Gemini 4 Argon: brilha nos testes conhecidos, fica atrás nos novos testes de código

O Gemini 4 Argon é o modelo mais forte que o Google já lançou. Foi anunciado em 30 de setembro e aberto a todos em 13 de outubro. Na tabela que o Google publicou, ele tira a nota mais alta em 13 de 19 testes e, contra o Claude Opus 5.5, o modelo que hoje lidera os índices independentes, vence em 14 de 18.

Trabalho todos os dias com modelos da Anthropic, da OpenAI e do Google, e desde o lançamento acompanhei três tipos de evidência: a tabela do Google, testes de entidades independentes e verificações de desenvolvedores que rodaram a mesma tarefa no Argon e no Opus. Eu mesmo não rodei o Argon em tarefas de clientes. Ao longo do texto, marco o que é fato e o que é opinião minha.

O que é o Gemini 4 Argon, e por que demorou duas semanas para ser liberado

O Argon é o modelo grande da família Gemini 4 e foi feito para o raciocínio mais difícil. Ao lado dele, o Google mantém modelos separados: Gemini 3.8 Flash para velocidade, Nano Banana para imagens, Omni Flash e Gemini 3.8 TTS para voz, e Lyria para música. Até agora o modelo mais forte do Google era o Gemini 3.1 Pro, e a versão 3.5 Pro, prometida para junho, foi cancelada no caminho.

Em 30 de setembro o Google anunciou o Argon, mas o abriu só para um grupo fechado de defensores de cibersegurança, dentro de um programa chamado Fairwind. Em 13 de outubro, 13 dias depois, ele foi aberto a todos:

Fontes: anúncios de lançamento do Google (30/9 e 13/10), tabela de preços da Gemini API e página do modelo para desenvolvedores. Se o conceito não for familiar, explicamos o que é um token em um artigo separado.

Onde dá para usá-lo hoje:

• No aplicativo Gemini: para assinantes do Google AI Pro e do Ultra. Quem usa de graça não tem acesso.
• Na API, a conexão direta para desenvolvedores e sistemas: só no plano pago. Não há plano gratuito.
• Na ferramenta de código do Google, o Antigravity: só para assinantes do Ultra.

A explicação oficial para o atraso é segurança. O Google escreveu que um lançamento em etapas é necessário para liberar capacidades desse nível com segurança, e participou de um programa voluntário do governo dos EUA que recebe acesso antecipado aos modelos. No documento do modelo, afirma que não pode descartar que o Argon tenha ultrapassado o limite crítico que ele mesmo definiu para capacidades de cibersegurança. O que eu penso sobre o atraso está na seção de opinião.

Uma coisa que vale saber antes de continuar: o Argon em si só gera texto. Nas demonstrações do Google, as imagens vieram do Nano Banana, os sons do motor do Omni Flash, a narração do Gemini 3.8 TTS e a música do Lyria. O Argon orquestra esses modelos e escreve o código. A força do Google em imagem, vídeo e design é da família inteira, não de um único modelo.

A tabela do Google: 13 vitórias em 19

O Google publicou uma tabela com 19 testes, em que o Argon enfrenta três concorrentes: o GPT-6 Astra, da OpenAI, e o Claude Fable 5.1 e o Claude Opus 5.5, da Anthropic. Em cada linha, a nota mais alta está marcada em verde, e um rótulo indica as linhas em que o próprio Google rodou o Argon:

No papel, é uma vitória clara. Mas quem lê o documento de metodologia que o Google publicou junto com a tabela encontra três coisas que mudam o quadro.

A primeira: parte das condições favorece o Argon. Em operar um computador, a nota do Argon é a melhor de três execuções. No teste de ciência na linha de comando, ele teve 6 vezes mais tempo do que o normal. Em compreensão de vídeo, cada modelo viu uma quantidade diferente de quadros do vídeo. Tudo isso está escrito no documento, e nada disso está na tabela.

A segunda: faltam dois concorrentes. O Claude Sonnet 5.5 e o GPT-6.1 Sol custam o mesmo que o Argon no preço de lançamento, 2 e 10 dólares (no Sol, até 272 mil tokens de entrada), e nenhum dos dois está na tabela. O Sonnet 5.5 tira até uma nota mais alta no índice da Artificial Analysis: 56 contra 53. Quem escolhe modelo pelo preço deveria comparar o Argon justamente com eles.

A terceira: onde o Argon perde. Dos quatro testes de código, ele perde em dois: o FrontierSWE, com tarefas longas e novas, e o Terminal-Bench. O Google não escreveu em lugar nenhum "o melhor modelo do mundo", mas escreveu que o Argon "supera outros modelos líderes em testes de todas as áreas". Essa parte não se sustenta quando se olha para código.

O que dizem as entidades independentes

A tabela de uma fabricante é um boletim em que o aluno escolheu quais notas incluir e contra quem. Para saber onde o Argon realmente está, é preciso olhar para entidades que rodam todos os modelos nas mesmas condições. Este é o índice geral de uma delas:

Nesse índice, o Argon fica abaixo do Opus 5.5 e do Sonnet 5.5, empatado com o GPT-6 Astra e o Claude Fable 5.1, lançados no início de setembro. É um nível muito bom, mas não o topo da tabela.

Nas demais fontes independentes, o quadro se divide conforme o tipo de trabalho:

Fontes: Arena (30/9), Vals AI (30/9), dados da Epoch AI que incluem o CursorBench, o FrontierCode e o APEX-Agents (14/10), Artificial Analysis (14/10).

O padrão se repete: em escrita e em tarefas de negócio com resposta verificável, o Argon lidera ou fica perto do topo. Em código, construção de interfaces e tarefas profissionais cuja qualidade é julgada por especialistas, ele fica atrás. Nas duas listas há testes novos e privados, então a diferença depende do tipo de trabalho. Ainda assim, na lista vermelha se destacam os testes de código novos.

benchmaxxing: o Argon "treinou para a prova"?

benchmaxxing é o apelido de um modelo treinado para se destacar justamente nos testes conhecidos. Uma comparação: dois alunos tiram nota máxima no vestibular. Um estudou a matéria, o outro resolveu todas as provas dos anos anteriores. Na próxima prova, com perguntas que nunca viram, a diferença entre eles vai aparecer. É importante ser preciso: isso não é trapaça. É uma decisão sobre onde investir o treinamento, e o resultado é um modelo que parece melhor na tabela do que no trabalho.

Em 30 de setembro, dia do anúncio, a Bloomberg noticiou que funcionários do Google dizem exatamente isso sobre o Argon: que ele mostra boas notas nos testes e se sai pior quando é posto para trabalhar, sobretudo em design de interfaces. Segundo a reportagem, duas pessoas que conhecem o modelo disseram que o Gemini 4 "parece afetado" por esse processo. O Google disse que "não é correto afirmar que o Gemini 4 está atrasado em áreas como código" e divulgou um dado interno: entre os engenheiros da empresa, 35% mais código escrito por agentes de IA e quase um terço menos alterações revertidas.

O teste do pelicano

O teste do pelicano de Simon Willison é um teste informal antigo: "desenhe um pelicano andando de bicicleta", em código de um arquivo SVG. Todo modelo novo passa por ele, e um bom resultado se espalha rápido. O Argon entregou um pelicano excelente, a um custo de 17 centavos.

O próprio Willison não afirma que o Google treinou o Argon no pelicano. Mas ele observa que o Google é o único laboratório em que, até onde ele sabe, os funcionários investiram especialmente em desenhos SVG. Na discussão no Hacker News, alguns comentaristas perguntaram se o teste "já está queimado". É o destino de todo teste famoso: quando todo mundo o conhece, ele mede menos.

O teste que eu fiz: em que mês o Argon está?

Para checar minha impressão de que pelicanos não são tudo, peguei os quatro testes de código mais novos que têm resultado do Argon e vi quem ele supera e para qual modelo ele perde. A data é a de lançamento do modelo:

Em dois dos quatro testes, construção de sites e FrontierCode, o Argon fica abaixo do Claude Opus 5, do fim de julho, no nível de modelos de meados de julho. No FrontierCode, ele fica até abaixo do Claude Fable 5, de junho. Ou seja, em trabalho de código e design de interfaces, o Argon está onde a fronteira estava cerca de três meses atrás, e isso bate com o que vejo nos exemplos. Nos outros dois testes ele fica mais perto, no nível de setembro.

E o que contradiz a suspeita

Nem todas as evidências apontam na mesma direção:

• A Arena é um teste em que é muito difícil treinar para a prova. As perguntas são escritas todos os dias, do zero, por pessoas, e o Argon é o primeiro lá em texto. Por outro lado, a Arena mede o que as pessoas preferem ler, e um modelo pode aprender a escrever respostas que as pessoas gostam de escolher. O pesquisador Teortaxes escreveu que o Argon talvez esteja "ajustado a dados de preferência" e que, nos testes em que é mais difícil treinar para a prova, as notas dele impressionam.
• Em testes novos que não são de código, o Argon é forte. Ele é o primeiro no APEX-Agents (tarefas de analistas e consultores) e no Blueprint-Bench 2 (raciocínio espacial), e no Vending-Bench 2 (gestão de um negócio simulado) ele supera o Opus 5.5, embora não o GPT-6 Astra.
• Leon Lin, que testou o Argon antes do lançamento, escreveu que ele "não é tão benchmaxxed quanto muita gente pensa" e, no mesmo tweet, que ele não é bom em interfaces e animação e que "não tem bom gosto".

Ver o tweet de Leon Lin no X, 13 de outubro de 2026

Minha conclusão a partir dos dados: o benchmaxxing não explica o modelo inteiro. Ele explica principalmente a distância entre o que o Google afirma sobre código e o que acontece nos testes de código novos e no trabalho em si. Em escrita e em tarefas de negócio com resposta clara, o Argon é forte de verdade, inclusive nos testes em que é difícil treinar para a prova.

Exemplos de campo: Argon contra Opus 5.5

Nas primeiras 24 horas, desenvolvedores rodaram o mesmo pedido nos dois modelos. Aqui estão dois testes a favor do Argon, um a favor do Opus e um relato sobre cota de uso.

Lâmpada de lava, 18 centavos contra 1,27 dólar. A BridgeMind roda uma tarefa fixa em cada modelo: construir uma lâmpada de lava em 3D. O Argon terminou em menos de dois minutos, por 18 centavos, com vidro limpo e lava de verdade. O Opus 5.5 trabalhou nove minutos e meio, por 1,27 dólar.

Ver o tweet e o vídeo da BridgeMind no X, 13 de outubro de 2026

O mesmo pedido, 1,2 contra 8,2 dólares. O desenvolvedor J A Z I I deu aos dois modelos o mesmo pedido, no nível de raciocínio mais alto. Segundo ele, os resultados saíram "quase idênticos", e o Argon custou 15% do preço.

Ver o tweet e o vídeo de comparação de notjazii no X, 13 de outubro de 2026

Código e trabalho de agente: o Opus está à frente. O designer jumperz escreveu que ficou impressionado com o que o Argon faz com visuais e documentos complexos, mas que em código e em trabalho de agente "o Opus ainda está muito à frente", e que este não é um salto grande o bastante.

Ver o tweet de jumperz no X, 13 de outubro de 2026

A cota de uma semana em meia hora. ashen_one rodou três testes simples, incluindo um clone de Minecraft, e escreveu que os resultados "não são impressionantes" e que os testes consumiram toda a cota semanal da assinatura de 100 dólares por mês em 30 minutos. E para quem está pensando em assinar: o Google não divulgou quanto uso do Argon cada plano inclui.

Ver o tweet de ashen_one no X, 13 de outubro de 2026

No Hacker News, na thread do lançamento, o quadro é parecido. Alguns comentaristas escreveram que o Opus 5.5 é "o melhor modelo de código por consenso", e outros elogiaram o Argon pelo raciocínio claro e direto e pela velocidade. Alguns relataram falhas no primeiro dia: loops de raciocínio que não terminam e erros de servidor.

Quanto o Argon custa de verdade: um quinto, um terço ou o mesmo que o Opus

A afirmação de que o Argon faz o mesmo trabalho por um quinto do preço do Opus é verdadeira em parte dos casos. Tudo depende do tipo de tarefa e da data:

Três coisas saem do gráfico:

• Em construção visual pontual, a diferença é grande. Em dois testes o Argon custou cerca de um sétimo do Opus e, no terceiro, o da OhMyUnicorn, cerca de 60%. O Argon termina rápido e para. O Opus continua polindo e, no teste da OhMyUnicorn, verificou três vezes a página que construiu.
• Em trabalho amplo, o Argon custa cerca de um terço no preço de lançamento, e de metade a dois terços no preço de dezembro. Ali o Opus foi medido no nível Max, o mais caro. Segundo a Artificial Analysis, a economia vem principalmente do preço baixo por token. O Argon consome cerca de 62 mil tokens de saída por tarefa, metade do Opus, mas 2,3 vezes o GPT-6 Astra.
• Em código complexo, a economia pode desaparecer. No CursorBench, o Argon custou 4,57 dólares por tarefa, contra 3,97 do Opus 5.5 em um nível de raciocínio parecido. A própria Cursor escreveu que, nesse teste, o Argon está "no nível do Opus 5.5", e na nota ele de fato fica perto, cerca de 3 pontos abaixo.

E a data para marcar na agenda: 30 de novembro. Até lá, o Argon custa 2 dólares por milhão de tokens de entrada e 10 de saída, como o Claude Sonnet 5.5 e o GPT-6.1 Sol. A partir de 1º de dezembro, o preço sobe para 4 e 20, exatamente o preço do Opus 5.5. Quem monta hoje um processo em cima do Argon por causa do preço deve fazer as contas desde já pelo preço de dezembro.

Onde o Google realmente lidera

Este não é um artigo contra o Google. Há áreas em que, na minha opinião, o Google é especialmente forte, e elas importam para a maioria das empresas mais do que os testes de código:

Minha opinião: por que o Google, com todos os recursos, ainda está atrás

Aqui passo dos fatos para a interpretação.

O Argon é uma melhora real, e não acho que o Google tenha mentido. Mas acho, sim, que ele o apresentou como um modelo que lidera o mundo, e não é o caso. E, pessoalmente, quando uma empresa apresenta números que não se sustentam na prática, isso reduz minha confiança. Na próxima tabela do Google, vou ler primeiro o documento de metodologia, e só depois a tabela.

Eu acredito no Google. Ele tem os pesquisadores, os chips, os dados e bilhões de usuários. Justamente por isso vale perguntar por que ainda está atrás. Minha resposta: o Google é uma empresa de capital aberto, em uma área nova e arriscada.

• A pressão para mostrar resultados. A Alphabet tem compromissos com investidores, e cada lançamento também é medido na bolsa. Segundo a Bloomberg, a ação subiu cerca de 1,7% no pregão seguinte ao anúncio e devolveu parte da alta depois da reportagem sobre o ceticismo dos funcionários. Quando o mercado reage a uma tabela, há um incentivo forte para escolher os testes e os concorrentes que a favorecem.
• Menos liberdade para andar rápido. Como assinante, vi a Anthropic e a OpenAI mudarem várias vezes a quantidade de uso que cada assinatura dá. Em junho, foi movida contra a Anthropic uma ação que pede para ser coletiva, alegando que as cotas de uso das assinaturas Max são menores do que o divulgado. São alegações que ainda não foram julgadas. Na minha opinião, para uma empresa de capital aberto do tamanho do Google, um passo desses pode custar uma ação coletiva na casa dos bilhões, e por isso ela é mais limitada a cada passo. Acredito que a mesma cautela vale para a segurança.
• Segurança. O Google abriu o Argon primeiro para um grupo fechado de defensores de cibersegurança. Em uma área como cibersegurança, é a decisão certa, mas custa tempo, e concorrentes menores andam mais rápido.

Sobre o atraso de duas semanas, tenho mais uma hipótese: que o primeiro grupo que trabalhou com o modelo viu que os resultados na prática eram piores do que a tabela promete. Não tenho fonte para isso. A explicação oficial do Google é só segurança, e isto é uma impressão minha, não um fato. O que está documentado: o Gemini 3.5 Pro, prometido para junho, foi cancelado, e funcionários do Google disseram à Bloomberg que o Argon é mais fraco no trabalho do que nos testes. Essa reportagem saiu no dia do anúncio, então não explica o atraso em si.

Onde o Argon está no Sigma AI Ranking

O Argon entrou no Sigma AI Ranking em 13 de outubro com a marcação "nota preliminar", porque só uma fonte, a Arena, o havia medido. Na atualização de 14 de outubro entraram o preço, o teste de conhecimento da Epoch AI e os rankings completos da Arena, e ele recebeu uma nota completa. O resultado provavelmente vai surpreender quem leu até aqui:

O Argon em segundo lugar, 0,9 ponto atrás do Opus 5.5, e pelas nossas regras isso é empate no topo. Não mudamos o método para que o resultado combinasse com a minha opinião, por isso é importante explicar o que está por trás do número:

• A escrita e a confiabilidade vêm da Arena. Lá o Argon é o primeiro, porque as pessoas preferem as respostas dele. É a força real dele, e também o ponto em que a suspeita de "ajuste a dados de preferência" é relevante.
• A nota dele como agente é estimada. O Argon ainda não tem resultado no Terminal-Bench, nossa principal fonte para trabalho de agente e código, por isso a nota foi calculada a partir de fontes equivalentes e aparece marcada com ≈ na página. A nota de capacidade geral também é estimada, porque a Epoch AI ainda não publicou o índice geral dela para ele. Nenhum dos testes de código novos da seção sobre benchmaxxing entrou no cálculo, porque eles não têm licença aberta.
• O preço é o de lançamento. O ranking calcula o custo pelo preço atual, 2 e 10 dólares. Pelo meu cálculo, em 1º de dezembro, quando o preço dobrar, o Argon cairá para cerca de 88,3 e sairá do empate.

Em outras palavras, o Sigma mostra exatamente o que o artigo descreve: nas fontes que medem escrita, conhecimento e preço, o Argon está no topo, e a fraqueza dele está onde as fontes abertas ainda não chegam. Quando sair um resultado no Terminal-Bench, a nota será atualizada. Por que criamos um ranking próprio, e por que ele se apoia só em fontes abertas, explicamos no artigo sobre o Sigma AI Ranking.

Para quem o Gemini 4 Argon serve, e para quem ainda não

Argon ou Opus 5.5 para a sua próxima tarefa?

Cinco perguntas sobre uma tarefa que você está avaliando. Depois do resultado, rode a tarefa uma vez nos dois modelos e confira a conta.

A tarefa é principalmente escrita, resumo ou trabalho com documentos, e não desenvolvimento de software?

Sim Não

Um bom resultado basta para você, mesmo sem o polimento máximo?

Sim Não

A tarefa não inclui construir uma interface, um site ou uma animação?

Sim Não

A tarefa é em um idioma que não o inglês, como o português?

Sim Não

A tarefa se repete muitas vezes, de modo que o custo por execução importa para você?

Sim Não

Responda a todas as perguntas para ver o resultado.

Quatro coisas que se dizem sobre o Argon, e o que é verdade

O que isso significa para quem tem um negócio

Três conclusões práticas:

• Agora há três modelos fortes pela metade do preço por token do Opus: o Claude Sonnet 5.5 e o GPT-6.1 Sol de forma permanente, e o Argon até o fim de novembro. Para tarefas de escrita, documentos e atendimento ao cliente em idiomas além do inglês, o Argon é um candidato sério. É hora de testá-lo.
• Não se escolhe modelo pela tabela da fabricante. Leia quem mediu cada linha e em quais condições, e teste em uma tarefa real sua, com relógio e com a conta na mão. Escrevi sobre isso também no artigo sobre o Muse Wonder, da Meta: lá também a tabela da fabricante contou uma história diferente da dos testes de campo.
• Escolhe-se modelo por tarefa, não por empresa. Em três meses, a ferramenta líder mudou duas vezes, como descrevi no artigo sobre a volta por cima da Anthropic. Um bom agente pode trabalhar com o Argon na escrita e com o Opus no código.

A Platin Digital é OpenAI Select Partner, e os agentes que implantamos são construídos com os modelos e as ferramentas que melhor servem a cada negócio, da OpenAI, da Anthropic, do Google e de outros. O Argon entrou nos nossos testes de escrita e de trabalho em idiomas além do inglês. Para código e para trabalho em que a qualidade decide, por enquanto eu fico com o Opus 5.5.

Para continuar lendo: Gemini at Work 2026: o agente do Google para empresas, ChatGPT, Gemini ou Claude para o seu negócio e por que criamos o Sigma AI Ranking.

Perguntas frequentes

Fontes

• https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/
• https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-argon/
• https://blog.google/innovation-and-ai/technology/developers-tools/build-with-gemini-4-argon/
• https://storage.googleapis.com/deepmind-media/Model-Cards/Gemini-4-Argon-Model-Card.pdf
• https://storage.googleapis.com/deepmind-media/gemini/gemini_4_argon_model_evaluation.pdf
• https://storage.googleapis.com/deepmind-media/gemini/gemini_4_safety_report.pdf
• https://ai.google.dev/gemini-api/docs/pricing
• https://ai.google.dev/gemini-api/docs/models/gemini-4-argon
• https://gemini.google/release-notes/
• https://platform.claude.com/docs/en/about-claude/pricing
• https://developers.openai.com/api/docs/pricing
• https://artificialanalysis.ai/articles/gemini-4-argon-google-top-three-labs
• https://artificialanalysis.ai/models/comparisons/gemini-4-argon-vs-claude-opus-5-5
• https://x.com/ArtificialAnlys/status/2105392625788637299
• https://www.vals.ai/models/google_gemini-4-argon
• https://epoch.ai/data/benchmark_data.zip
• https://cursor.com/cursorbench
• https://www.frontierswe.com/
• https://cognition.com/frontiercode
• https://x.com/arena/status/2105394855644139908
• https://simonwillison.net/2026/Oct/13/llm-gemini/
• https://news.ycombinator.com/item?id=50073879
• https://x.com/bridgemindai/status/2110050421184360718
• https://x.com/notjazii/status/2110073240404271335
• https://x.com/jumperz/status/2110064835270689125
• https://x.com/LexnLin/status/2110057390259290540
• https://x.com/ashen_one/status/2110055018191565201
• https://x.com/bindureddy/status/2110038264463987088
• https://x.com/cursor_ai/status/2110087611763368271
• https://x.com/teortaxesTex/status/2105455812915433849
• https://ohmyunicorn.com/labs/dream-loop/planet-argon/
• https://andonlabs.com/evals/blueprint-bench-2
• https://artificialanalysis.ai/evaluations/omniscience
• https://www.thestar.com.my/tech/tech-news/2026/10/02/google-grapples-with-employee-scepticism-about-new-gemini-4
• https://venturebeat.com/technology/google-unveils-gemini-4-argon-retaking-benchmark-lead-over-openai-and-anthropic-but-in-limited-release
• https://www.khaleejtimes.com/business/google-announces-gemini-4-flagship-ai-model-after-months-of-delays-2
• https://www.techzine.eu/news/applications/144960/opinions-are-divided-on-gemini-4-argon/
• https://www.engadget.com/2194626/anthropic-hit-with-lawsuit-over-its-claude-max-usage-limits/