Google libera o Gemini 4 Argon para usuários pagantes, com preços promocionais e novas informações sobre segurança

Uma liberação mais ampla, com ganhos mensuráveis e riscos reconhecidos

O Google liberou o Gemini 4 Argon para desenvolvedores, empresas e consumidores pagantes em todo o mundo em 13 de outubro de 2026. A empresa anunciou preços promocionais de US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída, além de alegações detalhadas sobre engenharia de software, pesquisa científica e robótica. A expansão ocorre 13 dias após a apresentação do modelo, em 30 de setembro, quando o acesso era restrito a um grupo selecionado de profissionais de cibersegurança que atuam na defesa.

O lançamento também traz um quadro de segurança mais nuançado do que uma simples declaração de que o modelo passou por uma avaliação. O Google DeepMind afirma não poder descartar que o Argon alcance níveis críticos de capacidade em informações biológicas e cibersegurança, ou um limite distinto relacionado à furtividade e à percepção do ambiente em que é implantado. Segundo o Google, as salvaguardas implementadas reduzem os riscos restantes para abaixo desses limites.

No anúncio de lançamento do Argon, a empresa relata um aumento superior a 35% no número de envios de código produzidos por fluxos de trabalho com agentes de IA e uma redução de quase um terço nas reversões de código. Os exemplos vão da reorganização do Chromium à geração de designs de enzimas que, posteriormente, demonstraram atividade em testes de laboratório.

Koray Kavukcuoglu, vice-presidente sênior do Google DeepMind e principal arquiteto de IA do Google, descreveu o alcance do lançamento:

Estamos dando a desenvolvedores, empresas, cientistas e consumidores acesso ao nosso mais recente modelo de fronteira.

A proposta central é prática, não apenas conversacional: o Argon foi desenvolvido para investigar sistemas complexos, fazer alterações e testar resultados em tarefas prolongadas. Se isso se traduz em valor confiável depende da carga de trabalho, do nível de acesso e da revisão humana, como demonstram os próprios exemplos de engenharia do Google.

Quem pode acessar o Argon e por quais produtos?

Assinantes do Google AI Pro e Ultra podem usar o Argon no app Gemini e no Modo IA da Busca. Para ter acesso individual por meio do Google Antigravity, ambiente da empresa para agentes de programação com IA, é necessário assinar o Ultra. O Google também lista o acesso pelo Ultra no AI Studio, além do acesso para desenvolvedores pelo Gemini API pago no AI Studio e no Android Studio.

Empresas podem acessar o modelo pelo Gemini para empresas, pela API e pelo Antigravity. Essa distinção importa: uma assinatura para consumidores e o uso pago da API são formas de acesso separadas. Portanto, ter acesso ao Pro no app Gemini não garante automaticamente o mesmo acesso a fluxos de trabalho de programação autônoma.

Os preços divulgados são de US$ 20 por mês para o AI Pro e a partir de US$ 99 por mês para o Ultra. Assinantes Pro podem gerar código com o Argon pelo Gemini Canvas, enquanto o Google mantém o Gemini 3.1 Pro. Não foi anunciada uma data para liberar o Argon em níveis mais baixos de assinatura do Antigravity nem para usuários gratuitos.

O lançamento sucede um curto período de testes restritos e uma distribuição mais ampla:

• 30 de setembro de 2026: o Google apresentou o Argon inicialmente, com acesso para profissionais de cibersegurança aprovados que atuam na defesa.
• 12 de outubro de 2026: a Meta anunciou o Muse Wonder Full, outro modelo de fronteira concorrente.
• 13 de outubro de 2026: o Google iniciou a distribuição global do Argon para assinantes elegíveis, desenvolvedores e empresas.
• 1º de dezembro de 2026: relatos apontam essa data como o início dos preços padrão da API, após o período promocional.

O que os preços promocionais realmente cobrem

O anúncio do Google confirma preços de US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída, com desconto de 95% para tokens de entrada em cache. Tokens são as unidades processadas pelo modelo, muitas vezes palavras ou partes delas. O cache permite reutilizar dados de entrada processados anteriormente por um custo menor.

Com essas tarifas, um milhão de tokens de entrada comuns mais um milhão de tokens de saída custariam US$ 12. Com o desconto de 95% sobre a tarifa promocional de entrada, os tokens elegíveis em cache custam US$ 0,10 por milhão. Esse é um preço por uso, não o valor de uma assinatura do Gemini.

Segundo relatos, o período promocional termina em 30 de novembro, e os preços dobram em 1º de dezembro, passando a US$ 4 por milhão de tokens de entrada e US$ 20 por milhão de tokens de saída. O mesmo exemplo custaria então US$ 24. O anúncio de lançamento do Google não especifica esse prazo nem as tarifas posteriores; portanto, a declaração oficial confirma os preços promocionais, mas não a data em que deixam de valer.

Relatos também descrevem as tarifas promocionais como cerca de um quinto das cobradas por determinados modelos concorrentes. Essa comparação não determina quanto custa concluir uma tarefa: sistemas diferentes podem consumir quantidades distintas de tokens, exigir novas tentativas ou dedicar tempos diferentes ao raciocínio. O anúncio oficial também não informa por quanto tempo vale o desconto para tokens de entrada em cache.

O experimento com Python mostra por que a revisão continua importante

Um dos exemplos mais informativos envolve o Agent Development Kit, ou ADK, do Google, uma estrutura para criar agentes de IA empresariais. Seu repositório Python contém cerca de 205 mil linhas distribuídas por quase 800 arquivos de código-fonte, com o apoio de quase 17 mil testes unitários. A tarefa do Argon era reduzir a sobrecarga da estrutura sem alterar a interface pública nem o que os aplicativos enviam a seus modelos.

Uma primeira execução, com duração de cerca de duas horas, identificou gargalos reais, mas também introduziu problemas. Entre eles estavam uma alteração sutil em um esquema JSON público e casos de teste não contemplados. Em seguida, a equipe forneceu diretrizes para o repositório e instruiu o Argon a preparar uma solicitação de pull request ainda não integrada, acompanhada de medições de desempenho.

A execução seguinte, sem supervisão, durou 11 horas. O Argon leu 12 arquivos de diretrizes, propôs seis otimizações e executou 16.892 testes unitários. Os revisores humanos aceitaram duas propostas e rejeitaram quatro, citando riscos como dados em cache desatualizados, dependência de detalhes internos de bibliotecas, perda de legibilidade e ganhos limitados a benchmarks artificiais.

As alterações aceitas filtravam o histórico da conversa antes de copiá-lo e adiavam o carregamento de pacotes pesados até que fossem necessários. A mudança final afetou 22 arquivos e adicionou 17 funções de teste. O Google relata uma redução de cerca de 40% no tempo de preparação de sessões longas mantidas na memória e uma melhora de 21% na importação de pacotes a partir de uma inicialização limpa.

Em uma medição separada, uma execução com 158 turnos caiu de 65,6 para 56,1 segundos, uma redução de cerca de 14,5%. O número menor não é contraditório: melhorar um componente em 40% não torna um fluxo de trabalho inteiro 40% mais rápido. O experimento também mostra que passar pela suíte pública de testes não bastou. Uma proposta de alteração nas importações passou em todos os 16.892 testes públicos, mas falhou em 25 conjuntos de testes internos antes de ser revisada.

Do Chromium à inferência mais rápida do Gemma

O Google afirma que o Argon ajudou a separar o processamento central de páginas da web de uma pasta legada com cerca de seis milhões de linhas de recursos do navegador, dentro da base de código do Chromium, que tem 40 milhões de linhas. Essa pasta representa aproximadamente 15% do total. Segundo o Google, a reestruturação abrangeu centenas de arquivos e condensou meses de trabalho em semanas.

O benefício esperado é permitir que páginas da web abertas sejam movidas entre abas, painéis laterais e janelas flutuantes sem recarregar, além de eliminar uma categoria de falhas. São consequências esperadas do trabalho arquitetural, não evidências de que todos os usuários já tenham esses recursos.

Para o Gemma 4 E2B, o Google relata um aumento de 2,85 vezes na velocidade de inferência em uma Nvidia A100 usando o vLLM, software para servir modelos de linguagem. A taxa de processamento subiu de cerca de 37.900 para mais de 108 mil tokens por segundo, com geração de tokens idênticos e sem perda de qualidade relatada. Esse resultado se refere a um modelo e a um hardware específicos; não representa um aumento universal de velocidade para a família Gemma.

Outros exemplos internos relatados incluem a identificação de renderização redundante de emojis nos comentários do YouTube e a descoberta de bugs de 2018 no simulador de física de drones usado pela Wing, empresa de entregas da Alphabet. Os relatos divergem sobre o número referente ao YouTube: um menciona redução de 45% na carga dos servidores; outro, que a capacidade computacional necessária caiu pela metade. Sem mais detalhes, essas medidas não devem ser tratadas como equivalentes.

Outra investigação relatada analisou 134 bugs antigos de software e identificou 97 como obsoletos ou duplicados em menos de três horas. Em conjunto, esses exemplos justificam o uso do Argon como ferramenta de manutenção e investigação, embora os resultados continuem sendo alegações da empresa, e não avaliações reproduzidas de forma independente.

A liderança em benchmarks depende da tarefa

O documento do modelo Argon publicado pelo Google DeepMind em outubro apresenta uma pontuação de 68,9% no Vals Index, ante 63,1% do GPT-6 Astra e 67,0% do Claude Opus 5.5. O Argon lidera nessa medida de trabalho profissional em áreas como finanças, direito, programação e tarefas tributárias.

Entre os resultados de programação listados estão 77,9% no DeepSWE v1.1 e 91,9% no Vibe Code Bench. No CWE-bench v1, uma avaliação de cibersegurança, o Argon obteve 68,0%, empatando com o GPT-6 Astra, em vez de superá-lo.

A mesma tabela oficial mostra concorrentes na frente em outras avaliações. No FrontierSWE v2, o Argon marca 55,0%, contra 65,5% do Astra. No Terminal-bench 4.0, os 57,4% do Argon ficam abaixo dos 66,4% do Opus 5.5. Portanto, alegações amplas de superioridade em programação e ciência precisam ser ponderadas.

Resultados divulgados do Artificial Analysis Intelligence Index atribuem 53 pontos ao Argon, o mesmo que ao GPT-6 Astra e ao Claude Fable 5.1, mas abaixo dos 58 do Claude Opus 5.5 e dos 56 do Muse Wonder Full e do Claude Sonnet 5.5. Essas pontuações medem um conjunto de capacidades diferente do Vals Index e não podem ser comparadas diretamente com seus percentuais.

Sam Witteveen, CEO e cofundador da consultoria de IA empresarial Red Dragon AI, elogiou o Argon, mas contestou que fosse o melhor modelo disponível. Sua avaliação condiz com o quadro misto dos benchmarks: um desempenho profissional forte não demonstra liderança em todos os tipos de tarefa.

Resultados científicos vão de código quântico a testes com enzimas

O Google relata que o Argon quase dobrou a taxa de inferência de uma versão interna do AlphaQubit, um sistema de aprendizado de máquina que decodifica erros quânticos. A empresa também afirma que uma implementação de uma sub-rotina arcsin feita pelo Argon e verificada formalmente com o Lean reduziu em mais de 100 vezes o custo de espaço-tempo em comparação com uma referência publicada do CORDIC quântico. O custo de espaço-tempo combina os recursos computacionais exigidos por um cálculo quântico com o tempo necessário para executá-lo.

Na pesquisa sobre fusão, o Google trabalhou com Matt Landreman, professor da Universidade de Maryland, para identificar uma classe mais ampla de contraexemplos à conjectura de Grad, uma hipótese de 1967 sobre soluções exatas para campos magnéticos. As soluções resultantes fornecem referências para testar softwares de simulação de stellarators. Trata-se de uma contribuição matemática e para simulações, não de uma demonstração de energia de fusão comercialmente utilizável.

O Google também relata que alterações no pacote de química quântica xTB tornaram a previsão de estruturas moleculares até 2,3 vezes mais rápida e a busca por formas moleculares alternativas, 1,8 vez mais rápida. As alterações foram incorporadas ao repositório oficial do pacote.

Na biologia, o Gamow Labs usou o Argon para analisar genomas sem dados de identificação de recém-nascidos com doenças pulmonares raras do desenvolvimento. O Google descreve um caso em que o modelo identificou um rearranjo cromossômico que não havia sido detectado durante anos. Avaliações privadas registraram 57% de acerto na assistência ao diagnóstico de doenças raras e 52,2% no raciocínio de laboratório. São avaliações de pesquisa, não prova de que o Argon possa diagnosticar pacientes de forma independente.

Cientistas do Google também usaram o Argon para gerar cinco novos designs de esterases de serina, enzimas que rompem ligações éster. Testes laboratoriais posteriores confirmaram atividade catalítica. Separadamente, o Google abriu inscrições para que 10 mil cientistas recebam gratuitamente por seis meses o nível mais alto de uso do Antigravity, com entrada contínua sujeita a critérios de elegibilidade, seleção e disponibilidade.

Demonstrações de robótica vão além de um truque de arremesso

O Argon obteve 87% no benchmark Embodied Reasoning, que testa a compreensão de problemas físicos e espaciais. Em uma demonstração interna, o modelo assistiu a um vídeo de uma pessoa jogando cornhole, mapeou o ambiente, calculou movimentos das articulações e gerou código de simulação. Segundo o Google, a transferência desse trabalho para o robô humanoide Apollo, da Apptronik, resultou em sete arremessos consecutivos bem-sucedidos em um teste físico.

Outras demonstrações relatadas incluem um robô Spot, da Boston Dynamics, usando uma lixeira com pedal para descartar latas; um braço robótico colocando uma caneca caída na posição correta e inserindo um guardanapo nela; e o Argon controlando simulações de vídeo por meio de ciclos repetidos de feedback visual. Esses exemplos combinam raciocínio com observações calibradas, comandos de movimento predefinidos e etapas de verificação, em vez de demonstrar autonomia irrestrita de robôs.

O trabalho de robótica também inclui reconstruir simulações a partir de gravações das câmeras dos robôs, vídeos de pessoas e esboços. Reproduzir as forças de contato, além da aparência visual, é importante: uma simulação que apenas parece convincente ainda pode ensinar movimentos que falham no hardware real.

Um experimento relatado, que usou dados gerados em simulação, elevou de 56% para 75% a taxa de sucesso em tarefas físicas, um ganho de 19 pontos percentuais. O tempo para realizá-las caiu de 35 para 24 segundos, uma redução de cerca de 31%. Os resultados sustentam uma conclusão mais limitada sobre a melhora do treinamento e da execução das tarefas, não uma demonstração de inteligência física geral.

Informações sobre segurança tornam o lançamento mais complexo

O documento do modelo afirma que o Google não pode descartar que o Argon alcance níveis críticos de capacidade relacionados aos riscos de informações biológicas e de cibersegurança. Esses limites dizem respeito à possibilidade de um modelo aumentar de forma significativa a capacidade de causar danos graves sem salvaguardas adequadas. O Google afirma ter desenvolvido avaliações de segurança e proteções que reduzem os riscos restantes para abaixo desses níveis.

O Argon também passou em 14 dos 15 desafios que avaliam furtividade e consciência situacional. Nesse caso, passar significa concluir com sucesso os desafios de capacidade, não receber uma certificação de segurança. Por isso, o Google afirma não poder descartar um limite associado ao enfraquecimento do controle humano sem proteções adicionais.

O anúncio de lançamento descreve várias defesas: treinamento para respeitar limites e pedir confirmação humana antes de etapas irreversíveis, monitoramento destinado a bloquear meios não autorizados de contornar restrições e proteções contra instruções maliciosas ocultas em páginas da web, e-mails ou código. O Google relata uma taxa de sucesso de 0,7% em 15 tentativas adaptativas no benchmark de injeção indireta de prompts Gray Swan.

Outros resultados de segurança relatados incluem a queda para 2% nas tentativas de atalhos não autorizados em avaliações de programação e o desbloqueio de menos de 1% das subtarefas testadas em avaliações biológicas adversariais externas. Esses números descrevem testes específicos, não garantias contra uso indevido. O documento do modelo também registra uma piora de 1,57 ponto percentual em uma medida automatizada de segurança textual em comparação com o Gemini 3.1 Pro. O Google afirma que a diferença ficou dentro dos intervalos de confiança e que a revisão manual identificou principalmente falsos positivos ou problemas não graves.

O Google está ampliando o Programa Fairwind para centenas de novos parceiros de cibersegurança aprovados, com acesso sem as barreiras de proteção cibernética previstas pelo programa. O anúncio descreve como a Wiz usou o Argon para lidar com riscos em infraestruturas governamentais e sistemas de saúde, incluindo uma cadeia de vulnerabilidades que poderia expor uma chave mestra e dar acesso de administrador.

Segundo relatos, o Google participou do processo voluntário de avaliação da Casa Branca, mas esse processo não é público. A participação não deve ser apresentada como uma certificação governamental pública de que o Argon é seguro.

O que os compradores ainda precisam verificar

O Argon aceita texto, imagens, áudio e vídeo e produz texto. O documento do modelo especifica uma janela de contexto de até um milhão de tokens, somando entrada e saída. Trata-se de uma capacidade compartilhada, não da garantia de um milhão de tokens de entrada mais outro milhão de tokens de saída. Relatos dizem que o limite de resposta contínua ainda não foi esclarecido.

O conhecimento do modelo vai até março de 2026, e o Google alerta que, em algumas áreas, pode ser mais antigo. O modelo pode inventar informações imprecisas e apresentar respostas lentas ou tempos limite excedidos. Essas limitações importam para o trabalho jurídico, financeiro, científico e de engenharia que o Google pretende atender.

O lançamento apresenta exemplos de desempenho excepcionalmente concretos, mas seu caso mais forte na área de engenharia também mostra a necessidade de uma implantação seletiva: os responsáveis pelo projeto rejeitaram quatro das seis otimizações propostas. Agora, os compradores podem testar o Argon em seus próprios sistemas, enquanto os preços após novembro, o acesso mais amplo por assinatura e a eficácia das salvaguardas fora de avaliações controladas continuam exigindo atenção.

Principais pontos

• O Google iniciou a distribuição mais ampla do Argon em 13 de outubro de 2026 para assinantes elegíveis, desenvolvedores e empresas.
• As tarifas promocionais da API são de US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída.
• Segundo relatos, as tarifas padrão dobram em 1º de dezembro; o anúncio oficial de lançamento não informa esse prazo.
• O Argon lidera o Vals Index, mas fica atrás de modelos concorrentes em várias outras avaliações.
• Em uma execução de 11 horas para otimizar código Python, revisores humanos aceitaram duas das seis propostas.
• O Google relata avanços científicos e em robótica, incluindo cinco designs de enzimas testados em laboratório e melhor desempenho em tarefas físicas.
• O Google reconhece possíveis limites de capacidade relacionados à biologia, à cibersegurança e ao controle, e afirma que as salvaguardas reduzem os riscos restantes.