Google disponibiliza o Gemini 4 Argon a utilizadores pagantes, com preços promocionais e novas informações sobre segurança

Uma disponibilização mais ampla, com ganhos mensuráveis e riscos reconhecidos

A Google disponibilizou o Gemini 4 Argon a programadores, empresas e consumidores pagantes em todo o mundo a 13 de outubro de 2026, acompanhando o lançamento de preços introdutórios para a API — 2 dólares por milhão de tokens de entrada e 10 dólares por milhão de tokens de saída — com alegações detalhadas sobre engenharia de software, investigação científica e robótica. A expansão acontece 13 dias após a apresentação, a 30 de setembro, quando o acesso estava limitado a defensores selecionados na área da cibersegurança.

O lançamento também revela um quadro de segurança mais matizado do que uma simples declaração de que o modelo passou numa avaliação. A Google DeepMind afirma que não pode excluir que o Argon atinja limiares de capacidade crítica no domínio da informação biológica e da cibersegurança, ou um limiar distinto relacionado com a discrição e a consciência do ambiente de implementação. A Google afirma que as salvaguardas implementadas reduzem os riscos remanescentes para níveis inferiores a esses limiares.

No anúncio de lançamento do Argon, a empresa refere um aumento superior a 35% nas submissões de código produzidas por fluxos de trabalho com agentes de IA e uma redução de quase um terço nos recuos de código. Os exemplos vão desde a reorganização do Chromium à criação de desenhos de enzimas que, posteriormente, demonstraram atividade em testes laboratoriais.

Koray Kavukcuoglu, vice-presidente sénior da Google DeepMind e principal arquiteto de IA da Google, descreveu o âmbito do lançamento:

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

A proposta central é prática, e não puramente conversacional: o Argon foi concebido para investigar sistemas complexos, produzir alterações e testar resultados ao longo de tarefas prolongadas. A capacidade de gerar valor fiável depende da carga de trabalho, do nível de acesso e da revisão humana, como demonstram os próprios exemplos de engenharia da Google.

Quem pode aceder ao Argon e através de que produtos?

Os subscritores do Google AI Pro e Ultra podem utilizar o Argon na aplicação Gemini e no Modo IA da Pesquisa. O acesso individual através do Google Antigravity, o ambiente da empresa para agentes de programação com IA, requer o plano Ultra. A Google também disponibiliza o acesso Ultra no AI Studio, além de acesso separado para programadores através da API Gemini paga no AI Studio e no Android Studio.

As empresas podem aceder ao modelo através do Gemini para empresas, da API e do Antigravity. Esta distinção é importante: uma subscrição de consumidor e a utilização paga da API são modalidades distintas, pelo que ter acesso Pro na aplicação Gemini não garante automaticamente o mesmo acesso a fluxos de trabalho autónomos de programação.

Os preços de subscrição indicados são de 20 dólares por mês para o AI Pro e a partir de 99 dólares por mês para o Ultra. Os subscritores Pro podem gerar código com o Argon através do Gemini Canvas, enquanto a Google mantém o Gemini 3.1 Pro. Não foi anunciada qualquer data para o acesso ao Argon nos escalões de subscrição inferiores do Antigravity nem para os utilizadores gratuitos.

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

• 30 de setembro de 2026: a Google apresentou inicialmente o Argon, com acesso reservado a defensores aprovados na área da cibersegurança.
• 12 de outubro de 2026: a Meta anunciou o Muse Wonder Full, outro modelo de fronteira concorrente.
• 13 de outubro de 2026: a Google iniciou a disponibilização global do Argon a subscritores elegíveis, programadores e empresas.
• 1 de dezembro de 2026: segundo as notícias, esta será a data de início dos preços normais da API, após o período introdutório.

O que incluem realmente os preços introdutórios

O anúncio da Google confirma os preços de 2 dólares por milhão de tokens de entrada e 10 dólares por milhão de tokens de saída, com um desconto de 95% nos tokens de entrada em cache. Os tokens são as unidades processadas por um modelo, muitas vezes palavras ou partes de palavras. A colocação em cache permite reutilizar dados de entrada já processados a um custo inferior.

A estas tarifas, um milhão de tokens de entrada normais e um milhão de tokens de saída custariam 12 dólares. Com a redução de 95% sobre a tarifa introdutória de entrada, os tokens de entrada elegíveis em cache custam 0,10 dólares por milhão. Trata-se de preços baseados na utilização, não do preço de uma subscrição Gemini.

Segundo as notícias, o período introdutório termina a 30 de novembro e os preços duplicam a 1 de dezembro, passando para 4 dólares por milhão de tokens de entrada e 20 dólares por milhão de tokens de saída. O mesmo exemplo custaria então 24 dólares. O anúncio de lançamento da Google não especifica esse prazo nem as tarifas posteriores, pelo que a declaração oficial publicada confirma os preços introdutórios, mas não a respetiva data de validade.

As notícias também descrevem as tarifas introdutórias como equivalentes a cerca de um quinto das de certos modelos concorrentes. Essa comparação não determina o custo de concluir uma tarefa: sistemas diferentes podem consumir números distintos de tokens, exigir novas tentativas ou gastar diferentes quantidades de tempo a raciocinar. O anúncio oficial também não especifica durante quanto tempo se aplica o desconto aos tokens de entrada em cache.

A experiência com Python mostra por que razão a revisão continua a ser importante

Um dos exemplos mais reveladores envolve o Agent Development Kit (ADK) da Google, uma estrutura para criar agentes de IA empresariais. O seu repositório Python contém cerca de 205 000 linhas distribuídas por quase 800 ficheiros de código-fonte, com o apoio de quase 17 000 testes unitários. Foi pedido ao Argon que reduzisse a sobrecarga da estrutura sem alterar a interface pública nem o que as aplicações enviam aos seus modelos.

Uma primeira execução, com cerca de duas horas, identificou estrangulamentos reais, mas também introduziu problemas. Entre eles estavam uma alteração subtil a um esquema JSON público e casos de teste não contemplados. A equipa forneceu então orientações para o repositório e instruiu o Argon a preparar um pedido de integração não fundido, acompanhado de medições de desempenho.

A execução seguinte, sem intervenção, durou 11 horas. O Argon leu 12 ficheiros de orientações, propôs seis otimizações e executou 16 892 testes unitários. Os revisores humanos aceitaram duas propostas e rejeitaram quatro, apontando riscos como dados em cache desatualizados, dependência de componentes internos privados de bibliotecas, menor legibilidade e ganhos limitados a testes artificiais.

As alterações aceites filtravam o histórico da conversa antes de o copiar e adiavam o carregamento de pacotes pesados até serem necessários. A alteração final abrangeu 22 ficheiros e acrescentou 17 funções de teste. A Google refere uma redução de cerca de 40% no tempo de preparação de sessões longas mantidas em memória e uma melhoria de 21% no carregamento de pacotes a partir de um arranque limpo.

Uma medição separada de uma execução com 158 turnos passou de 65,6 segundos para 56,1 segundos, uma redução de cerca de 14,5%. Este valor mais baixo não é uma contradição: melhorar um componente em 40% não torna um fluxo de trabalho inteiro 40% mais rápido. A experiência também mostra que, por si só, passar a bateria pública de testes não era suficiente. Uma alteração proposta ao carregamento de módulos passou os 16 892 testes públicos, mas falhou 25 conjuntos de testes internos antes de ser revista.

Do Chromium à inferência mais rápida do Gemma

A Google afirma que o Argon ajudou a separar o tratamento central das páginas Web de uma pasta antiga que contém cerca de seis milhões de linhas de funcionalidades do navegador, num código do Chromium com 40 milhões de linhas. Essa pasta representa cerca de 15% do total. Segundo a Google, a reorganização abrangeu centenas de ficheiros e condensou meses de trabalho em semanas.

O objetivo é permitir que páginas Web abertas passem entre separadores, painéis laterais e janelas flutuantes sem recarregar, eliminando ao mesmo tempo uma categoria de falhas. Estas são consequências esperadas do trabalho de arquitetura, não provas de que todos os utilizadores já disponham dessas funcionalidades.

Para o Gemma 4 E2B, a Google refere um aumento de 2,85 vezes na velocidade de inferência numa Nvidia A100 com o vLLM, software para disponibilizar modelos de linguagem. O débito aumentou de cerca de 37 900 para mais de 108 000 tokens por segundo, com tokens gerados idênticos e sem perda de qualidade assinalada. Trata-se de um resultado específico para um modelo e equipamento, não de um aumento universal de velocidade para a família Gemma.

Outros exemplos internos referidos incluem a identificação de renderização redundante de emojis nos comentários do YouTube e a descoberta de erros que remontavam a 2018 no simulador de física de drones utilizado pela Wing, a empresa de entregas da Alphabet. Os números relativos ao YouTube variam consoante as notícias: uma refere uma redução de 45% na carga dos servidores, enquanto outra diz que o poder de computação necessário foi reduzido para metade. Sem mais pormenores, estas medidas não devem ser consideradas equivalentes.

Outra investigação referida analisou 134 erros antigos de software e identificou 97 como desatualizados ou duplicados em menos de três horas. Em conjunto, estes exemplos sustentam a utilização do Argon como ferramenta de manutenção e investigação, embora os resultados continuem a ser alegações da empresa, e não avaliações reproduzidas de forma independente.

A liderança nos testes de referência depende da tarefa

O cartão do modelo Argon da Google DeepMind, publicado em outubro, indica uma pontuação de 68,9% no Vals Index, em comparação com 63,1% para o GPT-6 Astra e 67,0% para o Claude Opus 5.5. O Argon lidera nesta medição do desempenho em trabalho profissional, que abrange áreas como finanças, direito, programação e fiscalidade.

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

A mesma tabela oficial mostra que os concorrentes estão à frente noutros domínios. No FrontierSWE v2, o Argon obtém 55,0%, contra 65,5% do Astra. No Terminal-bench 4.0, os 57,4% do Argon ficam aquém dos 66,4% do Opus 5.5. As alegações gerais de superioridade em programação e ciência exigem, por isso, algumas ressalvas.

Os resultados noticiados do Artificial Analysis Intelligence Index atribuem ao Argon 53 pontos, 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. Estas pontuações medem uma combinação de capacidades diferente da do Vals Index e não podem ser comparadas diretamente com as respetivas percentagens.

Sam Witteveen, diretor executivo e cofundador da consultora de IA empresarial Red Dragon AI, elogiou o Argon, mas contestou que fosse o melhor modelo disponível. A sua avaliação enquadra-se num panorama misto de resultados: um bom desempenho profissional não demonstra liderança em todos os tipos de tarefa.

Os resultados científicos vão do código quântico a testes de enzimas

A Google afirma que o Argon quase duplicou o débito de inferência de uma versão interna do AlphaQubit, um sistema de aprendizagem automática que descodifica erros quânticos. Diz também que uma implementação de uma sub-rotina arcsin pelo Argon, formalmente verificada com Lean, reduziu em mais de 100 vezes o custo de espaço-tempo em comparação com uma referência publicada baseada em quantum CORDIC. O custo de espaço-tempo combina os recursos computacionais exigidos por um cálculo quântico e o tempo que demora.

Na investigação sobre fusão, a Google trabalhou com Matt Landreman, professor da Universidade de Maryland, para identificar uma classe mais ampla de contraexemplos à conjetura de Grad, uma hipótese de 1967 sobre soluções exatas para campos magnéticos. As soluções resultantes fornecem referências para testar software de simulação de stellarators. Trata-se de um contributo matemático e de simulação, não de uma demonstração de produção de energia de fusão comercialmente utilizável.

A Google também refere que alterações ao pacote de química quântica xTB tornaram a previsão da estrutura molecular até 2,3 vezes mais rápida e a pesquisa de formas moleculares alternativas 1,8 vezes mais rápida. As alterações foram integradas no repositório oficial do pacote.

Na biologia, a Gamow Labs utilizou o Argon para analisar genomas sem dados identificativos de recém-nascidos com doenças pulmonares raras de desenvolvimento. A Google descreve um caso em que o modelo identificou uma reorganização cromossómica que tinha passado despercebida durante anos. Avaliações privadas atribuíram-lhe 57% na assistência ao diagnóstico de doenças raras e 52,2% no raciocínio laboratorial. Estas são avaliações de investigação, não provas de que o Argon consiga diagnosticar pacientes de forma autónoma.

Os cientistas da Google também utilizaram o Argon para gerar cinco novos desenhos de esterases de serina, enzimas que quebram ligações éster. Testes laboratoriais posteriores confirmaram atividade catalítica. Separadamente, a Google abriu candidaturas para que 10 000 cientistas recebam gratuitamente, durante seis meses, o escalão de utilização mais elevado do Antigravity. As admissões serão contínuas, sujeitas a critérios de elegibilidade, seleção e disponibilidade.

As demonstrações de robótica vão além de um truque de lançamento

O Argon obteve 87% no teste de referência Embodied Reasoning, que avalia a compreensão de problemas físicos e espaciais. Numa demonstração interna, observou um vídeo de uma pessoa a jogar cornhole, mapeou o ambiente, calculou os movimentos das articulações e gerou código de simulação. Segundo a Google, a transferência desse trabalho para o humanoide Apollo, da Apptronik, resultou em sete lançamentos consecutivos bem-sucedidos num ensaio físico.

Outras demonstrações referidas incluem um robô Spot da Boston Dynamics a usar um caixote do lixo com pedal para deitar latas fora, um braço robótico a endireitar uma caneca caída e a colocar-lhe um guardanapo dentro, e o Argon a conduzir simulações de vídeo através de ciclos repetidos de feedback visual. Estes exemplos combinam raciocínio com observações calibradas, comandos de movimento predefinidos e etapas de verificação, em vez de demonstrarem autonomia robótica sem restrições.

O trabalho de robótica inclui ainda a reconstrução de simulações a partir de gravações de câmaras de robôs, vídeos de pessoas e esboços. Reproduzir as forças de contacto, além do aspeto visual, é importante porque uma simulação apenas convincente à vista ainda pode ensinar movimentos que falham no equipamento real.

Uma experiência referida, que utilizou dados gerados em simulação, aumentou a taxa de sucesso em tarefas físicas de 56% para 75%, uma subida de 19 pontos percentuais. O tempo por tarefa passou de 35 para 24 segundos, uma redução de cerca de 31%. Os resultados sustentam uma conclusão mais restrita sobre a melhoria do treino e da execução de tarefas, não uma demonstração de inteligência física geral.

As informações de segurança complicam a narrativa do lançamento

O cartão do modelo afirma que a Google não pode excluir que o Argon atinja níveis de capacidade crítica no que respeita aos riscos da informação biológica e da cibersegurança. Estes limiares dizem respeito à possibilidade de um modelo aumentar significativamente a capacidade de causar danos graves sem salvaguardas adequadas. A Google afirma ter desenvolvido avaliações de segurança e proteções que reduzem o risco remanescente para níveis inferiores a esses limiares.

O Argon também passou 14 dos 15 desafios que testavam a discrição e a consciência situacional. Neste contexto, passar significa concluir com sucesso desafios de capacidade, não obter uma aprovação de segurança. Por isso, a Google afirma que não pode excluir um limiar associado à possibilidade de comprometer o controlo humano na ausência de proteções adicionais.

O anúncio do lançamento descreve várias defesas: treino para respeitar limites e pedir confirmação humana antes de ações irreversíveis, monitorização destinada a bloquear tentativas não autorizadas de contornar proteções e medidas contra instruções maliciosas ocultas em páginas Web, mensagens de correio eletrónico ou código. A Google refere uma taxa de sucesso de 0,7% nos ataques, em 15 tentativas adaptativas, no teste de referência Gray Swan para injeção indireta de instruções.

Outros resultados de segurança referidos incluem uma redução para 2% nas tentativas não autorizadas de atalhos em avaliações de programação e o desbloqueio de menos de 1% das subtarefas testadas em testes biológicos adversariais externos. Estes valores descrevem testes específicos, não garantias contra a utilização indevida. O cartão do modelo regista também uma pioria de 1,57 pontos percentuais numa medida automatizada de segurança do texto, em comparação com o Gemini 3.1 Pro. A Google afirma que a diferença se manteve dentro dos intervalos de confiança e que a revisão manual encontrou sobretudo falsos positivos ou problemas pouco graves.

A Google está a alargar o Fairwind Program a centenas de novos parceiros aprovados na área da cibersegurança, com acesso sem as proteções de cibersegurança previstas no âmbito do programa. No anúncio, a empresa refere que a Wiz utilizou o Argon para abordar riscos relacionados com infraestruturas governamentais e sistemas de saúde, incluindo uma cadeia de vulnerabilidades que poderia expor uma chave-mestra e dar acesso de administrador.

Segundo as notícias, a Google participou no processo de revisão voluntário 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 de verificar

O Argon aceita texto, imagens, áudio e vídeo e produz texto. O cartão do modelo especifica uma janela de contexto combinada de entrada e saída até um milhão de tokens. Trata-se de uma capacidade partilhada, não de uma promessa de um milhão de tokens de entrada mais outro milhão de tokens de saída. Segundo as notícias, o limite de resposta ininterrupta não foi esclarecido.

A data-limite do conhecimento do modelo é março de 2026, e a Google avisa que o conhecimento em algumas áreas poderá ser anterior. O modelo pode inventar informações incorretas e dar respostas lentas ou exceder o tempo limite. Estas limitações são relevantes para o trabalho jurídico, financeiro, científico e de engenharia a que a Google se dirige.

O lançamento apresenta exemplos de desempenho invulgarmente concretos, mas o caso de engenharia mais forte da empresa também demonstra a necessidade de uma implementação seletiva: os responsáveis pela manutenção rejeitaram quatro das seis otimizações propostas. Os compradores podem agora testar o Argon nos seus próprios sistemas, enquanto os preços após novembro, o acesso mais alargado por subscrição e a eficácia das salvaguardas fora de avaliações controladas exigem atenção contínua.

Pontos principais

• A Google iniciou a disponibilização mais ampla do Argon a 13 de outubro de 2026, para subscritores elegíveis, programadores e empresas.
• As tarifas introdutórias da API são de 2 dólares por milhão de tokens de entrada e 10 dólares por milhão de tokens de saída.
• Segundo as notícias, as tarifas normais duplicam a 1 de dezembro; o anúncio oficial do lançamento não indica esse prazo.
• O Argon lidera o Vals Index, mas fica atrás de modelos concorrentes em várias outras avaliações.
• Numa execução de otimização de Python com 11 horas, os revisores humanos aceitaram duas das seis propostas.
• A Google refere ganhos científicos e em robótica, incluindo cinco desenhos de enzimas testados em laboratório e melhor desempenho em tarefas físicas.
• A Google reconhece possíveis limiares de capacidade relacionados com biologia, cibersegurança e controlo, e afirma que as salvaguardas reduzem os riscos remanescentes.