Niveles de Pensamiento Argon de Gemini 4 y Decodificación Larga: Valores Predeterminados, Costos y Cuándo Usar Cada Uno

Gemini 4 Argon se volvió generalmente disponible el 13 de octubre de 2026, y con ello Google documentó los dos ajustes que deciden cuánto cuesta una solicitud de Argon y cuánto tiempo toma: el nivel de pensamiento y el límite de salida. Argon ofrece tres niveles de pensamiento, bajo, medio y alto, y por defecto se establece en medio. Las respuestas se detienen en 64K tokens a menos que actives la decodificación larga, que permite que una sola respuesta se extienda hasta 1M tokens.

Hay un inconveniente en los valores predeterminados. Cada referencia de Argon publicada se ejecutó en alto: Google lo evaluó "con los ajustes de pensamiento más altos", Artificial Analysis lo probó en alto, y Vals AI lo ejecutó en alto. Una solicitud que no establece un nivel se ejecuta en medio, por lo que no es la configuración que esos puntajes describen.

Esta publicación cubre los tres niveles y el consejo de Google sobre cada uno, lo que cuesta alto en tokens y tiempo, cómo establecer el límite de salida para que las respuestas no regresen vacías, y cómo funciona y se factura la decodificación larga. Termina con código para AIHubMix.

La versión corta

• Argon tiene tres niveles de pensamiento: bajo, medio (el predeterminado) y alto. El pensamiento no se puede desactivar.
• Cada referencia publicada utilizó alto. Nadie ha publicado resultados en medio o bajo.
• max_output_tokens limita el pensamiento y la respuesta juntos. Establecerlo en al menos 32,768, o un aviso rígido puede gastar todo el presupuesto pensando y no devolver nada.
• Sin decodificación larga, una respuesta se detiene en 65,536 tokens. Con ella, una respuesta puede extenderse hasta 1,048,576 tokens menos tu entrada.
• La decodificación larga factura cada token de cada "salto" de 64K, y cada salto vuelve a leer todo lo escrito hasta ahora como entrada, descontado en un 95% por almacenamiento en caché implícito.

Los tres niveles

La guía de Google Novedades en Gemini 4 Argon describe los niveles de la siguiente manera:

Google advierte que en bajo, "la calidad puede disminuir en tareas difíciles", y su consejo para elegir es directo: "Ejecuta tus evaluaciones en los tres niveles, luego elige el nivel más bajo que cumpla con tu estándar de calidad."

En la API nativa, el ajuste es thinking_level, documentado en la guía de pensamiento de Gemini. A través de un punto final compatible con OpenAI es reasoning_effort. La guía de compatibilidad con OpenAI de Google mapea los valores para Argon: mínimo y bajo se convierten en bajo, medio se mantiene en medio, alto se mantiene alto, y dejarlo fuera da el predeterminado, medio. No hay nivel que desactive el pensamiento.

El predeterminado es medio. Las referencias son altas.

Google, Artificial Analysis y Vals informan que Argon está en alto. Vals también estableció un límite de salida de 262,144 tokens. Así que los puntajes que has visto describen Argon en su nivel más alto, y una solicitud sin nivel establecido se ejecuta un paso más bajo.

Eso no es necesariamente un problema. Medio es el nivel que Google recomienda para la mayoría del trabajo, incluyendo código complejo y agentes, y utiliza menos tokens que alto. Pero nadie ha publicado cuánto se sacrifica en precisión en medio o bajo, o cuántos tokens ahorran. [TBD: precisión y tokens por nivel de pensamiento]

Un detalle más importa para las comparaciones. GPT-6 Astra y GPT-6.1 Sol fueron probados en "máx", un nivel por encima de alto. Un empate entre "Argon (alto)" y "Astra (máx)" es cada modelo en su techo, no en configuraciones coincidentes.

Lo que cuesta alto

Las cifras aquí provienen de Artificial Analysis, incluyendo sus pruebas de velocidad de proveedores, y de Vals AI. Todos ellos ejecutaron Argon en alto.

Los tokens de pensamiento se facturan como salida: Google lista el precio de salida de Argon "incluyendo tokens de pensamiento", y los datos de uso los reportan como total_thought_tokens. Con ~62k tokens de salida por tarea, una tarea cuesta alrededor de $0.62 solo en salida al precio introductorio de Google de $10 por millón, y alrededor de $1.24 a $20 por millón, el precio a partir del 1 de diciembre.

El tiempo sigue a los tokens. A 99.5 a 116.5 tokens por segundo, 62k tokens tardan aproximadamente de 9 a 10 minutos en generarse, después de una espera de aproximadamente 45 segundos para el primer token de respuesta. Los productos interactivos necesitan transmisión y un indicador de progreso en alto, o un nivel más bajo.

Estableciendo el límite de salida

max_output_tokens es un límite estricto en el pensamiento y la respuesta juntos. Cuando una respuesta alcanza este límite, el estado es "incompleto" y el texto regresa cortado o vacío, y los tokens de pensamiento aún se facturan. La guía de Google:

• Si tu aplicación establece un límite por debajo de 32K, aumentalo a al menos 32,768. Argon puede gastar más del límite en pensamiento que los modelos anteriores.
• Para gastar menos, baja el nivel de pensamiento en lugar de establecer un límite pequeño.
• Sin decodificación larga, el predeterminado y el máximo es 65,536 tokens. Pedir más sin decodificación larga devuelve un error 400.
• La entrada, el pensamiento y la salida comparten una ventana de 1,048,576 tokens. Si tu entrada más max_output_tokens excede este límite, el límite de salida se reduce para ajustarse.

Dos cambios más de Gemini 3. La temperatura, top_p y top_k son ignorados en Argon, por lo que ajustarlos no tiene efecto. Y los avisos rígidos pueden tardar varios minutos, por lo que Google recomienda tiempos de espera de cliente HTTP de al menos 15 minutos.

Decodificación larga: respuestas más allá de 64K tokens

La decodificación larga es lo que Google anunció en el lanzamiento como Continuación de Decodificación Larga. La guía de decodificación larga describe dos formas de ejecutarla.

Ejecución en segundo plano (API de Interacciones). Crea la interacción con background=True y max_output_tokens por encima de 65,536. La ejecución en segundo plano necesita store=true. El servidor escribe la respuesta en saltos de hasta 64K tokens, cada uno continuando donde el anterior se detuvo, durante un máximo de 24 horas. Cada salto añade un paso de model_output, así que únelos cuando la interacción se complete. Establece background=True sin aumentar max_output_tokens y se detiene en 64K.

Continuación del lado del cliente (API generateContent). Cada salto devuelve hasta 64K tokens al transmitir o a través del SDK, 32K para una llamada REST no transmitida. Un salto que alcanza su límite termina con finish_reason: CONTINUATION y un continuation_token, y la siguiente solicitud envía la misma entrada más el token. Los SDK recientes hacen esto por ti: Python google-genai 2.30.1 y JavaScript @google/genai 2.29.1 o posterior. Cada solicitud tiene un límite de 20 minutos.

Al transmitir una decodificación larga, guarda el ID de interacción y el último event_id, reconéctate con last_event_id cuando la transmisión se interrumpa, y establece tiempos de espera de lectura de 15 a 20 minutos. Después de los primeros 64K tokens, la transmisión llega en bloques de aproximadamente 5,000 tokens con pausas entre ellos.

Google es claro sobre cuándo vale la pena:

Un límite más alto le da al modelo espacio para pensar; no hace que las respuestas normales sean más largas. El modelo decide cuánto escribir, y no sigue objetivos de palabras o tokens.

Cómo se factura la decodificación larga

Pagas por cada token en cada salto, incluidos los saltos que contienen solo pensamiento. Cada salto también envía tu aviso más todo lo generado hasta ahora de vuelta al modelo como entrada, así que esos tokens cuentan de nuevo. Ejemplo de Google: un aviso de 1,000 tokens que produce 200,000 tokens de pensamiento y salida toma cuatro saltos.

Los datos de uso reportan alrededor de 397,000 tokens de entrada, a pesar de que el contexto solo sostiene alrededor de 201,000. El almacenamiento en caché implícito descuenta la entrada repetida en un 95%, por lo que es barato: a los precios introductorios, los 200,000 tokens de salida cuestan $2.00, y aproximadamente 396,000 tokens de entrada repetidos a $0.10 por millón añaden alrededor de $0.04. La salida sigue dominando la factura.

Dos efectos secundarios. No uses total_input_tokens para decidir cuándo recortar o resumir una conversación, ya que sobrestima el contexto; añade el tamaño de tu aviso a la salida y los totales de pensamiento en su lugar. Y las interacciones canceladas o fallidas facturan todo el trabajo realizado antes de que se detuvieran.

Dónde empezar, por carga de trabajo

Estos siguen la guía de niveles de Google; no existe precisión publicada por nivel para refinarlos.

Luego prueba un nivel más bajo. Si el nivel más barato cumple con tu estándar en tu propio conjunto de evaluación, manténlo.

Mantén el nivel fijo dentro de una sesión. Argon almacena en caché implícitamente, descontando la entrada repetida en un 95% para avisos de al menos 4,096 tokens, y la guía de AIHubMix Gemini señala que un acierto de caché necesita el mismo contenido, modelo y parámetros. Cambiar de niveles entre turnos puede convertir la entrada en caché de nuevo en entrada a precio completo.

Estableciendo el nivel y el límite en AIHubMix

Argon está en AIHubMix como gemini-4-argon, en el punto final compatible con OpenAI y a través del SDK nativo de Google GenAI. Para la mayoría de las solicitudes, establece el nivel y el límite explícitamente:

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://aihubmix.com/v1",
    api_key=os.environ["AIHUBMIX_API_KEY"],
    timeout=900,  # los avisos rígidos pueden tardar varios minutos
)

resp = client.chat.completions.create(
    model="gemini-4-argon",
    reasoning_effort="medium",  # el predeterminado de Argon; las referencias usaron "alto"
    max_tokens=32768,           # limita el pensamiento y la respuesta juntos
    messages=[
        {"role": "user", "content": "Revisa este servicio de pago en busca de condiciones de carrera en su lógica de reintento.\n\n<código fuente>"},
    ],
)
print(resp.choices[0].message.content)
print(resp.usage)

Para la decodificación larga, utiliza el SDK nativo apuntando al punto final de Gemini de AIHubMix. La guía de AIHubMix documenta la API de Interacciones allí, incluyendo el modo en segundo plano, con google-genai 2.0.0 o posterior. El patrón a continuación es el documentado por Google; aún no se ha probado a través de AIHubMix. [TBD: decodificación larga a través de AIHubMix]

import os
import time
from google import genai

client = genai.Client(
    api_key=os.environ["AIHUBMIX_API_KEY"],
    http_options={"base_url": "https://aihubmix.com/gemini"},
)

interaction = client.interactions.create(
    model="gemini-4-argon",
    input="Escribe la suite de pruebas completa para este módulo de pago, con una prueba para cada caso límite.\n\n<código fuente>",
    background=True,
    generation_config={"max_output_tokens": 262144, "thinking_level": "high"},
)
while interaction.status in ("in_progress", "queued"):
    time.sleep(5)
    interaction = client.interactions.get(id=interaction.id)

# Cada salto añade un paso de model_output; únelos todos.
text = "".join(
    part.text
    for step in interaction.steps
    if step.type == "model_output"
    for part in step.content
    if part.type == "text"
)
print(interaction.status, interaction.usage)

La página del modelo AIHubMix de Argon lista sus entradas soportadas, capacidades y precio actual.

Preguntas Frecuentes

¿Qué niveles de pensamiento soporta Gemini 4 Argon?
Bajo, medio y alto. El predeterminado es medio, y el pensamiento no se puede desactivar.

¿En qué nivel se ejecutaron las referencias de Argon?
Alto. Google, Artificial Analysis y Vals AI informan que Argon está en alto, y nadie ha publicado resultados en medio o bajo.

¿Cómo establezco el nivel a través del SDK de OpenAI?
Usa reasoning_effort. Para Argon, mínimo y bajo se mapean a bajo, medio a medio y alto a alto. Déjalo fuera para obtener medio.

¿Por qué Argon devolvió una respuesta vacía?
Probablemente gastó todo el presupuesto de max_output_tokens en pensamiento. La respuesta regresa incompleta y los tokens de pensamiento aún se facturan. Aumenta el límite a al menos 32,768 o baja el nivel de pensamiento.

¿Cómo obtengo más de 64K tokens de salida?
Usa decodificación larga. En la API de Interacciones, establece background en true y max_output_tokens por encima de 65,536. En generateContent, usa un SDK reciente, que continúa automáticamente a través de los saltos.

¿Cómo se factura la decodificación larga?
Pagas por cada token en cada salto. Cada salto reenvía el aviso y todo lo generado hasta ahora como entrada, y el almacenamiento en caché implícito descuenta esa entrada repetida en un 95%. Las ejecuciones canceladas o fallidas facturan el trabajo ya realizado.

¿La temperatura todavía funciona en Gemini 4 Argon?
No. La temperatura, top_p y top_k son ignorados, así que elimínalos y usa el nivel de pensamiento para controlar el comportamiento.

Sigue leyendo: la serie Gemini 4 Argon

• Antes de ajustar configuraciones, verifica si Argon es el modelo adecuado para tu carga de trabajo: Gemini 4 Argon: Puntajes de Frontera, un Límite de Salida de 1M Tokens y Cómo Llamarlo Ahora
• El pensamiento alto es lo que hace que las tareas de Argon sean costosas. Costo medido por tarea, de dos evaluadores independientes: Gemini 4 Argon Precios: Barato por Token, No por Tarea
• El valor predeterminado de pensamiento, el límite de salida y los parámetros de muestreo ignorados son tres de los cambios en la lista de verificación de migración: Migrando a Gemini 4 Argon desde Gemini 3.1 Pro o 3.8 Flash: Qué Rompe y Cómo Arreglarlo

Fuentes

• Novedades en Gemini 4 Argon (Google AI para Desarrolladores)
• Pensamiento de Gemini (Google AI para Desarrolladores)
• Decodificación larga (Google AI para Desarrolladores)
• Gemini 4 Argon: Google vuelve a ser uno de los tres principales laboratorios en inteligencia lograda (Análisis Artificial)
• Gemini 4 Argon en AIHubMix (AIHubMix)