Gemini 4 arrasa en los benchmarks y vuelve a meter a Google en la carrera de la IA. El problema son precisamente los benchmarks | Radar Tecnológico

La imagen oficial de Google parece sacada de la nueva película de los 'Cuatro Fantásticos', pero qué va: supone la vuelta a una carrera que parecía haber abandonado. Durante meses la compañía ha estado un poco a la deriva en la lucha de los modelos frontera, pero con Gemini 4 Argon todo apunta, al menos según los benchmarks,  a que Google se posiciona como una de las tres empresas con los modelos más potentes del mundo. Y el problema es es: los benchmarks.

Google vuelve a estar ahí. Gemini 4 Argon llega con unos resultados en benchmarks que la colocan junto a OpenAI y Anthropic en la lucha por los modelos frontera más potentes del mundo. Artificial Analysis le da 53 puntos en su Intelligence Index, los mismos que GPT-6 Astra, pero es que según las pruebas internas de Google, Gemini 4 es una bestia que supera a Opus 5.5 y a Fable 5.1 en diversos tests. ¿Es realmente tan bueno como dice Google?

No podemos saber si es el mejor. Aunque los datos tanto de Google como de Artificial Analysis dan muchas pistas sobre el fantástico rendimiento de Gemini 4 Argon, el problema es que el modelo no se ha lanzado de forma masiva. Primero estará disponible para un limitado grupo de "probadores de confianza" y especialistas en ciberseguridad mediante su programa Fairwind. El modelo también está siendo analizado por el Gobierno de EEUU, lo que se está convirtiendo en algo habitual para evitar bloqueos gubernamentales. 

Algunos empleados lo han probado y la historia se complica. Bloomberg ha hablado con empleados y ahí la capacidad del modelo empieza a ser algo más confusa. Ellos aseguran que aunque Argon efectivamente obtiene puntuaciones fantásticas en las pruebas, cuando lo ponen a trabajar en ciertas tareas de programación no va tan fino. Google lo niega, y Sundar Pichai asegura que sus equipos lo usan de forma extensiva y están obteniendo buenos resultados. Parece que a nivel interno hay división en cuanto a la capacidad práctica del modelo, y es imposible saber cómo se comporta para cada persona hasta que no podamos probarlo.