Google abre o Gemini 4 Carbon: modelo para agentes com preço de $2/$10 até dezembro

O Google lançou o Gemini 4 Carbon, e não se trata de mais um «modelo para tudo», mas de uma ferramenta para uma dor bem específica. Falamos de um agente que precisa passar muito tempo fuçando uma base de código ou verificar hipóteses de forma metódica, em vez de entregar uma resposta na primeira tentativa. O Carbon é construído sobre o Argon, mas ajustado para pensar por mais tempo.

Em que o Carbon difere do Argon

Resumindo: mesma base, mais raciocínio. O Google diz abertamente que o Carbon gasta mais tokens «pensando» do que o Argon. Para tarefas em que o erro custa caro, é uma troca razoável. Por exemplo, achar a causa de um bug em um repositório alheio ou entender por que um pipeline está falhando. Você paga com tempo e tokens e, em troca, ganha a chance de um resultado mais cuidadoso.

A demonstração do Google é impressionante. O modelo montou um simulador 3D interativo no qual o canto de seis espécies de pássaros é sintetizado em tempo real. É possível abrir o bico da ave e ouvir como o som muda. Mas uma demo não é uma métrica. O mais sensato é vê-la como exemplo de uma tarefa longa e multifacetada, em que gráficos, síntese de áudio e interatividade se juntaram em um único projeto.

O que mostrou o benchmark MKA

O novo teste MKA está mais próximo da realidade de escritório do que de problemas de olimpíada. O agente recebe um pacote de plantas e outros arquivos, a partir dos quais deve montar um relatório, uma tabela ou uma apresentação. Avalia-se não se o modelo sabe escrever uma função, mas se consegue lidar com uma entrada heterogênea e entregar um artefato pronto.

Nos critérios difíceis, o Carbon High marca 54%, e o Fable 5.2 Max, 57%. Não dá para chamar o Carbon de líder aqui: ele fica ligeiramente atrás do concorrente. Três pontos percentuais em um único benchmark não são uma sentença, mas também não justificam acreditar em manchetes sobre «o melhor modelo para agentes». Além disso, o teste é novo, e ainda não está claro como ele se relaciona com os seus dados reais. A página do benchmark está no Artificial Analysis.

Acesso e preços

O modelo já está na API paga. No chat do Gemini e no Antigravity, ele só está disponível para assinantes do Ultra.

Os preços na API são estes:

• até o fim de novembro: $2 por milhão de tokens de entrada e $10 por milhão de tokens de saída;
• a partir de 1.º de dezembro: $4 e $20, ou seja, o dobro.

Há uma ressalva. Como o Carbon gasta mais tokens com raciocínio, o custo real deve ser calculado não pela tabela de preço por milhão, mas pela soma de tokens por tarefa resolvida. O preço baixo por token de um modelo «verboso» não garante uma conta barata.

O que fazer na prática

Não acredite no marketing nem em um único benchmark. É melhor fazer um experimento simples.

1. Pegue um conjunto das suas tarefas reais de agente: análise de bug, code review, montagem de relatório a partir de um conjunto de arquivos.
2. Rode-o no Argon e no Carbon e meça duas coisas: a taxa de tarefas resolvidas e o consumo de tokens por tarefa.
3. Faça isso antes de 1.º de dezembro, enquanto vale o preço de $2/$10. Assim, a decisão de migrar será baseada em números.

Os times de produto devem incluir desde já na economia unitária o preço de dezembro, $4/$20, e não o inicial. Se o Carbon só ganha do Argon em casos raros e complexos, talvez valha ativá-lo seletivamente, como «artilharia pesada» para tarefas difíceis, e não como modelo padrão.

Limitações

Todos os números aqui vêm do anúncio do Google e da página do benchmark. A fonte não traz verificações independentes. A comparação com o Argon em qualidade e consumo de tokens também não aparece na publicação, e será preciso medi-la por conta própria. O Google reuniu os detalhes do modelo em uma ficha separada.

Em resumo: o Carbon é um passo consistente rumo a agentes que «pensam», mas não é um vencedor óbvio. O atraso de 3 p.p. em relação ao Fable 5.2 Max no MKA e a duplicação do preço a partir de dezembro tornam o teste com suas próprias tarefas uma condição obrigatória antes da adoção.