Google lança Gemini 4 Argon: $2 por milhão de tokens e 1º lugar no Vals Index

O Google DeepMind lançou o Gemini 4 Argon, modelo carro-chefe para tarefas longas e de vários passos. Desde 13 de outubro, ele está disponível globalmente para desenvolvedores e empresas pela API no AI Studio e na plataforma Gemini. Assinantes do Google AI Ultra recebem o modelo no Antigravity, e assinantes do Ultra e do Pro também o têm no app Gemini e no AI Mode da Busca. O Argon ocupa o primeiro lugar no Vals Index, que mede o desempenho dos modelos em finanças, programação, trabalho jurídico e impostos. O preço inicial é de $2 por milhão de tokens de entrada e $10 por milhão de tokens de saída, com entrada em cache 95% mais barata.

Refatoração de 6 milhões de linhas e aceleração do

Gemma em poucos dias

O anúncio dá mais destaque ao trabalho de engenharia. Dentro do Google, o Argon, combinado com o Antigravity, aumentou em mais de 35% o número de submissões de código agênticas e reduziu as reversões em quase um terço.

A equipe do Chrome separou o núcleo de renderização de páginas web da pasta legada com funções do navegador: cerca de 6 milhões de linhas dentro de uma base de código do Chromium com 40 milhões. A refatoração, que envolvia centenas de arquivos e levava meses, ficou pronta em semanas. Para os usuários, isso significa que páginas ativas poderão passar entre abas, painéis laterais e janelas flutuantes sem recarregar. Além disso, uma classe inteira de travamentos do navegador vai desaparecer.

A equipe do Agent Development Kit deu ao Argon um arquivo de regras .agents/skills e um parágrafo com o objetivo: eliminar o overhead do framework sem quebrar nada. O modelo trabalhou sozinho durante a noite. O resultado já está em google/adk-python: a preparação de sessões in-memory em diálogos longos ficou 40% mais rápida, e os imports a frio, 21%.

O número mais relevante para quem cuida de infraestrutura envolve o Gemma 4 E2B, modelo aberto. Com vLLM em uma A100, a inferência de ponta a ponta ficou 2,85 vezes mais rápida: de ~37 900 para mais de 108 000 tokens por segundo. Os tokens coincidiram em 100%, e a qualidade não caiu. As alterações foram desde o ajuste da atenção até speculative decoding, e tudo levou alguns dias em vez de meses.

Ciência e segurança: de kernels quânticos a enzimas

A vitrine de demonstrações é incomumente ampla:

• xTB: um dos pacotes abertos de química quântica mais citados ficou até 2,3x mais rápido na previsão de estruturas moleculares e 1,8x mais rápido na busca de confôrmeros. As mudanças foram aceitas no repositório oficial.
• AlphaQubit: o Argon converteu uma versão interna do decodificador de erros quânticos baseado em ML em um único kernel de hardware otimizado e quase dobrou a vazão de inferência.
• Circuitos quânticos: uma implementação de arcsin escrita pelo Argon e verificada formalmente em Lean reduz o custo spacetime em mais de 100 vezes em relação à referência publicada, baseada em CORDIC quântico.
• Fusão nuclear: junto com o professor Matt Landreman, da Universidade de Maryland, a equipe do Google encontrou uma classe mais ampla de contraexemplos para a conjectura de Grad, de 1967, sobre stellarators. Isso dá à comunidade testes de referência para simuladores.
• Doenças raras: a Gamow Labs, com o Argon, encontrou um rearranjo cromossômico que softwares de rotina deixavam passar havia anos. Em testes privados, o modelo marcou 57% no RareBench e 52,2% no LabBench.
• Enzimas: em poucas horas, o Argon reuniu dados, configurou um modelo e filtrou candidatas até chegar a cinco novas esterases de serina. Testes de laboratório confirmaram a atividade catalítica das cinco.
• Isomorphic Labs: a análise de PDFs complexos e patentes caiu de semanas para horas.

Na cibersegurança, o programa Fairwind está sendo ampliado: centenas de novos parceiros vão se juntar a ele. A Wiz usa o Argon na iniciativa "Scan for Good". O modelo ajudou a corrigir uma falha que ameaçava dados sensíveis de um órgão governamental. Em uma infraestrutura médica, ele encadeou várias vulnerabilidades, encontrou um bypass no download de arquivos que expunha uma chave mestra e dava acesso de administrador. Centenas de milhares de prontuários de pacientes estavam em risco.

Tokens, preços e para quem o modelo serve

O desconto de 95% na entrada em cache muda a economia dos agentes. Vamos fazer uma conta (cálculo da redação): um ciclo de 50 chamadas com contexto de 200 mil tokens e 2 mil tokens de resposta em cada uma. Sem cache, só a entrada custa cerca de $20, mais $1 pela saída, somando ~$21. Com cache, a entrada sai por $1, e a execução inteira custa aproximadamente $2. Quanto maior o contexto e maior o número de passos, mais vantajoso é o esquema com o repositório em cache e regras reutilizáveis, como .agents/skills.

Conclusão prática para as equipes: vale testar o Argon onde há resultado verificável. Testes, benchmarks, provas formais e verificações de laboratório permitem deixar o agente trabalhando à noite e encontrar um pull request pronto de manhã. É exatamente nesse cenário que foram construídos os casos com ADK, xTB e Gemma. O preço foi apresentado como introdutório, então é melhor calcular os orçamentos com folga.

Para cientistas, o Google oferece o plano mais alto do Antigravity de graça por 6 meses para 10 000 pessoas, com liberação gradual e seleção. As inscrições já estão abertas.