# Google lanza Gemini 4 Argon para controlar robots y simular

> El nuevo modelo Gemini 4 Argon ayuda a los robots a aprender de videos, crear escenas simuladas y mejorar sus políticas de control. Está disponible para suscriptores de Google AI Ultra y a través de la API de Gemini.

Oossa · 2026-11-09 · https://oossa.com/es/google-launches-gemini-4-argon-for-robot-control-and-simulation-3782066

Google presentó Gemini 4 Argon, un modelo diseñado para tareas de razonamiento físico en robótica. El modelo puede guiar a un robot Spot de Boston Dynamics en un ejercicio con pedales después de practicar en una réplica de simulación de MuJoCo. También puede controlar un brazo robótico sencillo mediante coordenadas visuales y comandos de movimiento HTTP, y funciona con el modelo de mundo de video de Gemini Omni para cerrar el ciclo entre percepción y acción.

Argon puede reconstruir escenas de simulación de MuJoCo a partir de videos de teleoperación (un proceso al que Google llama Real2Sim) y etiquetar grabaciones de demostraciones para el aprendizaje por imitación. Google afirma que puede generar episodios de MuJoCo con aleatorización de dominio a partir de una sola foto RGB y usarlos para ajustar una política de visión, lenguaje y acción, lo que eleva la tasa de éxito en el robot real del 56% al 75%.

## Rendimiento y acceso

Google informa que Argon obtuvo una precisión del 87% en el benchmark Embodied Reasoning Question Answering (ERQA) mediante razonamiento puro, sin herramientas externas. La empresa afirma que esta puntuación supera a la de otros modelos de frontera en la misma prueba. Argon está disponible para suscriptores de Google AI Ultra y se puede usar a través de la API de Gemini de pago con el ID de modelo gemini-4-argon.

Las demostraciones de robótica se basan en instrucciones extensas y específicas para cada tarea, que incluyen cuadrículas de coordenadas, primitivas de movimiento y pasos de verificación. Google no ha publicado tasas de error detalladas para cada demostración; solo ha señalado el caso del modelo de mundo de video.

## Primeras reacciones

Profesionales del sector han señalado que la fidelidad de la simulación es importante. Davin YC Dong advirtió en X que una escena puede parecer realista aunque sus interacciones físicas no lo sean, algo crucial para las tareas de manipulación. Otro desarrollador, pulpmatrix, destacó la necesidad de documentar claramente las fuentes que respaldan las afirmaciones sobre los procesos de «Video-to-Sim-to-Real» y señaló que el lanzamiento actual no incluye un artículo, un repositorio de código ni estadísticas de aciertos para el ejemplo de cornhole.

Sistemas especializados como OpenVLA, la familia π de Physical Intelligence y GR00T de NVIDIA se centran en predecir acciones para configuraciones concretas de robots y suelen depender de grandes conjuntos de datos de teleoperación. El enfoque de Google integra percepción, simulación y control en un solo modelo que depende en gran medida de las instrucciones, lo que plantea dudas sobre si puede sustituir un proceso compuesto por varios servicios.

## Los hechos

- Google lanzó Gemini 4 Argon el 2026-11-09.
- El modelo obtuvo un 87% en el benchmark Embodied Reasoning Question Answering.
- La tasa de éxito en una tarea con un robot real aumentó del 56% al 75% tras el ajuste fino con episodios de MuJoCo generados sintéticamente.
- Argon está disponible para suscriptores de Google AI Ultra y a través de la API de Gemini (ID de modelo: gemini-4-argon).
- El modelo puede reconstruir escenas de MuJoCo a partir de videos de teleoperación (Real2Sim) y etiquetar videos de robots para el aprendizaje por imitación.

## Por qué importa

Para quienes desarrollan aplicaciones de robótica, Argon ofrece un único modelo que puede convertir datos de video en entornos de entrenamiento simulados y mejorar las políticas de los robots, con la posibilidad de reducir el costo de crear procesos independientes de percepción, simulación y control. Sin embargo, como faltan métricas detalladas de errores y recursos de código abierto, los usuarios tendrán que comprobar el rendimiento con su propio hardware antes de confiarle tareas críticas.

## Fuentes y referencias

1. [Google Releases Gemini 4 Argon for Robotics Control, Simulation, and Policy Improvement](https://www.infoq.com/news/2026/11/google-gemini-argon/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=AI%2C+ML+%26+Data+Engineering) – InfoQ, 2026-11-09

Última actualización: 2026-11-09