Gemini 4 Argon chegou, finalmente!

Autoria: Vini Lana · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: português

Vídeo original: Gemini 4 Argon chegou, finalmente! · Canal: Vini Lana · 08:52 · Assistir no YouTube

Tópicos: Avaliação e benchmarks de IA, Modelos de IA, Segurança de IA

Resumo

O vídeo analisa o anúncio do Gemini 4 Argon, modelo da Google DeepMind que, como o Mythos, terá acesso inicial restrito enquanto a empresa reforça suas salvaguardas. O modelo apresenta resultados competitivos em benchmarks, com destaque para programação e resistência a prompt injection, além da promessa de gerar até 1 milhão de tokens de saída. O apresentador ressalta que ainda é preciso testar seu desempenho prático, velocidade e eficiência, e que o acesso será liberado gradualmente. A expectativa é que o Argon indique avanços para a linha Gemini, embora seu desempenho possa mudar antes de chegar ao público.

Pontos-chave

O Gemini 4 Argon foi anunciado, mas não está disponível para todos; o acesso começará pela API para clientes Business e depois chegará aos usuários Google Ultra.
O anúncio segue uma estratégia semelhante à do Mythos, com acesso restrito enquanto a empresa avalia riscos e reforça salvaguardas.
O modelo obteve 77,9% no benchmark DeepSWE, segundo a transcrição, e aparece entre os modelos de fronteira.
A promessa de 1 milhão de tokens de saída pode permitir gerar aplicações extensas em uma única interação, mas também pode trazer demora, repetição ou mais alucinações.
O Argon teve um resultado destacado em um benchmark de resistência a prompt injection.
O apresentador aponta que o Gemini precisa concluir tarefas com menos passos para competir melhor em velocidade e eficiência.
O preço anunciado é comparável ao do GPT-6.1 Sol, com custos de cache também mencionados como parte da comparação.
O apresentador considera que o lançamento pode indicar uma evolução significativa dos futuros modelos Gemini, mas recomenda aguardar testes práticos.

Capítulos

Início	Capítulo	Resumo
00:00	Anúncio do Gemini 4 Argon	O apresentador introduz o modelo, comenta a expectativa pelo lançamento e observa que o acesso ainda não está aberto a todos.
02:05	Benchmarks e saída de 1 milhão de tokens	A análise aborda os resultados do Argon em benchmarks e a promessa de uma saída muito maior que a de modelos concorrentes.
04:11	Salvaguardas e resistência a ataques	O vídeo discute os riscos que motivam o acesso restrito e destaca o desempenho anunciado contra prompt injection.
06:17	Acesso, custo e expectativas	O apresentador avalia o potencial de evolução da linha Gemini, os custos anunciados e a posição do Argon nas comparações.

Citações

Eu só acredito que esse modelo é bom no dia que ele estiver rodando lá no meu Antigravity. — 00:00

Também temos um modelo tão bom quanto o Mythos, mas você ainda não vai ter acesso. — 03:08

Vamos ver como isso vai funcionar na prática. — 04:11

O Gemini 4 Argon vai ter algumas travas, algumas salvaguardas. — 08:21

Conceitos e entidades

Gemini 4 Argon (modelo): Modelo da Google DeepMind anunciado como concorrente de outros modelos de fronteira, com acesso inicialmente restrito.
Google DeepMind (empresa): Organização da Google responsável pelo anúncio do Gemini 4 Argon e do Fairwind Program.
Mythos (modelo): Modelo citado como referência para a estratégia de acesso restrito adotada no anúncio do Argon.
Project Glasswing (conceito): Iniciativa associada ao lançamento do Mythos, apresentada como precedente para o programa da Google.
Fairwind Program (conceito): Programa da Google DeepMind mencionado como iniciativa de acesso restrito semelhante ao Project Glasswing.
DeepSWE (conceito): Benchmark citado para comparar o desempenho dos modelos em tarefas de programação.
prompt injection (conceito): Tipo de ataque que busca sequestrar o comportamento de um modelo por meio de instruções maliciosas.
Gemini 3.8 Flash (modelo): Modelo usado como comparação para discutir custo, desempenho e número de passos necessários para concluir tarefas.
GPT-6.1 Sol (modelo): Modelo comparado ao Argon em resultados de benchmark, custos e resistência a prompt injection.
Vini Lana (pessoa): Apresentador do vídeo, que comenta o anúncio e compartilha suas expectativas sobre o modelo.

Tradução completa (pt-BR)

00:00 Esperei muito para fazer este vídeo, mas muito mesmo, assim como vocês também devem ter esperado. Gemini 4 finalmente foi lançado — aliás, anunciado — porque parece que Dario Amodei e a Anthropic estão fazendo escola. Esse modelo, Gemini 4 Argon, chega para ser concorrente do Mythos e, como um bom concorrente do Mythos, também não está disponível para todo mundo. E eu só acredito que esse cara é bom no dia em que estiver rodando lá no meu Antigravity. Aí eu vou falar: “Cara, esse cara é bom ou não?” Mas, por enquanto, vamos analisar esse modelo, analisar esse lançamento e ver se a

00:31 Google realmente estava preparando algo para te surpreender. Bora. Olha a quantidade de lançamentos que aconteceram nas últimas semanas. É GPT 6.1, é Sonnet 5.5, Opus 5.5, e fica muito difícil conseguir se manter atualizado, estudar tudo isso, mas, ao mesmo tempo, o mercado exige isso. As pessoas estão querendo cada vez mais profissionais habilitados e capacitados para usar IA no desenvolvimento de software e no trabalho do dia a dia, sem hype. Por isso, resolvi gravar uma aula gratuita para ajudar você a entender como pode usar a própria

01:02 inteligência artificial para aprender melhor. O link está aqui na descrição e também no primeiro comentário fixado. Te vejo lá. Para quem acompanhou aqui no canal o lançamento do Mythos, vai ver que este vídeo é um pouco déjà vu. Literalmente, quando eu digo que Dario Amodei está fazendo escola, olha bem o que está acontecendo. A Google DeepMind lançou o Fairwind Program. O que é esse programa? Basicamente, é o Project Glasswing, só que da Google. O Project Glasswing foi lançado junto com o Mythos. Disseram para você: “Olha, esse modelo é tão perigoso, mas tão perigoso, que somente algumas empresas

01:33 vão ter acesso. Para quê? Porque temos medo de que outras pessoas com modelos equivalentes possam causar danos à humanidade. Então, vamos liberar o acesso para AWS, Anthropic, Apple, Broadcom, Cisco, CrowdStrike, Google, JPMorgan, entre outras empresas. Para quê? Para que elas se preparem para a onda de modelos de alto nível que estão chegando. Só que isso, galera, foi há cinco meses, tá? O Project Glasswing aqui do Mythos. E agora o programa Fairwind da Google DeepMind vem com a mesma ideia: “Ah, somos um modelo muito perigoso e

02:05 aí é importante que somente pessoas de confiança usem esse modelo”. Pontos interessantes que vocês vão observar neste lançamento: ele realmente chega para ficar no páreo, pelo menos na disputa ali na fronteira. Você vai observar isso nos benchmarks, com destaque especial para o DeepSWE, em que ele está atingindo 77,9% nos resultados, ficando entre os melhores modelos até então. Chegando perto dele, você vai ver o modelo GPT 6.1 Sol,

02:36 que está com 75,2%. Mas o seguinte chama atenção; acho que isso vai ser uma tarefa para o pessoal da Google resolver. Atualmente, o GPT 6.1 Sol atinge esse resultado no DeepSWE custando 65 centavos de dólar por tarefa. Beleza? Então, temos que entender como isso vai funcionar também para o Gemini 4 Argon da Google. Em outros benchmarks, você vai ver que ele está tendo um bom desempenho e bons resultados. Sabemos que, geralmente, os modelos da Google mandam bem nos benchmarks,

03:08 mas não necessariamente são os melhores, então precisamos testar. Quando estiver lá no Antigravity, aí sim dá para dizer se esse modelo é bom ou não. Mas já dá para tirar o cavalinho da chuva: esse modelo ainda não vai estar liberado para você. Basicamente, o que rolou foi um anúncio dizendo que também temos um modelo tão bom quanto o Mythos, mas você ainda não vai ter acesso a ele. A grande diferença — na verdade, uma diferença imensa — entre os modelos disponíveis hoje no mercado que vamos observar é esta aqui: 1 milhão de tokens de saída. Então, basicamente, esse modelo do

03:39 Gemini 4 Argon traz a promessa de que não serão os 128.000 tokens de saída padrão que observamos no Claude Opus 5, no Claude Fable 5.1 e no Astra. Ele virá com 1 milhão de tokens. Isso é interessante porque pode até ser bom, caso você consiga gerar uma aplicação inteira em um único prompt. Mas também pode haver problemas ao longo do caminho, por exemplo, entrar em repetição, levar mais tempo em tarefas demoradas para trazer o resultado e, às vezes, até alucinar mais. Se eles conseguiram fazer um

04:11 modelo que traz esse retorno, esse output grande, com velocidade e baixo nível de alucinação, tá? Aí é um grande feito deles, porque conseguem fazer o agent trabalhar na mesma sessão do LLM, sem precisar reenviar informações nem quebrá-las ao longo do loop agêntico. Vamos ver como isso vai funcionar na prática. E o motivo de não liberarem agora é, de fato, fazer escola com Dario Amodei, né? Eles estão reforçando as salvaguardas para lidar com riscos de ataques

04:41 cibernéticos, radiológicos, biológicos, químicos e até nucleares. Então, existe essa preocupação com os modelos de fronteira. Eles estão tentando ver como vão nerfar isso, basicamente, ou colocar salvaguardas para impedir que esses modelos sejam usados de maneira indevida. Agora, o modelo manda muito bem na defesa contra injeção de instruções ou prompt injection. O benchmark GraceOne IPI serve exatamente para medir isso. Quanto menor a nota aqui, menor a porcentagem, melhor é o modelo. Isso significa que um ataque não

05:12 conseguiria sequestrar o modelo para fazê-lo realizar o que o invasor quisesse. Vamos observar que, em uma ponta, você tem o Kimi 3, que está muito ruim aqui, seguido do Grok 4.6, que está bem parecido com o Kimi 3. Aí vem uma progressão: o GPT-6 Astra está com 8%; mais adiante, o Fable 5.1 está com 1%, empatado com o Opus 5.5. E agora o Argon, o Gemini 4, é o modelo que está liderando esse benchmark. Está muito bem, pelo menos nos benchmarks, na questão de não sofrer prompt injection, ou seja, de não permitir que você sequestre o modelo para fazê-lo realizar coisas que não deveria fazer.

05:44 É aqui que o déjà vu acaba. Apesar de o modelo ter toda essa preocupação meticulosa com segurança, ele vai, sim, ser lançado no mercado. Primeiro, vai chegar pela API para os membros Business e depois para os usuários do Google Ultra. Então, calma: para chegar ao seu Antigravity ainda tem um caminho pela frente. O que nos anima nesse lançamento? Se o modelo realmente for tudo isso, se estiver no nível do Astra ou do Fable, podemos estar vendo um salto real nos modelos Gemini da

06:17 Google. Ou seja, podemos ver um Gemini 4 Flash muito superior ao Gemini 3.8 Flash atual. E onde vejo pontos a melhorar, considerando o que observamos até agora nos modelos Gemini — pelo menos no 3.8 Flash — é o seguinte: eles têm bom desempenho. Você vai ver no DeepSWE que o Gemini 3.8 Flash tem bom desempenho por um custo baixo. Porém, precisa dar muitos passos para chegar ao mesmo resultado que outros players conseguem alcançar. Então, basicamente, o Gemini 4 Argon precisa resolver esse problema. Precisa ter bom desempenho

06:49 nas tarefas sem precisar dar muitos passos para executá-las, porque, caso contrário, não adianta ter um modelo muito bom se ele demora muito mais para alcançar o mesmo resultado que os outros modelos de fronteira estão alcançando. Quando estiver disponível para nós por API, por exemplo, terá um custo bem interessante. Ele vai custar 1 dólar por milhão de input tokens e 10 dólares por milhão de output tokens. Ou seja, é um modelo no nível do Astra, no nível do Fable — pelo menos é o que estão

07:19 anunciando —, mas com o custo do GPT 6.1 Sol, o que é bem interessante. E o custo por cache vai ficar em torno de 20 centavos de dólar, né? Um desconto de 95% em relação ao preço de input. Vai ficar 10 centavos mais caro que o custo de cache do GPT 6.1 Sol, mas, ainda assim, estamos falando de um modelo teoricamente de fronteira. Analisando o Artificial Analysis, vamos ver dois pontos interessantes. O primeiro é que o custo por tarefa do modelo é baixo: ele está sendo comparado com seus pares GPT-6 Astra e o

07:50 Fable 5.1 é o mais barato entre eles aqui. Do lado de lá, o que é interessante é que o Gemini 4 está empatando com o GPT-6 Astra também neste benchmark. Não é para ser o melhor de todos, não veio para ser o melhor de todos. Talvez essa fosse a intenção, mas o mercado também está avançando a passos largos. Ainda assim, ele não chega para ser um pária; está chegando bem colocado nestes benchmarks. E, por uma beiradinha na tabela de inteligência — o índice de inteligência versus custo por inteligência —, ele não ficava na fronteira de Pareto, né? Ele

08:21 está aqui, perdendo para o Opus 5 no modo high, ficando um pouco abaixo nesta comparação. Ou seja, o Opus 5 no modo high está entregando, pelo menos nesse índice, o equivalente ao que o Gemini 4 Argon vai entregar. Lembrando que o Gemini 4 Argon vai ter algumas travas, alguns guardrails; vai ter, digamos assim, um nerf antes de chegar ao mercado. Então pode ser que a gente não veja isso nele, mas talvez seja uma porta de

08:52 entrada para que o Google treine modelos melhores, como a própria OpenAI e a Anthropic estão fazendo. Eu quero saber de você: você acha que o Google chegou atrasado? Deixa aqui nos comentários qual é a sua expectativa em relação a isso. Uma estratégia semelhante à do Mythos é realmente adequada ou você acha que não? Que eles deveriam soltar isso no mercado de uma vez e a gente se vira para ver o que acontece? Quero saber sua opinião. No mais, eu sou o Vini. Estamos juntos. Aquele abraço e valeu.

Transcrição original

[00:00] Eu esperei muito para fazer esse vídeo, mas muito mesmo, assim como vocês também devem ter esperado. Gem 4 finalmente foi lançado, aliás, anunciado, porque parece que Darrio Amode e An Tropic estão fazendo escola. Esse modelo Gemn4 Argon ele chega para ser concorrente do Mitos e como um bom concorrente do Mitos, ele também não tá disponível para todo mundo. E eu só acredito que esse cara é bom o dia que ele tiver rodando lá no meu antigravity. Aí eu vou falar: “Cara, esse cara é bom ou não?” Mas por enquanto vamos analisar esse modelo, analisar esse lançamento e ver se a

[00:31] Google realmente estava preparando uma coisa para te surpreender. Bora. Olha a quantidade de lançamentos que aconteceram nas últimas semanas. É GPT 6.1, é o Sonet 5.5, OPO 5.5 e fica muito difícil você conseguir se manter atualizado, estudar tudo isso, mas ao mesmo tempo o mercado exige isso. As pessoas estão querendo cada vez mais pessoas habilitadas e capacitadas em usar IA para desenvolver software e para trabalhar no dia a dia sem hype. Por isso, eu resolvi gravar uma aula gratuita para ajudar você a entender como você pode usar a própria

[01:02] inteligência artificial para aprender melhor. O link tá aqui na descrição e também no primeiro comentário fixado. Te vejo lá. Para quem acompanhou aqui no canal o lançamento do mitos, vocês vão ver que esse vídeo ele é um pouco de dejavu. Literalmente quando eu falo que o Dara Modi tá fazendo escola, olha bem o que tá acontecendo. A Google Deep Mind lançou o programa Fairwind Program. Que que é esse programa? Basicamente ele é o projeto Glass Wing, só que da Google. Projeto Classwing foi quando lançaram mitos, falaram para você: “Olha, esse esse modelo é tão perigoso, mas tão perigoso, que somente algumas empresas

[01:33] vão ter acesso. Para quê? Porque a gente tem medo de que outras pessoas com modelos equivalentes possam causar mal à humanidade. Então a gente vai liberar paraa WS, para Antropic, para Apple, para Broadc, Cisco, Crow Strike, Google, Jap Morgan, entre outras empresas. Para quê? Para que eles se preparem pra onda de modelos de alto nível que estão chegando. Só que isso, galera, foi há 5 meses atrás, tá? O projeto Glass Wing aqui do Mitos. E aí agora o projeto, né, o Fair Wind Programs da do Google Deep Mind vem dentro da mesma ideia, tipo, ah, a gente é um modelo muito perigoso e

[02:05] aí é importante que você tenha somente pessoas de confiança usando esse modelo. Pontos interessantes que vocês vão observar desse lançamento, ele vem de fato para ficar no pário, pelo menos na briga ali, tá, da fronteira. Você vai observar isso dentro dos benchmarks com destaque especial para o Deep SWE, aonde ele tá tirando 77.9% 9% nos pontos aqui eh de resultado, sendo até até então nos melhores modelos. Chegando próximo aqui, você vai ver o modelo do GPT 6.1 Sol,

[02:36] que tá com 75.2%. Só que chama atenção o seguinte, isso aqui eu acho que vai ser uma tarefa para o pessoal da Google conseguir resolver. Atualmente GPT 6.1 Sol atinge esse resultado no DipsW custando 65 centavos de dólar por tarefa. Beleza? Então a gente tem que entender como é que vai funcionar isso aqui lá também pro pro Gemn 4 Argon da Google. Dentro de outros benchmarks você vai ver que ele tá performando bem, que tá tendo bons resultados. A gente sabe que geralmente modelos da Google mandam bem benchmark,

[03:08] não necessariamente são os melhores, então a gente precisa testar. Então, quando tiver lá no an gravity, aí sim dá pra gente falar se esse modelo é bom ou não, mas já dá para tirar um pouquinho do cavalo da chuva que esse modelo não vai estar liberado para você ainda. Basicamente o que rolou é um anúncio de também temos um modelo tão quanto o Mitos, mas você não vai ter esse acesso ainda. A grande diferença, na verdade, imensa diferença entre os modelos de mercado hoje que a gente vai observar é isso aqui, ó, 1 milhão de tokens de saída. Então, basicamente esse modelo do

[03:39] Gem 4 Argon, ele tá trazendo a promessa que não vão ser os 128.000 tokens de saída padrão que a gente observa ali no Cloud Opus 5. No Cloud Fable 5.1 e no Astra. Ele vai tá vindo com 1 milhão de tokens. E isso é interessante por pode ser até bom, no caso, você conseguir gerar uma aplicação inteira em um prompt só, mas pode ter problemas também durante o caminho, por exemplo, entrar em repetição, tarefas mais demoradas, demorar mais tempo para te trazer o resultado e às vezes até mesmo alucinar mais. Se eles conseguiram fazer um

[04:11] modelo que traz esse retorno, esse output grande, com velocidade e com um nível de alucinação baixo, tá? Aí é um grande um grande feito por eles mesmo, porque eles conseguem que o agente trabalhe dentro da mesma sessão do LLM, sem precisar de ficar reenviando, sem precisar de ficar quebrando a informação no caminho no loop agêntico. Vamos ver como é que vai ser isso na prática. E o motivo de não liberarem agora é de fato escola Daro Mod, né? Eles estão reforçando os guard rails, né? ou as salvaguardas em português para realmente em relação a riscos de ataques

[04:41] cibernéticos, radiológicos, biológicos, químicos e até nucleares. Então existe essa preocupação com os modelos de fronteira. Eles estão tentando ver como é que eles vão nerfar basicamente isso ou colocar guard rails para travar que esses modelos sejam usados de maneira indevida. Agora, o modelo manda muito bem na questão de defesa contra injeção de instruções ou promptions. Esse benchmark do Grace One IPI, ele vem para medir exatamente isso. Quanto menor a nota aqui, menor a porcentagem, melhor é o modelo. Significa que um ataque não

[05:12] conseguiria sequestrar o modelo para fazer o que o ataque Cant quisesse. A gente vai observar que de uma ponta você tem o química 3, que tá muito ruim aqui, seguido do Grock 4.6, que tá bem parecido com química 3. E aí você vem numa progressão aonde você tem o GPT6 Astra com 8%, você vai ter lá na frente o Fable 5.1 com 1%, empatando com op 5.5 e aí o Argon agora, o Gemine 4, Argon sendo o cara que tá levando esse benchmark, tá muito bem, pelo menos a nível de benchmark nessa questão de o modelo não sofrer prompt injection, você

[05:44] não conseguir sequestrar o modelo para fazer coisas que ele não deveria fazer. Aqui é onde o dejavô acaba. Apesar do modelo ter toda essa questão meticulosa de segurança, é um modelo que vai sim ser lançado pro mercado. Vai começar primeiro pela API dos membros Business e depois pros usuários do Google Ultra. Então calma que para chegar aí no seu anti Grapity ainda tem uma trajetória. O que que anima a gente e observar esse lançamento? Se o modelo realmente for isso tudo, se ele for um nível Astra ou um nível Fable, a gente pode estar vendo um salto real nos modelos da Gemini da

[06:17] Google. Ou seja, você pode ver um Gem 4 flash muito superior ao Gem 3.8 flash atual. E aí, aonde que eu vejo que tem pontos de melhoria do que a gente observou até agora dos modelos Gemini, pelo menos os 3.8 flash, eles são modelos que performam bem. Você vai ver lá no DPSW, Gem 3.8 flash performa bem por um custo barato, porém ele precisa fazer muitos passos para chegar no mesmo resultado que outros players conseguem chegar. Então, basicamente, o Gem 4 Argumon, ele precisa resolver esse problema. Ele precisa conseguir ir bem

[06:49] nas tarefas, mas sem precisar de fazer muitos passos para conseguir executar elas, porque do contrário, não adianta você ter um modelo muito bom, mas que ele demora muito mais tempo para conseguir alcançar o mesmo resultado que os outros modelos de fronteira estão alcançando. Quando ele ficar disponível pra gente por API, por exemplo, ele tem um custo bem interessante. Ele tá saindo a para cada milhão de input tokens e 10 para cada milhão de output tokens. Ou seja, ele é um modelo nível Astra, nível Fable, pelo menos é o que eles estão

[07:19] anunciando, mas que vai ter custo de GPT 6.1 só, o que é bem interessante. E o custo por cash vai ficar ali mais ou menos 20 centavos de dólar, né? 95% off em relação ao preço de input. Ele vai ficar 10 centavos mais caro que o custo de cash do GPT 6.1 Sol, mas ainda assim a gente tá falando que um modelo teoricamente de fronteira. Olhando pro artificial análisis, a gente vai ver dois pontos interessantes. O primeiro é que o custo por tarefa do modelo tá baixo, ele tá comparando com seus pares GPT6 Astra e o

[07:50] Fable 5.1, ele tá mais barato entre eles aqui. Do lado de lá, o que tá interessante é que o Gemn 4 tá empatando com o GPT6 Astra também aqui no benchmark. Não é para ser o melhor de todos, não veio para ser o melhor de todos. Talvez era a intenção, mas o mercado também tá avançando a passos largos, mas ele não chega também para ser um pária, ele tá chegando bem colocado aqui dentro desses benchmarks. E por uma beadinha aqui no na tabela de inteligência, o índice de inteligência versus custo por inteligência, ele não ficava aqui na fronteira Pareto, né? Ele

[08:21] tá aqui perdendo para o Oppo 5. No modo high. que ele tá ficando abaixo, pouco abaixo aqui dentro dessa comparação. Ou seja, o OPO 5. No modo high, ele tá entregando, pelo menos nesse índice o equivalente ao que o GM 4 Argon vai entregar. Lembrando que GN4 Argon vai ter algumas travas, alguns guard rails, vai ter, vamos dizer assim, um nerf dentro dele antes de chegar no mercado. Então pode ser que a gente não veja isso aqui nele, mas talvez seja uma porta de

[08:52] entrada para que a Google treine modelos melhores como a própria Openi e a Antropic estão fazendo. Eu quero saber de você, você acha que a Google chegou atrasado? Deixa aqui nos comentários qual a sua expectativa disso. Uma estratégia semelhante a do mitos é realmente adequada ou você acha que não? Que eles deveriam soltar isso no mercado de uma vez e a gente se virá para ver o que que acontece? Quero saber sua opinião. No mais, eu sou o Vini. tamos junto. Aquele abraço e valeu.