Gemini 3 Pro logra 54,2% en Terminal-Bench 2.0 de programación
Google lanzó Gemini 3 Pro el 18 de noviembre de 2025 y dijo que el modelo logra 54,2% en Terminal-Bench 2.0, una prueba de qué tan bien un modelo de inteligencia artificial opera una computadora a través de una terminal. Llegó el mismo día a la API de Gemini, Vertex AI, la app de Gemini y una nueva plataforma de programación agéntica, Google Antigravity. Para los equipos de software, el lanzamiento es una decisión de precio y de herramientas: el acceso preliminar cuesta 2 dólares por millón de tokens de entrada y 12 dólares por millón de tokens de salida.
Qué lanzó Google el 18 de noviembre de 2025
Google presentó Gemini 3, su nueva familia insignia de modelos multimodales, y puso Gemini 3 Pro a disposición el mismo día en la Búsqueda, la app de Gemini, Google AI Studio, Vertex AI, Gemini CLI y una nueva plataforma de desarrollo llamada Antigravity. InfoQ señala que los lanzamientos anteriores de Gemini llegaban primero a un pequeño grupo de productos; este llegó como una sola plataforma para uso de consumo y empresarial.
Un modo con más carga de investigación, Gemini 3 Deep Think, llegará después para los suscriptores de Google AI Ultra, cuando supere más pruebas de seguridad. Los tiempos fueron ajustados: TechCrunch informó que el lanzamiento llegó siete meses después de Gemini 2.5, menos de una semana después de que OpenAI lanzara GPT 5.1 y dos meses después de que Anthropic lanzara Sonnet 4.5.
Cómo puntúa el modelo en pruebas de programación y razonamiento
La cifra principal de programación de Google es un 54,2% en Terminal-Bench 2.0, que mide la capacidad de un modelo para usar herramientas y operar una computadora a través de una terminal. Google también dice que el modelo encabeza la tabla de WebDev Arena con 1487 de Elo y marca nuevos máximos en MMMU-Pro y Video MMMU para razonamiento con imágenes y video.
Las tablas independientes apuntan en la misma dirección. TechCrunch informó un puntaje de 37,4 en Humanity's Last Exam, el más alto registrado, frente al máximo anterior de 31,64 de GPT-5 Pro, y el primer lugar en LMArena, que mide la satisfacción de los usuarios. Foros de desarrolladores citados por InfoQ debaten el riesgo de contaminación de los benchmarks y recomiendan hacer evaluaciones internas antes de comprometerse.
Qué hace Google Antigravity por los desarrolladores
Antigravity es la plataforma de desarrollo agéntico de Google construida alrededor del modelo. Los desarrolladores gestionan agentes en distintos espacios de trabajo mientras conservan un editor de código con IA conocido como centro; los agentes planifican y ejecutan tareas de software en el editor, la terminal y el navegador, y reportan su trabajo mediante artefactos detallados.
«El agente puede trabajar con tu editor, en tu terminal y en tu navegador para asegurarse de ayudarte a construir esa aplicación de la mejor forma posible». Koray Kavukcuoglu, CTO de DeepMind
La versión preliminar pública es gratuita para MacOS, Windows y Linux. El modelo también funciona en Gemini CLI, Android Studio y herramientas de terceros como Cursor, GitHub, JetBrains, Manus y Cline.
Cómo acceden los desarrolladores y cuánto cuesta
El modelo está en versión preliminar a través de la API de Gemini en Google AI Studio y Vertex AI, a 2 dólares por millón de tokens de entrada y 12 dólares por millón de tokens de salida, para prompts de 200k tokens o menos. Es gratuito con límites de uso en Google AI Studio.
Según InfoQ, acepta texto, imágenes, video, audio y PDF dentro de una ventana de contexto de hasta 1.048.576 tokens, con una salida limitada a 65.536 tokens, y también se ofrece a través de Firebase AI Logic y Gemini Enterprise. Google agregó una herramienta bash del lado del cliente que permite al modelo proponer comandos de shell, una herramienta bash alojada del lado del servidor para socios con acceso anticipado y la opción de combinar Grounding with Google Search y el contexto de URL con salidas estructuradas.
Quién ya usa Gemini
El lanzamiento llega a una gran base de usuarios. Según Google, como informó TechCrunch, la app de Gemini tiene más de 650 millones de usuarios activos mensuales, y 13 millones de desarrolladores de software han usado el modelo como parte de su flujo de trabajo. Los usuarios de Gemini Code Assist en los editores de código más comunes reciben primero Gemini 3 en modo agente, con tareas de programación de varios pasos y no solo autocompletado en línea.
Qué cambia para los equipos de software y de operaciones
Para las empresas, la tarea que Google promueve es el trabajo largo y de varios pasos que se le entrega a un agente. Google destaca el análisis financiero, la planificación de la cadena de suministro y la revisión de contratos, e InfoQ señala que el modelo puede recibir PDF largos, capturas de pantalla y video en una sola solicitud, así que el análisis de documentos, la revisión de logs y la analítica con mucho contenido multimedia pueden correr en un solo modelo en lugar de sistemas separados de visión, voz y lenguaje.
El precio publicado le da a un equipo una forma de estimar el costo por tarea antes de un piloto. Google no dio resultados de clientes con el lanzamiento, así que el valor medido para cada empresa saldrá de sus propias evaluaciones, que es lo que aconsejan los desarrolladores en los foros.
Preguntas y respuestas
¿Qué es Terminal-Bench 2.0?
Es un benchmark que mide la capacidad de un modelo para usar herramientas y operar una computadora a través de una terminal. Google dice que Gemini 3 Pro logra 54,2% en él.
¿Cuánto cuesta el nuevo modelo de Google?
En versión preliminar, Google cobra 2 dólares por millón de tokens de entrada y 12 dólares por millón de tokens de salida para prompts de 200k tokens o menos. Es gratuito con límites de uso en Google AI Studio.
¿Qué es Google Antigravity?
Antigravity es la plataforma de desarrollo agéntico de Google, donde los desarrolladores gestionan agentes que trabajan en el editor, la terminal y el navegador. Su versión preliminar pública es gratuita para MacOS, Windows y Linux.
La visión de MOZGII
Cómo lo construiríamos
Un puntaje de benchmark le dice a un equipo qué modelos probar, no cuál comprar. Terminal-Bench mide si un modelo puede ejecutar comandos y corregir sus propios errores en una terminal, algo cercano al trabajo real de un agente, pero el código, los documentos y las reglas de cada empresa son distintos. Tomaríamos las cifras de Google como un motivo para probar el modelo, y nada más.
Si sumáramos un agente de programación o de documentos basado en un modelo así, empezaríamos con un conjunto fijo de tareas de nuestro propio trabajo: tickets reales, contratos reales, logs reales, cada uno con un resultado correcto conocido. Cada modelo candidato correría el mismo conjunto, y compararíamos el costo por tarea terminada, no el costo por token. El agente trabajaría en un entorno aislado con permisos limitados, y un ingeniero aprobaría cualquier cambio antes de que llegue al código compartido o a los sistemas de producción.
Fallaría en las tareas largas. Un agente que planifica y actúa a lo largo de muchos pasos puede desviarse, repetir trabajo o gastar tokens sin terminar. Pondríamos un tope de pasos y de gasto para cada tarea y detendríamos al agente cuando alcance cualquiera de los dos. La métrica que vigilaríamos sería la proporción de tareas completadas correctamente sin que una persona tenga que rehacerlas.
Después volveríamos a correr el mismo conjunto de tareas cada vez que salga un modelo nuevo, para que un cambio de proveedor sea una decisión medida y no una reacción a un lanzamiento.
Fuentes
De dónde salen los datos de esta nota.