O Google anunciou o Gemini 4 Argon em 30 de setembro de 2026, com acesso inicialmente restrito a defensores de segurança verificados por meio do programa Fairwind e a testadores iniciais como a Wiz. Ele chegou aos desenvolvedores em 13 de outubro, pelo nível pago da API Gemini e do AI Studio, com o Antigravity disponível para assinantes do Google AI Ultra. O ID do modelo é gemini-4-argon, e há uma variante separada, gemini-4-argon-cyber-permissive, voltada para defensores autorizados. O Argon é um transformador de mistura esparsa de especialistas com data de corte de conhecimento em março de 2026. Ele aceita texto, código, imagens, áudio, vídeo e PDFs, mas gera apenas texto e código.
A mudança mais notável é a janela de saída. Os modelos Gemini mais antigos processavam cerca de um milhão de tokens de entrada e devolviam no máximo 64 mil tokens. O Argon eleva o limite de saída para 1 milhão de tokens, usando uma janela unificada de 1.048.576 tokens compartilhada entre entrada, raciocínio e saída. Assim, um prompt de 100 mil tokens deixa espaço para uma resposta de quase 950 mil tokens. O limite padrão de saída continua em 65.536 tokens, e os desenvolvedores precisam aumentar o max_output_tokens e usar o long decode para ir além. O long decode pode durar vários minutos, o que o torna adequado para tarefas em segundo plano.
O modelo também oferece três níveis de raciocínio: LOW, MEDIUM (o padrão) e HIGH. O panorama dos benchmarks é desigual. O Argon lidera em engenharia de software em nível de repositório, mas fica para trás em tarefas de terminal, e uma chamada de API descuidada pode custar entre 10 e 20 dólares. Essas fraquezas pesam mais para usuários diários do que as médias gerais.
Para desenvolvedores, a conclusão prática é que o Argon elimina a necessidade de dividir grandes gerações em partes e de reenviar o contexto a cada turno. Seus pontos fortes são mais claros em tarefas de programação longas e complexas, enquanto o desempenho mais fraco em terminal e os custos mais altos por chamada exigem planejamento cuidadoso de orçamento e salvaguardas nos scripts.
Fonte: Towards Data Science · Resumido por HeadlinesBriefing