Gemini 4 Argon em análise: o que os testes independentes encontram e a tabela da Google omite

A segunda tabela chegou no mesmo dia

A Google fechou o seu anúncio a 30 de setembro de 2026 com uma tabela comparativa de dezoito linhas. A Artificial Analysis publicou no mesmo dia a sua própria leitura do mesmo modelo, construída a partir de avaliações que ela própria corre, em vez de números fornecidos pelo fabricante.

No Intelligence Index da Artificial Analysis, o Gemini 4 Argon obtém 53 com a definição de raciocínio alta. Isso empata com o GPT-6 Astra em raciocínio máximo e fica um ponto à frente do GPT-6.1 Sol. A distância face ao historial recente da Google é maior: o Argon está 23 pontos acima do Gemini 3.1 Pro Preview com 30 e 12 pontos acima do Gemini 3.8 Flash.

O relatório independente retira daí uma conclusão. A Google regressa como um dos três melhores laboratórios em inteligência medida. O Argon é ainda o primeiro modelo proprietário da Google acima da classe Flash em mais de sete meses, o que encaixa no intervalo de dez meses na cronologia de topo da Google.

Os números deste artigo vêm do anúncio da Google sobre o Gemini 4 Argon de 30 de setembro de 2026 e da Artificial Analysis, que publicou os seus próprios resultados de avaliação no mesmo dia.

Porque é que uma execução independente era o que havia para esperar

Três semanas antes do lançamento, um modelo anónimo etiquetado como gemini-3.8-flash apareceu em batalhas cegas numa arena pública e superou claramente o verdadeiro Gemini 3.8 Flash em prompts de programação, diagramas e tarefas agênticas. Os programadores assumiram amplamente que era um Gemini 4 inicial, mas o nome mostrado nunca mudou e a Google nunca o reclamou.

Um gráfico de testes que circulou a 18 de setembro de 2026 colocava o modelo não confirmado à frente do GPT-6 Astra e do Claude Fable 5.1 em programação de longo curso e utilização de computador, com um preço alegadamente associado. Os números passaram por vários órgãos antes de alguém conseguir ligá-los a um modelo que a Google tivesse realmente nomeado.

Nada disso torna o gráfico divulgado errado. Torna-o não verificável. O que chegou a 30 de setembro é de outra natureza, porque traz uma estrutura publicada, uma definição de raciocínio declarada e um valor de custo que pode ser confrontado com a lista pública de preços por token.

• O alias da arena era apresentado como gemini-3.8-flash e nunca foi confirmado pela Google.
• O gráfico que circulava estava datado de 18 de setembro de 2026, doze dias antes do lançamento.
• A Artificial Analysis corre as suas próprias avaliações em vez de reimprimir números do fabricante.

1,99 dólares por tarefa, e a poupança vem da lista de preços

O custo por tarefa é o número que um orçamento nota. Com o desconto de lançamento atual de 50 por cento, o Gemini 4 Argon custa 1,99 dólares por tarefa do Intelligence Index contra 3,26 dólares do GPT-6 Astra com raciocínio máximo, ou 60 por cento do preço por um nível comparável de inteligência medida.

A comparação inverte-se face ao modelo mais barato da OpenAI. Na mesma avaliação, o GPT-6.1 Sol custa 2,7 vezes menos por tarefa do que o Argon. Quando os preços promocionais terminarem, o valor do Argon sobe para 3,98 dólares, cerca de 1,2 vezes o GPT-6 Astra em vez de um desconto face a ele.

A causa não é eficiência. O Argon gasta em média cerca de 62.000 tokens de saída por tarefa, enquanto o GPT-6 Astra gasta 27.000, pelo que gasta mais tokens para chegar à mesma pontuação e ganha no preço unitário. A entrada em cache também ficou mais barata, passando de um desconto de 90 por cento no Gemini 3.8 Flash para 95 por cento no Argon.

O valor do Sol não é publicado como custo por tarefa. É derivado da relação declarada de 2,7 vezes aplicada ao resultado de 1,99 dólares do Argon, e é incluído para mostrar uma direção, não como orçamento.

15 por cento de alucinação, a mais baixa da sua classe

O resultado mais incisivo do relatório independente não é uma pontuação de capacidade. No AA-Omniscience, que mistura exatidão factual com a disposição para recusar quando o modelo não sabe, o Gemini 4 Argon regista 15 por cento de alucinação. É a mais baixa de qualquer modelo com 45 pontos ou mais no Intelligence Index, contra 51 por cento do GPT-6 Astra em max e 54 por cento do GPT-6.1 Sol.

Lido ao lado da exatidão, o quadro torna-se mais subtil. O Argon responde corretamente em 50 por cento dos casos, cinco pontos abaixo do Gemini 3.1 Pro Preview e treze pontos abaixo do GPT-6 Astra com 63 por cento. Na pontuação combinada do AA-Omniscience, os três modelos ficam a menos de um ponto uns dos outros, com o Argon e o Sol em 42 e o Astra em 43.

A divisão descreve um modelo que recusa em vez de adivinhar. Em trabalho que corre sem supervisão ao longo de cadeias longas, uma resposta errada custa mais do que uma ausente, o que torna a troca que o índice registra mais valiosa do que o ganho de capacidade do título.

O trabalho agêntico melhorou muito e continua a não liderar

A capacidade agêntica era o ponto fraco da geração anterior do Gemini, e a execução independente mostra um salto grande. O Gemini 4 Argon lidera o AutomationBench-AA com 78 por cento, sete pontos à frente do Claude Sonnet 5.5 em raciocínio máximo, num teste construído a partir de processos de negócio reais de ponta a ponta.

O trabalho de terminal conta a outra metade. No Terminal Bench 4, o Argon obtém 57 por cento, 53 pontos acima do Gemini 3.1 Pro Preview e ainda assim atrás de três modelos ao mesmo tempo: Claude Sonnet 5.5 com 64 por cento, Claude Opus 5.5 com 60 por cento e GPT-6 Astra com 59 por cento.

No AA-Briefcase, uma avaliação de trabalho de conhecimento, o Argon alcança 1.494 Elo com base numa taxa de aprovação de rubrica de 65 por cento, a mais alta que a Artificial Analysis registou. As pontuações parciais são menos lisonjeiras, com qualidade analítica em 1.576 Elo e qualidade de apresentação em 1.308 Elo.

O mesmo teste, dois títulos diferentes

O Terminal-bench 4.0 aparece nas duas tabelas e as duas não concordam sobre quem lidera. A tabela da Google coloca o Argon em 57,4 por cento, nove pontos atrás do Claude Opus 5.5. A execução independente coloca o Argon em 57 por cento, atrás do Claude Sonnet 5.5 com 64 por cento, com o Opus 5.5 em 60 por cento e o GPT-6 Astra em 59 por cento. A pontuação do Argon é quase idêntica e a história à sua volta não.

A tabela do fabricante é também o único sítio onde alguns resultados existem. O Harvey's Legal Agent Benchmark aparece lá com o Argon em 19,6 por cento contra o GPT-6 Astra com 5,4 por cento e o Claude Opus 5.5 com 3,8 por cento, e a avaliação de contexto longo GraphWalks mostra uma vantagem superior a dez pontos na janela de 256k a 1M. Nenhuma das duas foi replicada de forma independente.

As duas tabelas respondem a perguntas diferentes. Uma tabela de fabricante mostra o que um modelo consegue fazer quando o fabricante escolhe a estrutura e as definições. Uma tabela independente mostra o que ele faz quando é outra pessoa a escolher. Para um modelo ainda limitado a parceiros verificados, sem acesso de consumidor e sem sessão que alguém possa repetir, só o segundo tipo pode ser verificado por quem está fora da sala.

Nenhuma das tabelas está errada. Foram produzidas com estruturas, prompts e definições de raciocínio diferentes, e é exatamente por isso que um único número de classificação nunca deve ser lido sozinho.

O que fazer com a segunda opinião

Mais um detalhe independente explica porque as cadeias longas se tornaram práticas. A Artificial Analysis testou uma função da API Gemini chamada Long Decode Continuation, que pausa uma resposta longa e retoma-a em chamadas seguintes. O raciocínio pode assim ir até 1.000.000 de tokens de saída sem que o pedido esgote o tempo, contra um teto de saída de 64.000 na geração anterior. A janela de contexto é de 1 M de tokens, com entrada de texto, imagem, vídeo e voz e saída de texto.

O acesso não mudou com nada disto. O Argon continua limitado a parceiros Fairwind verificados, com os clientes pagos da API e os subscritores do Google AI Ultra nomeados como grupos seguintes e sem data. Nenhum dos resultados acima pode ser reproduzido numa conta comum, o que é o argumento mais forte para tratar as duas tabelas como direcionais.

O movimento prático durante a espera é o que os números independentes recompensam. Construa um conjunto fixo de prompts com os modelos que consegue invocar hoje, guarde as saídas e volte a correr exatamente o mesmo conjunto quando o Argon abrir. Um modelo novo medido contra a sua própria referência diz mais do que esse mesmo modelo medido contra a tabela de qualquer outra pessoa, incluindo esta.

• Hoje só se chega ao Argon através do programa Fairwind.
• O teto de saída passa de 64.000 para 1.000.000 de tokens.
• Um conjunto fixo de prompts criado agora é a forma mais barata de testar o Argon mais tarde.