Gemini 4 Argon y Muse Wonder: Google vuelve a la pelea y Meta, otra vez, bajo sospecha

En dos días salieron dos modelos que llevaban semanas dando de qué hablar. El 12 de octubre de 2026 Meta presentó Muse Wonder y Muse Wonder Full, y el 13 de octubre Google abrió Gemini 4 Argon a todo el mundo.

La lectura corta es esta: Google por fin tiene un modelo frontera para competir arriba, y Meta presenta tablas muy buenas que, al probar el modelo, no todos ven en la práctica. Por eso a Muse Wonder lo están acusando de benchmaxxing.

En este artículo te dejo un resumen al grano: qué ofrece cada uno, cuánto cuesta, qué dicen las pruebas independientes y qué quejas hay.

Tabla de contenidos

Resumen rápido

Modelo Empresa Disponible desde Precio API (entrada / salida por 1M tokens) Índice de Artificial Analysis Veredicto corto
Gemini 4 Argon Google 13 oct 2026 $2 / $10 hasta el 30 de nov; $4 / $20 desde el 1 de dic 53 Por fin, un Gemini que compite arriba
Muse Wonder Meta 12 oct 2026 $4 / $20 52 Buenas tablas, dudas en el uso real
Muse Wonder Full Meta 12 oct 2026 Sin API: solo en Muse Code ($50 y $200 al mes) 56 Lo mejor de Meta, pero cerrado a su app
Claude Opus 5.5 (referencia) Anthropic 22 sep 2026 $4 / $20 58 Sigue siendo el de arriba
GPT-6 Astra (referencia) OpenAI sep 2026 $10 / $50 53 Argon lo iguala a una quinta parte del precio

Las tablas de benchmarks de cada lanzamiento las publica la propia empresa. El Índice de Inteligencia de Artificial Analysis es una medición independiente; úsalo como referencia, no como verdad absoluta.

¿Qué es el benchmaxxing?

Un benchmark es un examen estandarizado para modelos de IA: una lista de tareas (arreglar bugs, resolver problemas de matemáticas, usar una terminal) con una nota final.

Benchmaxxing es optimizar un modelo para sacar buena nota en esos exámenes populares, más que para ser bueno en el uso real. Es como el alumno que memoriza las respuestas del examen: saca un diez, pero cuando le cambias la pregunta se nota que no entendió el tema.

No es una acusación nueva para Meta. En abril de 2025, Meta subió a LMArena una versión "experimental" de Llama 4 ajustada para gustar en ese ranking, distinta de la que publicó, y LMArena tuvo que aclarar que eso no era lo que esperaba de sus participantes. Desde entonces, cada tabla de Meta se mira con lupa.

Gemini 4 Argon: Google por fin tiene un modelo frontera

Gemini 4 Argon es el modelo más capaz que Google ofrece al público. Google lo presentó a finales de septiembre solo para un grupo de expertos en ciberseguridad, y el 13 de octubre lo abrió a todos.

Google lo enfoca en tres áreas: ingeniería de software, trabajo de conocimiento (legal y finanzas) y defensa en ciberseguridad.

Dónde usarlo

  • API de Gemini (de pago) y Google AI Studio.
  • Antigravity, el editor con agentes de Google: para cuentas personales requiere el plan AI Ultra; también está en Gemini Enterprise.
  • App de Gemini y AI Mode en el buscador, para suscriptores de AI Pro y AI Ultra.
  • Android Studio y Firebase AI Logic, para desarrolladores Android.

Precio

Por 1M de tokens Hasta el 30 de nov Desde el 1 de dic
Entrada $2 $4
Salida $10 $20
Lectura de caché $0.10 $0.20

Con el precio de lanzamiento, Argon cuesta la mitad que Claude Opus 5.5 y una quinta parte que GPT-6 Astra. Desde diciembre queda al mismo precio que Opus 5.5.

Benchmarks de Google

Google lo comparó en 19 pruebas contra GPT-6 Astra, Claude Fable 5.1 y Claude Opus 5.5. Argon gana en 13, empata en una y pierde en cinco. Algunas filas de su tabla:

Benchmark Argon Opus 5.5 GPT-6 Astra Fable 5.1
Vals Index (general) 68.9% 67.0% 63.1% 65.8%
DeepSWE v1.1 (código) 77.9% 74.2% 74.1% 67.4%
Vibe Code Bench (apps completas) 91.9% 90.3% 89.6% 90.3%
AutomationBench (flujos de negocio) 51.3% 42.5% 41.4% 31.4%
Harvey Legal Agent Benchmark 19.6% 3.8% 5.4% 6.7%
Terminal-Bench 4.0 (código agéntico) 57.4% 66.4% 58.2% 57.9%
FrontierSWE v2 55.0% 62.3% 65.5% 56.3%

Donde pierde es justo en lo que más nos importa a los que programamos con agentes: Terminal-Bench, que mide a un agente trabajando en la terminal, sigue siendo de Opus 5.5.

Qué dicen las pruebas independientes

  • Artificial Analysis: Argon saca 53 en su índice de inteligencia, igual que GPT-6 Astra y Fable 5.1, y cinco puntos por debajo de Opus 5.5 (58).
  • Es el que menos inventa: en la prueba de alucinaciones de Artificial Analysis (AA-Omniscience) tiene una tasa del 15%, la más baja entre los modelos de punta.
  • Es el más barato de correr: completar el índice cuesta $1.99 por tarea con Argon, frente a $3.26 con Astra y $5.98 con Opus 5.5. Ojo: eso es con el precio de lanzamiento; en diciembre se acerca al doble.
  • Vals Index: primer puesto, y es la primera vez que un Gemini encabeza ese índice.

Lo que encontraron los testers

  • Construyó juegos jugables (un tower defense con Godot y Blender) y un clon de Excel en el navegador en unos 20 minutos, según las pruebas recopiladas por MindStudio.
  • En 3D y en lo visual queda por detrás de Opus 5.5 y Astra, que entregan resultados más pulidos, pero por encima de Muse Wonder.
  • Sam Witteveen lo resume en VentureBeat: "un modelo realmente muy bueno", aunque no cree que sea el mejor, y opina que Antigravity no está a la altura de Claude Code o Codex.

Google también publicó resultados internos: más de 100 mil empleados de Alphabet lo usan al mes, cerró 97 de 134 bugs abiertos en menos de tres horas y reescribió un código en Fortran a Rust con un rendimiento 1.8 veces mayor. Son datos de la propia empresa, así que tómalos con calma.

Mi lectura: después de mucho tiempo, Google tiene un modelo que compite arriba. No es el mejor de todos (Opus 5.5 sigue liderando), pero empata con Astra, es el que menos alucina y, al menos hasta el 30 de noviembre, es el más barato de la parte alta de la tabla.

Muse Wonder y Muse Wonder Full: buenos números, muchas quejas

Muse Wonder es la nueva familia de Meta Superintelligence Labs, el equipo que dirige Alexandr Wang. Viene en dos versiones, Muse Wonder y Muse Wonder Full, y es la sucesora de Muse Spark.

  • Modelo cerrado: no hay pesos para descargar. Un cambio grande para la empresa que antes publicaba Llama en abierto.
  • Contexto de 1M de tokens. Acepta texto, imágenes, audio y video, y responde en texto.
  • Active Memory: recuerda contexto tuyo entre conversaciones.
  • Active Focus: sigue empujando hacia un objetivo difícil, prueba otros caminos cuando se traba y te consulta antes de acciones importantes.

Precio y acceso

Versión Dónde Precio
Muse Wonder Meta Model API y Muse Code $4 entrada / $20 salida por 1M tokens ($0.20 en caché)
Muse Wonder Full Solo Muse Code Plan Power Usage: $50 al mes (20 veces el uso del plan básico). Plan Maximum Usage: $200 al mes (80 veces)

La versión Full, que es la buena, no está en la API: solo la puedes usar dentro de Muse Code, el agente de código de Meta.

Los números de Meta

Esta es la tabla que publicó Meta, recogida por VentureBeat (máximo esfuerzo de razonamiento):

Benchmark Wonder Full Wonder GPT-6 Astra Opus 5.5
DeepSWE 1.1 (código) 79.0 78.8 74.1 74.2
SWE-Marathon (proyectos largos) 57.5 53.1 42.5 46.3
AutomationBench-AA 45.4 39.1 41.6 41.2
Terminal-Bench 4.0-AA 57.1 52.0 59.1 59.6
HealthBench Pro 62.3 60.5 65.3 65.6

En papel, le gana a Opus 5.5 en código. Y en las mediciones independientes también sale bien: Artificial Analysis le da 56 a Wonder Full (dos puntos menos que Opus 5.5) y 52 a Wonder. En su índice de agentes de código, Muse Code con Wonder Full saca 68, lo mismo que Claude Code con Sonnet 5.5.

Entonces, ¿por qué lo acusan de benchmaxxing?

  1. Lo que se ve al probarlo no se parece a las tablas. Los testers mostraron una escena 3D de un barco con artefactos y sombras mal hechas, un juego al estilo Fall Guys con parpadeos y objetos que se atraviesan, y un render "hiperrealista" de una sandía que salió borroso. Uno de ellos describió su prueba de Nueva York como "peor que Claude Haiku 5.5", con manchas que parpadean en el cielo (eso sí, con Muse Wonder normal, no con Full).
  2. Las comparaciones no son del todo justas. En SWE-Marathon, Meta corrió su modelo con el máximo esfuerzo mientras los demás usaban sus herramientas estándar, y las filas de Astra y Fable se midieron con Codex y Claude Code.
  3. Los límites se acaban en minutos. Usuarios de los planes de $50 y $200 recibieron errores 429 ("demasiadas peticiones") poco después de suscribirse. Alexandr Wang reconoció que era un problema conocido y que lo están arreglando.
  4. El historial de Meta, con lo de Llama 4 que te conté arriba.

Y un detalle de privacidad: Muse Code arranca en modo Contributor, en el que tus prompts, tu código y tus archivos pueden usarse para entrenar modelos futuros. Si no quieres eso, cámbialo a Standard en la configuración; el cambio solo aplica de ahí en adelante.

Los matices

  • Que falle en 3D no significa que sea malo en todo. Según los testers, Meta reconoció que no entrenó Muse Wonder específicamente para tareas 3D.
  • También hubo pruebas que salieron muy bien, como un cubo Rubik que el modelo mezcló y resolvió en unos cuatro minutos.
  • Meta responde que tanto las quejas de benchmaxxing como los elogios apuntan a una amplitud de capacidades que los benchmarks populares no alcanzan a medir.
  • Su punto débil medido es el conocimiento general: en AA-Omniscience, Wonder Full saca 30 frente a 46 de Opus 5.5 y 42 de Argon.

Mi lectura: Muse Wonder Full es el mejor modelo que ha sacado Meta, y un 56 en Artificial Analysis lo pone cerca de la cima. Pero solo lo usas pagando Muse Code, los límites fallaron en el lanzamiento y los resultados visuales no acompañan a las tablas. Ya me pasó con Muse Spark: antes de usarlo en un proyecto serio, pruébalo en tu propio caso.

Gemini 4 Argon vs Muse Wonder

Gemini 4 Argon Muse Wonder Muse Wonder Full
Índice de Artificial Analysis 53 52 56
Precio API (por 1M tokens) $2 / $10 hasta el 30 de nov; luego $4 / $20 $4 / $20 Sin API
Costo por tarea del índice $1.99 $4.52 —
Alucinaciones (AA-Omniscience, menos es mejor) 15% 27% 23%
Terminal-Bench 4.0 (según Artificial Analysis) 57% 52% 57%
3D y visuales (testers) Mejor que Muse, detrás de Opus y Astra Artefactos y parpadeos —
Pesos abiertos No No No

Los valores de DeepSWE de cada empresa salen de tablas distintas, por eso no los pongo lado a lado.

Otra de Google: tus apps de AI Studio en tu propio Android

El mismo 13 de octubre, Google anunció en sus novedades de Google Play que ya puedes crear una app de Android con Google AI Studio e instalarla en tu teléfono a través de Google Play:

  • La app queda privada, solo para ti, fuera del catálogo público.
  • No necesitas cuenta de desarrollador.
  • Empieza en algunos países, incluido Estados Unidos, para mayores de 18 años.
  • Compartirla con amigos y familia llegará "en los próximos meses".
  • Para publicarla para todo el mundo sí necesitas cuenta de desarrollador y pasar la revisión normal de Google Play.

O sea: Google también quiere que el vibe coding termine en el celular, no solo en el navegador.

¿Cuál usar?

  • Para programar en serio y trabajar con agentes: Claude Opus 5.5 sigue siendo la referencia, sobre todo en tareas de terminal.
  • Si quieres un modelo frontera barato: Gemini 4 Argon, mejor si lo pruebas antes del 30 de noviembre. Además es el que menos alucina, algo clave para tareas de conocimiento (legal, finanzas, documentación).
  • Muse Wonder: pruébalo si ya pagas Muse Code o quieres comparar, pero no lo pondría en producción sin probarlo en tu caso real. Y revisa el modo Contributor.

Preguntas frecuentes

¿Cuánto cuesta Gemini 4 Argon?

Hasta el 30 de noviembre de 2026, $2 por millón de tokens de entrada y $10 por millón de salida. Desde el 1 de diciembre, $4 y $20.

¿Gemini 4 Argon es mejor que Claude Opus 5.5?

En la tabla de Google gana en la mayoría de pruebas, pero en el índice independiente de Artificial Analysis Opus 5.5 queda arriba (58 contra 53), y en Terminal-Bench 4.0 Opus sigue liderando con claridad.

¿Qué significa benchmaxxing?

Optimizar un modelo para sacar buena nota en los benchmarks populares más que para rendir bien en el uso real.

¿Puedo usar Muse Wonder Full por API?

No. Por ahora solo está en Muse Code, con los planes de $50 y $200 al mes. Por API solo está Muse Wonder, a $4 / $20 por millón de tokens.

¿Muse Wonder es de código abierto?

No. A diferencia de Llama, Meta no publicó los pesos de Muse Wonder.

Conclusión

Esta semana dejó dos lecturas. Google volvió a la pelea: Argon no le quita el primer puesto a Opus 5.5, pero empata con Astra, alucina menos que todos y sale más barato. Meta, en cambio, vuelve a tener unas tablas muy buenas que no todos ven al usar el modelo, y hasta que haya más pruebas independientes la sospecha de benchmaxxing va a seguir ahí.

¿Ya probaste alguno de los dos? Cuéntame en los comentarios del video.

¿Necesitas ayuda para elegir o integrar un modelo de IA en tu proyecto? En fazt.dev puedes reservar asesorías personalizadas.