Agente IA local con Google Antigravity: así funcionan con Ollama y Gemma 4 sin conexión en tu ordenador

Simon Gütter · 16 de noviembre de 2026 · Tiempo de lectura: unos 18 minutos

Imagen de portada «Google Antigravity en local»: portátil abierto sobre una mesa de madera con un paisaje de montañas al fondo, un cable de red naranja conectado al portátil con el otro extremo suelto, y al lado bandejas con cartas ordenadas

¿Cuánto dinero y cuántos nervios te cuesta en realidad el límite semanal de tu herramienta de IA? A mí me pasa casi siempre que la cuota se agota justo cuando estoy en mitad de una tarea, y encima, con cada correo de un cliente, surge la duda de si realmente debería acabar en un servidor ajeno. Ahí es justo donde entra un agente IA local con Google Antigravity, porque entonces la IA no corre en la nube, sino en tu propio ordenador. Desde el 23 de septiembre de 2026, el SDK de Antigravity también puede trabajar con modelos de IA que están en tu disco duro.1 Es decir, te montas un agente con la misma base sobre la que funciona la app de Antigravity y lo dejas trabajar, por ejemplo, con Gemma 4 a través de Ollama, sin clave de API, sin créditos y, una vez configurado, incluso sin internet. Eso sí, hay un pero: Google recomienda para la variante principal un ordenador con al menos 24 GB de memoria gráfica o memoria compartida.1,2 Por eso, en este artículo te cuento qué modelo encaja con tu ordenador, cómo montar un agente de IA local, qué cinco agentes merecen la pena en un negocio pequeño y dónde están los límites.

En resumen

El SDK de Antigravity es el kit de Google en Python para crear tus propios agentes de IA. Desde septiembre de 2026, estos agentes también funcionan con modelos de IA locales, oficialmente optimizados para Gemma 4 26B a través de LiteRT de Google y, además, con cualquier servidor compatible con OpenAI como Ollama, LM Studio o vLLM.1 Un modelo Gemma 4 más pequeño a través de Ollama cabe incluso en un portátil con 16 GB de memoria RAM, aunque trabaja más despacio y da resultados que deberías revisar.4,5 Con reglas defines lo que puede hacer el agente, con disparadores arranca solo, y tus datos se quedan en tu equipo.2

Lo más importante en cifras

  • 23/09/2026: Google anuncia los modelos locales en el SDK de Antigravity.1
  • 24 GB de memoria gráfica o compartida es lo que recomienda Google para la variante principal con Gemma 4 26B A4B.1,2
  • 64.000 tokens de contexto recomienda Google para agentes locales, mientras que Ollama arranca de serie con 4.096.2,6
  • 4,5 GB de memoria necesita Gemma 4 E4B en su versión de 4 bits, y la variante 26B necesita 14,4 GB.4
  • 97,2 % de todos los tokens se procesaron en local en la demo híbrida de Google; el planificador en la nube solo necesitó 95 tokens.1
  • 0 dólares estadounidenses al mes cuesta Antigravity para particulares, con límites semanales básicos.7

¿Qué es el SDK de Antigravity?

Antigravity existe ya en cinco formas: como app, como entorno de desarrollo propio (IDE), como extensión para otros editores, como línea de comandos y como SDK.7 El SDK es la variante para tus propios programas y automatizaciones. Lo instalas con pip install google-antigravity, escribes unas pocas líneas de Python y el SDK se encarga de todo el bucle de pensar, llamar a una herramienta, comprobar y seguir.2 Según Google, detrás están las mismas capacidades que hacen funcionar la app de Antigravity.1

Para ti eso significa que no tienes que programar un agente de IA desde cero. Describes una tarea, le das al agente una carpeta en la que puede trabajar, y él lee archivos, escribe resultados y, si quieres, también ejecuta comandos. A eso se suman herramientas propias hechas con funciones de Python, la conexión de servidores MCP, reglas para las acciones permitidas y disparadores para tareas recurrentes.2 El SDK tiene licencia Apache 2.0 y funciona en macOS, Linux y Windows. Eso sí, incluye un archivo de ejecución precompilado que solo está en el paquete de PyPI y no en el código fuente de GitHub.2,3

Local o nube: ¿qué cambia?

Sin ninguna configuración adicional, el SDK habla con Gemini en la nube y para ello necesita una clave de API.2 Para el uso local, en principio solo cambias la configuración, porque las tareas, las reglas y las herramientas de tu agente siguen siendo las mismas, y Google da cuatro motivos para ello:1

  • sin costes continuos, porque desaparecen las tarifas de API y los límites de uso,
  • protección de datos, porque tu código y tus consultas se quedan por completo en tu ordenador,
  • uso sin conexión, de modo que el agente también trabaja sin internet estable, por ejemplo de viaje o en una furgoneta,
  • uso híbrido, en el que combinas trabajo local barato con un modelo grande en la nube cuando una tarea se vuelve demasiado pesada.

El punto de los límites no lo subestimaría. Un agente local se ejecuta tantas veces como quieras, porque el único límite es tu ordenador y no una cuota que ya está vacía el miércoles.

Gemini en la nube Gemma 4 con LiteRT Gemma 4 con Ollama
Configuración en el SDK LocalAgentConfig con clave de API de Gemini LiteRTAgentConfig LocalOpenAIAgentConfig
Hace falta internet sí no (tras la descarga) no (tras la descarga)
Coste por tarea según consumo o límite de la tarifa ninguno ninguno
Hardware recomendado da igual a partir de 24 GB de memoria gráfica o compartida según el modelo; E4B ya en portátiles con 16 GB
Los datos salen del ordenador sí no no
Optimizado por Google sí sí, para Gemma 4 26B A4B compatible, no optimizado específicamente

Fuentes: Google Developers Blog, README del SDK de Antigravity, resumen de modelos de Gemma 4.1,2,4

¿Qué modelo Gemma 4 encaja con tu ordenador?

Esta es la pregunta más importante antes de empezar. Gemma 4 existe en cinco tamaños, desde E2B para móvil y navegador hasta 31B para ordenadores potentes.4 Cuanto más grande es el modelo, mejores son los resultados, pero más memoria necesitas y más lento va en hardware débil. En la tabla ves el consumo aproximado de memoria según Google y, al lado, los tamaños de descarga en Ollama.

Modelo Versión de 4 bits (Google) Descarga en Ollama Contexto Adecuado para
Gemma 4 E2B 2,9 GB 4,6 a 7,5 GB 128K portátiles antiguos, tareas sencillas de clasificación
Gemma 4 E4B 4,5 GB 6,6 a 9,5 GB 128K portátiles normales con 16 GB de RAM
Gemma 4 12B 6,7 GB 7,7 a 8,0 GB 256K ordenadores con 16 a 32 GB y tarjeta gráfica
Gemma 4 26B A4B 14,4 GB 16 a 19 GB 256K variante principal de Google, recomendada a partir de 24 GB
Gemma 4 31B 17,5 GB 19 a 20 GB 256K estaciones de trabajo potentes o Mac con mucha memoria

Fuentes: resumen de modelos de Gemma 4 de Google y biblioteca de Ollama, a 16/11/2026.4,5

Como regla general, yo cojo el modelo más grande que quepa entero en la memoria gráfica (en un Mac, en la memoria compartida) y dejo algo de margen para el contexto. En un portátil con 16 GB de RAM y sin tarjeta gráfica propia, como el que uso yo, E4B es la opción sensata. E2B es más pequeño y rápido, pero para agentes que tienen que hacer varios pasos seguidos yo usaría como mínimo E4B.

Crear un agente IA local paso a paso con Ollama

Antes de ponerte con el SDK, probaría primero la tarea en la app de Antigravity o en tu editor. Ahí ves enseguida si el agente entiende la tarea, y solo cuando funciona merece la pena automatizarla con el SDK. La configuración en sí lleva entonces más o menos un cuarto de hora, según la rapidez con la que se descargue el modelo.

  1. Instala Ollama y descarga el modelo. Ollama está en ollama.com, y el modelo lo descargas, por ejemplo, con ollama pull gemma4:e4b.5
  2. Amplía el contexto. Sin configuración, Ollama trabaja con 4.096 tokens de contexto, lo cual es muy poco para agentes. Por eso, arranca Ollama, por ejemplo, con OLLAMA_CONTEXT_LENGTH=16384 ollama serve. Un contexto mayor necesita más memoria RAM, así que en un portátil con 16 GB me quedaría de momento en 16.384 o 32.768 tokens y solo subiría hacia los 64.000 tokens que recomienda Google con 24 GB o más.6,2 Si Ollama se ejecuta en tu equipo como servicio en segundo plano, añades la variable en la configuración del servicio y lo reinicias.6
  3. Crea el entorno de Python con python3 -m venv .venv y source .venv/bin/activate en macOS o Linux; en Windows, en PowerShell, con python -m venv .venv y .venv\Scripts\Activate.ps1.2
  4. Instala el SDK con pip install google-antigravity.2
  5. Escribe el agente. Lo importante son sobre todo tres datos: el nombre del modelo, la dirección del servidor local y la carpeta en la que el agente puede trabajar.
import asyncio
from google.antigravity import Agent, LocalOpenAIAgentConfig
from google.antigravity.hooks import policy

ORDNER = "/home/du/agenten/postfach"

async def main():
    config = LocalOpenAIAgentConfig(
        model="gemma4:e4b",
        base_url="http://127.0.0.1:11434/v1",
        workspaces=[ORDNER],
        policies=[policy.deny("*"), policy.allow("view_file"), policy.allow("list_directory")],
    )
    async with Agent(config) as agent:
        antwort = await agent.chat("Lee todos los archivos de la carpeta y resume cada uno en una frase.")
        async for teil in antwort:
            print(teil, end="", flush=True)

asyncio.run(main())

Un tropiezo en el que caí yo mismo: en el primer intento no obtuve una respuesta, sino solo un timeout al conectar con Ollama, aunque Ollama estaba en marcha. En mi caso, localhost apuntaba a la dirección IPv6, en la que Ollama no era accesible, y por eso en el ejemplo aparece 127.0.0.1. Si incluso así solo te sale un timeout, revisa el cortafuegos de tu equipo. Si este autoriza las conexiones salientes una por una, el archivo de ejecución del SDK también tiene que poder acceder al puerto local 11434.

Dejar que Antigravity construya el agente

No hace falta que teclees el código tú mismo. En la app de Antigravity también puedes pedir que te construya el agente, con un encargo como este:

Construye un agente de Python con el SDK de Antigravity. Usa LocalOpenAIAgentConfig con el modelo gemma4:e4b y la dirección de Ollama http://127.0.0.1:11434/v1. Establece esta carpeta como espacio de trabajo. El agente lee cada archivo de la carpeta “entrada”, cumple la tarea que describo abajo y escribe sus resultados en la carpeta “salida”. Muestra cada llamada a una herramienta para que yo pueda verlo. Después ejecútalo. Tarea: …

Ten presente que la propia app de Antigravity trabaja con modelos en la nube, es decir, la descripción de tu tarea va primero a la nube durante la construcción, y solo el agente ya terminado trabaja en local con tus archivos. Por eso, mientras lo construyes, pon en la carpeta solo datos de ejemplo y deja los datos reales de clientes para después. Y mira qué archivos crea y modifica la app antes de dar todo por bueno. Para tus propios procesos esto suele bastar, pero para un proyecto de cliente con inicios de sesión o pagos conviene que alguien con experiencia en programación revise el código.

Cinco agentes de IA locales que merecen la pena en tu negocio

Los cinco siguen el mismo patrón: una carpeta con las entradas, una tarea clara y una segunda carpeta para los resultados. En el encargo de arriba solo cambias la tarea.

1. El clasificador de bandeja de entrada para agencias y prestadores de servicios

Guardas los correos de clientes como archivos de texto en la carpeta de entrada, por ejemplo exportándolos desde tu programa de correo. El agente lee cada correo, los ordena por urgencia, escribe un resumen de una línea y prepara un borrador de respuesta para cada uno. Arriba del todo aparece, por ejemplo, el cliente de una tienda online que está descontento con los resultados y se plantea darse de baja, con un borrador tranquilo que pregunta dónde está exactamente el problema. Los correos, por supuesto, tienes que enviarlos tú mismo después de leerlos. Como en los correos casi siempre hay datos personales, el uso local es aquí donde más aporta.

2. El clasificador de listas de contactos para la captación

Tienes una lista con unos cientos de contactos de ferias, consultas o proyectos antiguos, y en ella hay direcciones personales como nombre@empresa.de mezcladas con direcciones genéricas como info@ o consulta@. Para el primer contacto necesitas ambas por separado, porque no escribes igual a una propietaria que a una secretaría. El agente recorre la tabla, marca cada dirección como personal o general y escribe el resultado en una columna nueva. Precisamente con listas así resulta agradable que no tengan que pasar por un servicio en la nube.

3. El redactor de primeros contactos para contactos ya existentes

Le das al agente una tabla con empresas, sector y una nota breve sobre su web. Para cada empresa escribe una primera frase que se refiere a lo que la empresa realmente hace, en lugar de tópicos como «qué web tan bonita». En una escuela online con 4.000 participantes, por ejemplo, retoma la bandeja de soporte saturada; en una oferta de software con fase de prueba, la pregunta de cómo encuentran los clientes de prueba la función correcta. Ten en cuenta las normas sobre publicidad por correo: en Alemania, los correos publicitarios no solicitados solo están permitidos dentro de límites estrechos, incluso cuando van dirigidos a empresas. Por eso usa esas frases de apertura solo para contactos que te hayan dado su consentimiento, o como gancho para una conversación personal.

4. El ordenador de notas para coaches y consultores

Después de una cita, las notas suelen ser un revoltijo de frases a medias, ideas y cosas que has prometido. El agente convierte eso en un plan limpio por cliente, con tres tareas y una pregunta para arrancar la siguiente cita. Las notas de las conversaciones son confidenciales, y por eso, para mí, no pertenecen a un servicio en el que no sé exactamente qué pasa con ellas.

5. El panel de SEO a partir de la exportación de Search Console

Exportas de Google Search Console la tabla con consultas de búsqueda, clics, impresiones, CTR y posición. El agente construye con ella una única página HTML: arriba las consultas más fuertes, debajo las victorias rápidas, es decir, términos entre la posición 8 y la 20 que con poco esfuerzo puedes llevar a la primera página, y además un gráfico de barras sencillo. Un panel así lo entienden también los clientes en unos segundos, y las cifras no salen nunca de tu ordenador.

Reglas y disparadores: así trabaja tu agente solo y con seguridad

Un agente al que se le permite escribir archivos y ejecutar comandos necesita límites claros. Sin ninguna configuración adicional, el SDK trabaja solo en modo lectura, y todo lo demás lo habilitas tú de forma selectiva.2

  • Con reglas (policies) primero prohíbes todo y luego permites pasos concretos, por ejemplo leer archivos sí, comandos solo previa consulta. Para ello existen deny, allow y ask_user, además de bloques ya preparados como workspace_only, que bloquea los accesos fuera de la carpeta de trabajo, y confirm_run_command, que rechaza comandos sin tu autorización.2,3 Así, tu clasificador de bandeja de entrada puede escribir borradores, pero no borrar nada.
  • Con disparadores (triggers) defines cuándo se pone en marcha el agente, por ejemplo con every cada diez minutos o con on_file_change justo en el momento en que llega un archivo nuevo a la carpeta de entrada.2,3
  • Con herramientas propias haces utilizable para el agente cualquier función de Python, y los servidores MCP los conectas igual.2 Una tienda online, por ejemplo, le da al agente una herramienta que lee la tabla de productos y recibe descripciones para cada producto nuevo.

El modo híbrido: la nube planifica, tu ordenador trabaja

Si una tarea es demasiado grande para un modelo local pequeño, no tienes que mandarlo todo a la nube de golpe. Google compara el reparto del trabajo con un arquitecto y su cuadrilla: un modelo en la nube, en la demo Gemini 3.8 Flash, planifica la tarea y la reparte, pero solo ve nombres de archivo y descripciones breves, mientras que varias instancias locales de Gemma 4 en tu ordenador hacen el trabajo real con los contenidos.1

En el ejemplo de Google se trataba de tres archivos de Python con vulnerabilidades de seguridad. El planificador en la nube necesitó para ello 95 tokens. Los modelos locales reprodujeron las vulnerabilidades, escribieron correcciones, se criticaron entre sí y lo comprobaron todo con las pruebas. Al final, el 97,2 % de todos los tokens se procesó en local, es decir, 3.322 tokens.1 Para un negocio, esto significa que los nombres de archivo van a la nube y pueden revelar algo, pero el contenido se queda contigo.

Costes de Antigravity: ¿cuánto pagas en local, en euros?

En local no hay tarifas por tarea; solo pagas la electricidad y el hardware que ya tienes. Tomemos un portátil que consume unos 60 vatios a plena carga y calcula dos horas al día para tus agentes. Necesita unos 3,6 kWh al mes, y a 35 céntimos por kWh son unos 1,30 € al mes. Los valores son estimados y dependen del equipo y de la tarifa eléctrica, pero el orden de magnitud es correcto.

Antigravity en sí cuesta 0 dólares estadounidenses al mes para particulares, con límites semanales básicos para los modelos en la nube. Hay más margen con Google AI Pro y Ultra, y las empresas contratan a través de Google Cloud, donde los planes de Gemini Enterprise empiezan en 30 dólares estadounidenses por puesto y mes.7 Para tus agentes locales, estos límites no juegan ningún papel; solo cuentan cuando usas la app o modelos en la nube.

Pero lo que más te aporta es el tiempo que ahorras. Si el clasificador de bandeja de entrada te quita cada día solo 20 minutos de preclasificación, en 20 días laborables son casi siete horas al mes. Con una tarifa horaria interna de 50 €, eso equivale a unos 330 €.

Mis consejos para que los agentes locales trabajen con fiabilidad

  1. Dale a cada agente su propia carpeta de trabajo. Así se centra en lo suyo, y con workspace_only no puede acceder a nada más.3
  2. Una tarea clara en lugar de una lista de deseos. Los modelos locales pequeños trabajan bastante mejor con un encargo acotado y nombres de archivo exactos para los resultados. Mejor tres agentes con una tarea cada uno que uno que tenga que saberlo todo.
  3. Sube el contexto antes de dudar del agente. Si un agente se interrumpe en mitad de una tarea larga o pierde el hilo, a menudo es porque el contexto es demasiado pequeño. Los 4.096 tokens con los que arranca Ollama no bastan para agentes.6
  4. Cuenta con tener paciencia. Ya el propio script de ejemplo de Google avisa de que el procesamiento local puede tardar varios minutos.1 Por eso deja que el agente trabaje en segundo plano mediante disparadores en lugar de quedarte sentado delante.
  5. Revisa los resultados. Un modelo local pequeño comete más errores en tareas difíciles que los grandes modelos en la nube. Para los muchos trabajos rutinarios con archivos confidenciales sirve igualmente; lo único es que no deberías enviar nada sin leerlo antes.
  6. Empieza con datos de ejemplo. Prueba cada agente primero con correos, notas o tablas inventados y déjalo después con datos reales.
  7. Presta atención a los formatos de archivo y a la suspensión. El agente trabaja con mayor fiabilidad con archivos de texto plano como .txt, .md o .csv. Para libros de Excel, lo mejor es darle una pequeña función de Python como herramienta. Y recuerda que un agente local solo trabaja mientras tu ordenador está despierto: si cierras el portátil, el agente también se pausa.

Límites de la IA local y protección de datos

La IA local también tiene sus peros, y conviene conocer algunos antes de fiarte de ella en el día a día.

  • Google ha optimizado el uso local para Gemma 4 26B A4B con LiteRT; otros archivos de modelo LiteRT, según el README, pueden funcionar mal o no funcionar en absoluto.2 Ollama con modelos más pequeños es compatible, pero no es el camino principal de Google.
  • La recomendación de 24 GB de memoria gráfica o compartida vale para la variante 26B. Con menos memoria funciona un modelo más pequeño que sabe notablemente menos.1,4
  • Para tareas difíciles, como trabajos de programación más grandes, los grandes modelos en la nube siguen estando claramente por delante. El uso local compensa sobre todo para las muchas tareas pequeñas que se repiten cada día.
  • El SDK incluye un archivo de ejecución precompilado cuyo código fuente no está en el repositorio público.2
  • Al construir en la app de Antigravity y en el modo híbrido, una parte va a un modelo en la nube, a saber, la descripción de tu tarea o los nombres de archivo, respectivamente.1
  • Gemma 4 tiene, igual que el SDK, licencia Apache 2.0, lo que significa que puedes usar los modelos también comercialmente y sin tarifas de licencia en tu negocio.8

La gran ventaja sigue siendo, aun así, que procesas los datos de clientes en tu propio equipo, sin que ningún proveedor de IA llegue a verlos, siempre que el agente funcione puramente en local. Para este paso no necesitas entonces un contrato de encargado del tratamiento con un proveedor de IA. Las demás obligaciones del RGPD, como la limitación de la finalidad y los plazos de supresión, siguen aplicándose, por supuesto. Si te interesa el autoalojamiento en general, echa también un vistazo a mi experiencia con Nemotron 3.5 Bolt como asistente local.

Conclusión

¿Sustituye ahora un agente IA local de Antigravity a los grandes modelos en la nube? Para tareas difíciles y creativas no, ahí los modelos grandes son claramente mejores. Pero para las muchas tareas pequeñas con datos confidenciales, es decir, preclasificar correos, dividir listas de contactos, ordenar notas o analizar exportaciones, es una solución muy práctica, porque lo configuras una vez y el agente se ejecuta después tantas veces como quieras, sin costes por tarea y sin límite semanal. Yo empezaría con un solo agente, con la tarea que más te saque de quicio cada semana, y lo probaría dos semanas con datos de ejemplo antes de pasar a datos reales. Y si por el camino notas que en tu negocio hay muchas más tareas así, hablemos un momento sobre cuál compensa más al principio.

Preguntas frecuentes sobre Google Antigravity en local

¿Es gratis Google Antigravity?

Para particulares sí: la tarifa cuesta 0 dólares estadounidenses al mes y tiene límites semanales básicos. Hay más margen con Google AI Pro y Ultra.7 Los agentes locales a través del SDK no generan tarifas por tarea y ni siquiera necesitan una clave de API.1

¿Necesito internet para los agentes locales de Antigravity?

Solo para la configuración, es decir, para descargar el SDK y el modelo. Después, el agente funciona completamente sin conexión, siempre que no uses el modo híbrido con un planificador en la nube.1

¿Qué hardware necesito como mínimo?

Google recomienda para la variante principal con Gemma 4 26B al menos 24 GB de memoria gráfica o compartida.1 Con Ollama y Gemma 4 E4B, que en su versión de 4 bits necesita unos 4,5 GB, un modelo cabe también en un portátil con 16 GB de RAM, aunque las respuestas llegan más despacio.4

¿Funciona también con LM Studio en lugar de Ollama?

Sí, a través de LocalOpenAIAgentConfig el SDK habla con cualquier servidor compatible con OpenAI. Google nombra expresamente Ollama, LM Studio y vLLM.1

¿Cuál es la diferencia entre LiteRT y Ollama?

LiteRT es el entorno de ejecución propio de Google para modelos en el dispositivo, y para él el SDK está optimizado específicamente con LiteRTAgentConfig. Ollama es un servidor de modelos locales muy extendido, al que el SDK accede mediante la interfaz compatible con OpenAI. LiteRT es el camino optimizado para Gemma 4 26B; Ollama te deja más opciones de modelos.1,2

¿Funciona el SDK de Antigravity en Windows y Linux?

Sí, en PyPI hay paquetes listos para Windows, Linux y macOS, en cada caso para procesadores Intel y ARM.3

¿Puedo usar Gemma 4 comercialmente?

Sí, Google ofrece Gemma 4 con pesos abiertos bajo la licencia Apache 2.0, lo que significa que puedes usar los modelos también comercialmente en tu negocio.4,8

Propuesta de cita

Gütter, Simon (2026): Agente IA local con Google Antigravity: así funcionan con Ollama y Gemma 4 sin conexión en tu ordenador. Simon Traffic, 16 de noviembre de 2026. https://simon-traffic.com/blog/ki-automatisierung/antigravity-lokal-ollama/

Fuentes

  1. Google Developers Blog: Introducing Support for Local AI Models in the Antigravity SDK, 23/09/2026. https://developers.googleblog.com/introducing-support-for-local-ai-models-in-the-antigravity-sdk/
  2. Google: Antigravity SDK for Python, README, consultado el 16/11/2026. https://github.com/google-antigravity/antigravity-sdk-python
  3. PyPI: google-antigravity 0.1.23, datos del paquete y documentación incluida en el paquete, consultado el 16/11/2026. https://pypi.org/project/google-antigravity/
  4. Google AI for Developers: Gemma 4 model overview, consultado el 16/11/2026. https://ai.google.dev/gemma/docs/core
  5. Ollama: gemma4, biblioteca de modelos, consultado el 16/11/2026. https://ollama.com/library/gemma4
  6. Ollama: FAQ, How can I specify the context window size?, consultado el 16/11/2026. https://docs.ollama.com/faq
  7. Google Antigravity: Pricing, consultado el 16/11/2026. https://antigravity.google/pricing
  8. Google AI for Developers: Gemma 4, Apache License 2.0, consultado el 16/11/2026. https://ai.google.dev/gemma/docs/gemma_4_license

A 16 de noviembre de 2026. El SDK de Antigravity está en la versión 0.1.x; las funciones y las recomendaciones pueden cambiar.