así lo evaluaría en un flujo de desarrollo real.
Pool DezaFundador de IA Systems & Data1 min de lectura
Google presenta Argon como un modelo orientado a tareas complejas que requieren mantener el razonamiento durante múltiples pasos, incluyendo ingeniería de software (ver el anuncio).
En DeepSWE v1.1, su tabla publica:
- Gemini 4 Argon: 77,9 %
- Claude Opus 5.5: 74,2 %
- GPT-6 Astra: 74,1 %
Argon encabeza esta comparación, con una ventaja de 3,7 puntos porcentuales sobre Opus.
Pero el orden cambia en Terminal-bench 4.0:
- Claude Opus 5.5: 66,4 %
- GPT-6 Astra: 58,2 %
- Gemini 4 Argon: 57,4 %
Ambos resultados aparecen en la misma tabla.
Para evaluar Argon en un flujo de desarrollo, mediría tres cosas sobre tareas reales del repositorio:
- Cambios que superan las pruebas y la revisión.
- Tiempo que necesita una persona para corregirlos.
- Coste por tarea aceptada.
Los benchmarks ayudan a seleccionar candidatos. Las pruebas sobre nuestro código permiten decidir dónde utilizarlos.
¿Qué resultado te haría cambiar el modelo que usas para desarrollar?
Sobre el autor
Pool Deza
Fundador de IA Systems & Data. Escribe sobre desarrollo web, software e IA aplicados a empresas de Perú y Latinoamérica.
