Google abre o Gemini 4 Carbon: US$ 7,76 por tarefa resolvida e 0% de ataques bem-sucedidos no teste de injeção

Duas semanas atrás, parecia que o Google havia voltado a disparar na frente. Então a Anthropic lançou o Fable 5.2, e o Carbon, mal chegado à disponibilidade geral, já parece menos novo. O ciclo de modelos gira tão rápido hoje que um lançamento fica obsoleto antes mesmo de sair do beta. Mas, para o desenvolvedor, o que importa não é a corrida de manchetes, e sim a pergunta prática: o que integrar e quanto isso vai custar.

Não é um substituto do Argon, mas uma ferramenta para tarefas difíceis

O Google diz abertamente: para a maioria das tarefas de desenvolvimento e de trabalho com conhecimento, o Argon continua sendo a melhor escolha. O Carbon é para quando você bateu no teto de inteligência do modelo: depuração complexa em várias etapas, pesquisa científica aberta, longos ciclos de verificação de resultados. O token custa o mesmo nos dois modelos, mas o Carbon raciocina com mais profundidade e passa mais tempo se verificando, por isso gera mais tokens. A conta final para a mesma tarefa quase certamente será maior que a do Argon.

Agora, os números. No teste da Artificial Analysis, o Carbon custa US$ 7,76 por tarefa resolvida ao preço padrão (US$ 4 por milhão de tokens de entrada e US$ 20 por milhão de tokens de saída). Isso é mais barato que o antigo modelo econômico Flash 3.8, e o desempenho é melhor. Para comparação: Opus 5.5 Max — US$ 10,04, GPT-6 Astra Max — US$ 6,25, Fable 5.2 no máximo — US$ 26,50. No nível High, o Fable 5.2 custa cerca de US$ 9 por tarefa, mas ainda fica dois pontos à frente (62 contra 60). O preço de lançamento do Google é atualmente metade do padrão: US$ 2 e US$ 10.

No CursorBench 4.0, o Carbon ficou em primeiro lugar com um resultado um pouco abaixo de 60%. Ele também lidera o WANDR, da Perplexity, e o AutomationBench, da Zapier, custando menos da metade do preço do concorrente mais próximo, o Fable 5.2. No novo benchmark MKA, de documentos densos com gráficos, plantas e tabelas, o Carbon é o segundo, mas custa mais de seis vezes menos que o líder.

Enxame de agentes: bonito, mas discutível

Junto com o modelo, o Google apresentou o modo /swarm no Antigravity, seu equivalente do Claude Code. Um único prompt se transforma em uma equipe de agentes, cujo trabalho pode ser acompanhado em tempo real. O Carbon assume os papéis que exigem raciocínio profundo: arquitetura, coordenação, auditoria. Modelos rápidos e leves trabalham em paralelo em ambientes isolados, e parte deles faz o papel de verificadores céticos, que tentam quebrar o resultado.

Imagine a refatoração de um serviço. O Carbon divide a tarefa em partes, modelos menores corrigem os módulos simultaneamente, outros rodam testes e procuram erros. Na demonstração, o Google mostrou um jogo 3D sobre um pelicano de bicicleta pelo campus em Mountain View, a reconstrução da construção da Torre Eiffel e um piano jogável do século XVIII. Se esses enxames compensam, o setor ainda debate: OpenAI e Anthropic soam cautelosas, e pesquisadores são céticos. O principal ganho é a velocidade graças ao paralelismo, mas a orquestração é complexa.

Segurança: números impressionantes, com ressalvas

Durante o acesso antecipado pelo programa Fairwind, o Carbon encontrou vulnerabilidades zero-day reais em dois grandes provedores de SaaS em menos de duas horas (no âmbito do programa Wiz Scan for Good). A equipe de segurança do Google Cloud usou o modelo para escrever exploits funcionais para dois bugs conhecidos em um projeto open source popular. No sistema Project Fortify, a proporção de vulnerabilidades encontradas cresceu mais de 25% em relação ao Argon. Mas a liderança no SEC-bench Pro, ExploitGym e CWE-bench v1 refere-se apenas à versão do Fairwind, e o Google não divulga números concretos.

Segundo o Google, em seu próprio teste de honestidade com 375 tarefas, o Carbon passa em 92% (o Argon, em 70%) e, em 98% dos casos, recusa-se a inventar dados experimentais ausentes. Em simulações de ataque, fechou 99% dos caminhos usados por agentes adaptativos de red team, e a chance de invasão por tentativa caiu de 3,1% para 0,8%. Testadores externos da Trajectory Labs, em 132 horas e mais de 13.000 requisições, não encontraram nenhum jailbreak universal. No Gray Swan IPI, o índice de prompt injections bem-sucedidas é 0%. Isso não significa que o problema esteja resolvido: talvez o teste simplesmente tenha saturado. Mas, para agentes com acesso a e-mail, navegador e código, o avanço é notável.

O que fazer na prática

Mantenha o Argon como modelo padrão e use o Carbon de forma pontual: para depuração complexa, auditoria de código e tarefas de pesquisa. Compare não o preço por token, mas o preço por tarefa resolvida com os seus dados: os benchmarks são publicados pelo próprio fornecedor, e os tokens extras do raciocínio profundo podem facilmente consumir toda a economia. Uma versão Flash do Gemini 4 é esperada em breve, então, para cenários baratos, vale esperar. Enxames de agentes, por ora, convém testar em tarefas isoladas com critério de sucesso claro. E não baixe a guarda: sandboxes e privilégios mínimos para agentes são necessários mesmo com resultado zero em um único teste.