1. O que é o Gemini 4 Argon?
2. Como foi o lançamento do Gemini 4 Argon
3. O que o Gemini 4 já faz dentro do Google
4. Benchmarks do Gemini 4 Argon: onde o modelo se destaca
5. Quanto custa o Gemini 4 Argon e o que muda com 1 milhão de tokens de saída
6. Salvaguardas e limites do lançamento
7. Quando e como acessar o Gemini 4 Argon
8. Conclusão
O Google apresentou nesta quarta-feira, 30 de setembro de 2026, o Gemini 4 Argon, seu novo modelo de fronteira e o primeiro a levar o número 4 na linha Gemini. O anúncio chega depois de meses em que OpenAI e Anthropic ditaram o ritmo dos lançamentos, e o Google responde com resultados de topo em programação, trabalho corporativo e defesa cibernética.
O preço de lançamento chama atenção. O Gemini 4 Argon sai a US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída. É exatamente o que a OpenAI cobra pelo GPT-6 Sol, modelo intermediário apresentado há uma semana. O Google, porém, coloca o Argon na mesma prateleira de modelos que custam várias vezes mais.
Há uma condição que muda a leitura do anúncio: o Argon ainda não está disponível para empresas nem para o público geral. Por enquanto, só um grupo de especialistas em defesa cibernética tem acesso, e a liberação ampla depende de testes de segurança que não têm data para terminar.
Este artigo explica o que é o Gemini 4 Argon, como foi o lançamento e o que o modelo já faz dentro do Google. Na sequência, detalha os benchmarks, o preço, as salvaguardas anunciadas e o que se sabe sobre o acesso.
O Gemini 4 Argon é um modelo de linguagem de grande porte (LLM) desenvolvido pelo Google DeepMind e anunciado em 30 de setembro de 2026 como o novo modelo de fronteira do Google, termo usado para a classe mais capaz de modelos de IA em cada momento.
O modelo foi treinado para sustentar raciocínio profundo em fluxos de trabalho longos e com muitas etapas, em três frentes: engenharia de software, trabalho corporativo em áreas como jurídico e finanças, e defesa cibernética (Google, 2026).
A mudança técnica mais visível está no tamanho das respostas. O limite de saída do Argon passa a 1 milhão de tokens, contra 64 mil na geração anterior. Tokens são as unidades de texto que o modelo lê e escreve. Com um teto maior, ele consegue raciocinar e produzir centenas de milhares de tokens numa mesma execução, sem dividir o problema em várias chamadas.
O anúncio foi assinado por Koray Kavukcuoglu, vice-presidente sênior do Google DeepMind e arquiteto-chefe de IA do Google. Segundo ele, o modelo já mudou a forma como a própria empresa trabalha e desenvolve software. É esse uso interno, mais do que qualquer demonstração pública, que o Google apresenta como prova de capacidade enquanto o acesso segue fechado.
O Argon não chegou ao mercado do jeito tradicional. Em vez de abrir a API e o aplicativo no dia do anúncio, o Google liberou o modelo apenas para um grupo de defensores de cibersegurança de confiança, por meio do Fairwind Program. A empresa informa também que participa do processo voluntário do governo dos Estados Unidos para acesso a modelos antes do lançamento.
O formato segue um padrão recente do setor. O Fairwind é o equivalente do Google ao Project Glasswing, da Anthropic, e ao Daybreak, da OpenAI, programas que também reservam o primeiro acesso a parceiros de segurança (Techzine, 2026). A lógica é a mesma nos três casos: um modelo capaz de encontrar e corrigir vulnerabilidades de software também pode ser usado para explorá-las.
O caminho até aqui teve desvios. O Argon vem depois do cancelamento do Gemini 3.5 Pro, que daria sequência à linha Pro, e de um período em que o Google concentrou esforços no Gemini 3.8 Flash (9to5Google, 2026). Na prática, a empresa pulou uma versão intermediária para voltar à disputa direta com o GPT-6 Astra e o Claude Fable 5.1.
Para o comprador corporativo, o lançamento vale mais como sinal do que como produto. O discurso do Google gira em torno de agentes que reescrevem código, auditam sistemas e analisam documentos de setores regulados, e deixa em segundo plano a experiência de conversa no chatbot.
Milhares de funcionários do Google já usam o Argon no trabalho diário, principalmente em programação especializada, pesquisa aprofundada e redação, segundo a empresa. Os exemplos divulgados mostram o modelo como base de agentes de IA, sistemas que executam sequências de tarefas com autonomia, aplicados a problemas de infraestrutura de grande escala.
Na computação quântica, o Argon ajuda pesquisadores a reduzir os recursos (a combinação de qubits e portas lógicas) consumidos por sub-rotinas que limitam aplicações importantes. Em um dos casos, o modelo superou em 40% a melhor marca publicada, em questão de minutos.
Na infraestrutura, uma equipe de agentes baseados no Argon analisou dados de desempenho de toda a frota de servidores do Google, identificou otimizações de memória e aplicou as mudanças por conta própria. Depois de implantadas, elas liberam mais de 300 TiB de memória nos data centers, e a economia total estimada fica entre 500 TiB e 1 PiB.
O caso mais ambicioso é a migração de bases de código em C e C++ para Rust, linguagem que elimina uma classe inteira de falhas de memória. Os agentes trabalham desde bibliotecas com dezenas de milhares de linhas, como re2 e libgav1, até as mais de 800 mil linhas do kernel Zircon, do sistema operacional Fuchsia.
Por serem sistemas críticos, as reescritas passam por auditoria automatizada e manual, testes de emulação e revisão antes de chegar à produção. O Google não informou quanto desse volume já está em uso.
O libgav1, decodificador de vídeo de código aberto do Google, mostra o método em detalhe. Os agentes partiram de uma versão em Rust já existente e trocaram 32 mil linhas de código SIMD, que processa vários dados em uma única instrução, por Rust seguro. Depois de várias rodadas de testes, o compilador passou a gerar sozinho essas instruções. O decodificador final roda 2,7 vezes mais rápido que a versão anterior em Rust, com saída de vídeo idêntica.
Os números desta seção foram divulgados pelo Google no anúncio do lançamento (2026). O texto da empresa destaca as notas do Argon e deixa as comparações com concorrentes para os gráficos. Até a publicação deste artigo, não havia avaliação independente rodando todos os modelos nas mesmas condições.
No DeepSWE v1.1, que mede o desempenho em tarefas longas de engenharia de software baseadas em problemas reais, o Gemini 4 Argon marcou 77,9%, novo recorde segundo o Google. Os engenheiros da empresa usam o modelo em tarefas que vão da depuração do dia a dia a migrações de bases de código e desenho de algoritmos.
Para referência, a OpenAI havia divulgado na semana passada 68,8% para o GPT-6 Sol em esforço máximo, e 69,9% para o Claude Fable 5 no mesmo teste. A distância é grande, mas cada laboratório roda as avaliações com configurações próprias, e a comparação indica faixa, não ranking.
Fora da programação, o Argon lidera o Vals Index, que estima impacto econômico em tarefas de finanças, programação, jurídico e tributário. Cada setor pesa no índice conforme sua participação no PIB dos Estados Unidos (Vals AI, 2026). O Google aponta liderança também no Vals Finance Agent v2, de pesquisa financeira em várias etapas, e no Legal Agent Benchmark, da Harvey, que avalia pesquisa e redação jurídica.
No AutomationBench, teste da Zapier que mede a execução completa de fluxos em funções de negócio como vendas, finanças e RH, o Argon ficou em primeiro, com 51,3%. Na semana passada, a OpenAI havia informado 33,2% para o GPT-6 Sol, e a Anthropic, 40% para o Claude Opus 5.5, ambas em relatórios próprios.
O modelo também se sai bem quando o trabalho envolve imagem e vídeo. Ele analisa gráficos, encontra detalhes em vídeos longos e toma ações a partir de uma série de documentos. No LVBench, que mede a compreensão de vídeos longos, marcou 91,7%, a maior nota registrada no teste.
O Google treinou o Argon especificamente para defesa cibernética. O modelo encontra, valida e corrige vulnerabilidades críticas de software de forma autônoma, e no CWE-bench v1, que avalia a correção de falhas de segurança, dividiu o primeiro lugar com 68%.
O caso mais citado vem da Wiz, empresa de segurança em nuvem que já usa o Argon no Scan for Good, programa gratuito de proteção de infraestrutura pública. Numa demonstração inicial, o modelo encontrou uma vulnerabilidade crítica que expunha dados pessoais sensíveis em um software de saúde usado por hospitais do mundo todo. Modelos de fronteira anteriores não tinham detectado a falha.
Em relação ao Gemini 3.8 Flash Cyber, versão especializada anterior, o avanço aparece também em testes fechados. No benchmark interno do Google, o Argon encontrou falhas em bases de código escritas em 20 linguagens de programação. No teste de invasão da Wiz, feito sem acesso ao código-fonte, superou o antecessor em mapear a superfície de ataque, identificar vulnerabilidades e produzir provas de conceito.
Todos os resultados são autodeclarados, e as comparações citadas acima saem de relatórios diferentes, cada um com suas próprias configurações de esforço e de ferramentas. A leitura mais segura, por enquanto, é de posição: o Gemini 4 Argon entra no grupo de topo em programação, automação de negócios e segurança.
A ordem exata entre ele, o GPT-6 Astra e o Claude Fable 5.1 só vai ficar clara com testes independentes, que dependem de o modelo sair do acesso restrito.
O Argon estreia com preço promocional de US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída. Tokens de entrada lidos do cache, isto é, trechos de contexto já processados e reaproveitados nas chamadas seguintes, têm 95% de desconto. Depois do período introdutório, cuja duração o Google não informou, o preço sobe para US$ 4 e US$ 20.
A comparação com a OpenAI ajuda a dimensionar a oferta. No preço promocional, o Argon custa o mesmo que o GPT-6 Sol e um quinto do GPT-6 Astra, que sai a US$ 10 e US$ 50. Mesmo no preço cheio, fica abaixo do Astra. O desconto de cache também é maior: 95%, contra 90% na linha GPT-6.
O limite de 1 milhão de tokens de saída muda o tipo de tarefa que cabe em uma única chamada. Com o teto de 64 mil, um agente precisava quebrar trabalhos longos em várias etapas e remontar o resultado depois. Com o novo limite, uma migração de código ou um relatório extenso pode sair de uma só vez, em uma única linha de raciocínio.
O outro lado dessa capacidade é a conta. Uma execução que gera meio milhão de tokens custa US$ 5 só na saída, pelo preço promocional, e US$ 10 depois dele. Para empresas que rodam agentes em volume, o dado que decide é o custo por tarefa concluída, e esse número o Google ainda não publicou.
O Google condiciona a liberação ampla ao reforço de salvaguardas em quatro frentes. A primeira é o uso indevido: o modelo foi desenhado para recusar pedidos ligados a ataques cibernéticos ou a armas químicas, biológicas, radiológicas e nucleares, sem bloquear a pesquisa científica legítima. A empresa também monitora as ativações internas do modelo para detectar abuso, e as defesas foram testadas por equipes internas e externas que simulam ataques (red teams).
A segunda frente é o prompt injection indireto, ataque em que instruções maliciosas escondidas em documentos, páginas ou e-mails desviam o comportamento do modelo. O Google afirma que o Argon é seu modelo mais resistente a esse tipo de ataque e que lidera o benchmark de injeção indireta da Gray Swan. Para agentes que leem conteúdo externo, esse é um dos riscos mais concretos em produção.
A terceira é o desalinhamento, quando o modelo tenta cumprir uma tarefa por caminhos que vão além do que o usuário pretendia. O Google monitora a cadeia de raciocínio e as ações do Argon e interrompe a execução quando necessário. A quarta frente é o isolamento dos ambientes de teste, que são fechados antes de treinamentos e avaliações de alto risco.
Um detalhe do monitoramento merece atenção. A empresa diz ter evitado usar os achados sobre o raciocínio do modelo no próprio treinamento, para não ensiná-lo a escapar da vigilância. Também pede que o restante do setor preserve essa transparência, um recado direto aos concorrentes.
O ponto mais sensível, no entanto, é a versão sem proteções. Defensores de confiança e equipes internas recebem o Argon sem as barreiras de cibersegurança, justamente para usar toda a capacidade de encontrar falhas. A decisão aumenta a utilidade para quem protege sistemas, mas transfere para a seleção do Fairwind a responsabilidade de manter o modelo longe de quem ataca.
Hoje, o Gemini 4 Argon só está disponível para participantes do Fairwind Program e para equipes internas do Google. Empresas e desenvolvedores fora desse grupo ainda não conseguem usar o modelo, nem pela API, nem pelo aplicativo Gemini.
Quando sair do acesso restrito, o modelo chega a desenvolvedores, empresas e consumidores, começando pelos clientes pagos da API e pelos assinantes do Google AI Ultra, plano de assinatura mais alto do Gemini. O Google não deu data para nenhuma dessas etapas e condiciona cada uma ao retorno dos primeiros testadores e aos ajustes nas salvaguardas.
Para quem pretende avaliar o Argon, o intervalo até a liberação serve para preparar a comparação. Uma empresa que já roda agentes em outro modelo pode separar desde já as tarefas em que vai testá-lo, como migração de código ou análise de documentos longos. Convém também definir antes a métrica de custo por resultado que vai orientar a escolha.
Em síntese, o Gemini 4 Argon recoloca o Google na disputa pelo topo com resultados fortes em programação, automação de negócios e cibersegurança. E chega com preço de lançamento igual ao que a OpenAI cobra pelo seu modelo intermediário. O modelo existe, mas ainda não está à venda.
No conjunto, as peças do anúncio se sustentam umas às outras. O uso interno em migrações de código e em infraestrutura dá concretude aos benchmarks de engenharia. O foco em defesa cibernética explica por que o acesso começou restrito. E o preço promocional funciona como convite para que as empresas comparem o Argon assim que ele sair do Fairwind.
Para as empresas, a consequência imediata é de planejamento. A oferta de modelos de fronteira passou a ter três fornecedores com capacidades e preços próximos, o que favorece arquiteturas capazes de trocar de modelo por tarefa sem reescrever a aplicação. Quem depende de um único fornecedor tende a pagar mais caro e a demorar mais para aproveitar cada lançamento.
A liberação gradual também indica como os próximos modelos devem chegar. Com capacidades de uso duplo em segurança, Google, OpenAI e Anthropic passaram a abrir seus modelos mais capazes primeiro para defensores e só depois para o mercado. O intervalo entre anúncio e acesso tende a virar regra.
Quem planeja agentes em produção tem uma decisão pendente: definir quando e em quais tarefas testar o Argon contra os modelos já em uso. Para acompanhar a chegada do modelo às empresas e os próximos lançamentos, assine a AI Factory News e receba toda semana a análise do Distrito sobre modelos, agentes e lançamentos de IA.
