O Google anunciou em 13 de outubro a abertura global do Gemini 4 Argon. Desenvolvedores acessam o modelo pelo AI Studio e pelos níveis pagos da Gemini API, com o nome de modelo gemini-4-argon; assinantes do Google AI Pro e do Ultra podem usá-lo no app Gemini e no AI Mode da Busca; a ferramenta de programação Antigravity continua restrita a assinantes do Ultra.
Duas semanas atrás, quando foi lançado, o modelo foi entregue apenas às equipes de defesa cibernética do programa Fairwind. Agora o Google amplia o acesso de uma vez a desenvolvedores, empresas, pesquisa e assinantes comuns. A linha das equipes de segurança continua, com aprovação gradual mediante solicitação e uma versão sem as barreiras de segurança cibernética.
Das equipes de segurança a todos os usuários pagos
Juntando os marcos do Argon, o ritmo do Google é começar estreito e depois alargar. No lançamento, em 30 de setembro, a empresa delimitou três frentes de trabalho: engenharia de software, trabalho de conhecimento corporativo como direito e finanças, e defesa cibernética; os resultados divulgados na época vinham sobretudo de benchmarks de programação e vulnerabilidades, como DeepSWE e CWE-bench.
Na rodada de 13 de outubro, além do texto principal, o Google publicou ao mesmo tempo um blog para desenvolvedores sobre robótica e um relato de engenharia sobre o uso do Argon para otimizar suas próprias bases de código abertas. O foco saiu de "consegue escrever código?" e foi para "consegue entender o mundo físico?".
O preço não mudou: no período de introdução, são 2 dólares por milhão de tokens de entrada e 10 dólares por milhão de tokens de saída, com mais 95% de desconto na entrada que acerta o cache. No lançamento o Google não disse quanto duraria a promoção; desta vez informou a data final: a partir de 30 de novembro o preço volta a 4 dólares na entrada e 20 dólares na saída.
Alguns números do blog de robótica
No ERQA, benchmark de raciocínio incorporado que testa questões de física e espaço em três dimensões, o Google reporta 87%. A frase original da empresa:
"Using pure reasoning, Argon scores 87%, outperforming every other frontier model."
Apenas com raciocínio, o Argon marca 87%, superando todos os outros modelos de fronteira.
A demonstração usou o robô quadrúpede Spot, da Boston Dynamics. O Argon primeiro monta no MuJoCo um gêmeo digital articulado para praticar repetidamente e só então opera o robô físico, que aprende a abrir uma lixeira com o pé e a jogar uma lata dentro. Outro exemplo é o controle zero-shot de um braço robótico para endireitar um copo e enfiar um guardanapo nele.
O conjunto de dados mais útil na prática vem da geração de simulações. Os pesquisadores fotografaram uma mesa, pediram ao Argon que construísse a cena simulada e geraram mais de 4.500 execuções com randomização de domínio, usadas para ajustar um modelo de visão, linguagem e ação (VLA). Nos testes com robô real, a taxa de sucesso subiu de 56% para 75% e o tempo de conclusão caiu de 35 para 24 segundos. Em outra tarefa de pegar e colocar com um braço SO-101, depois de três rodadas de autoaperfeiçoamento, o tempo caiu de 58,9 segundos para 22,9 e depois para 17,4.
São todos experimentos do próprio Google; o tamanho da amostra e o número de testes não são informados no blog, e até agora não se viu reprodução por terceiros.
Resultados relatados por outros clientes
No texto principal, o Google lista uma série de casos internos e de parceiros: a equipe do Chrome tratou cerca de 6 milhões de linhas de código legado em uma base de 40 milhões de linhas, reduzindo de meses para semanas a refatoração de centenas de arquivos; o número de commits de código por agentes dentro do Google subiu mais de 35% e as reversões caíram quase um terço.
A versão em Python do ADK, framework aberto de agentes, é um exemplo verificável publicamente. Engenheiros deixaram o Argon rodar 11 horas sem supervisão sobre a base de código; ele propôs 6 otimizações e, após revisão humana, 2 foram incorporadas: o tempo de preparação de memória em sessões longas caiu cerca de 40% e a importação na partida a frio ficou 21% mais rápida. Aceitar apenas 2 das 6 diz mais sobre como usar o modelo hoje do que o discurso promocional.
Nos testes de segurança, o Google afirma que, no teste de injeção indireta de prompt da Gray Swan, a taxa de sucesso dos ataques caiu para 0,7% após 15 ataques adaptativos; o comportamento de "pegar atalhos" nos benchmarks de programação caiu para 2%.
A avaliadora independente Artificial Analysis atualizou sua conclusão no dia da abertura: o índice de inteligência empata com o do GPT-6 Astra, com custo por tarefa de cerca de sessenta por cento do concorrente. Essa comparação de custo usa o preço do período de introdução e precisará ser refeita depois de 30 de novembro.
Fontes: blog oficial do Google, Google Developers Blog (matéria de robótica e relato de otimização do ADK), CocoLoop, ficha do modelo do Google DeepMind; índice de inteligência e metodologia de custo por tarefa da Artificial Analysis.