Gemini 4 Argon chega perto do topo da IA geral, mas cai longe em matemática e código

# Gemini 4 Argon chega perto do topo da IA geral, mas cai longe em matemática e código

O novo modelo do Google DeepMind marcou 97,5% no ARC-AGI-3, o benchmark considerado mais difícil de inteligência geral, mas o resultado despenca para quase metade quando o teste roda sem os recursos específicos da API do Google.

O novo modelo do Google DeepMind marcou 97,5% no ARC-AGI-3, o benchmark considerado mais difícil de inteligência geral, mas o resultado despenca para quase metade quando o teste roda sem os recursos específicos da API do Google.

Nota da redação: este artigo se baseia integralmente na cobertura do site The Decoder sobre anúncios do Google DeepMind e da Epoch AI; a redação não teve acesso direto aos dados primários da ARC Prize ou da Epoch AI para conferência independente. As posições do Gemini 4 Argon em matemática (Math ECI) e engenharia de software (SWE ECI) são descritas pela própria Epoch AI como "estimativa preliminar" e podem mudar.

O Google DeepMind anunciou, em 16 de outubro de 2026, que seu modelo mais recente, o Gemini 4 Argon, marcou 97,5% no ARC-AGI-3, segundo o The Decoder. O ARC-AGI-3 é um benchmark criado pela organização ARC Prize, cofundada pelo pesquisador François Chollet, para medir capacidade geral de resolução de problemas por meio de jogos interativos. É considerado hoje um dos testes mais difíceis para avaliar se um modelo raciocina de forma genérica, e não só repete padrões vistos no treino.

Com essa nota, o Google se torna o segundo laboratório, depois da OpenAI, a ultrapassar a marca de 95% no ARC-AGI-3. Só o GPT-6 Astra, da OpenAI, pontua mais alto, com 99,9%. Em versões mais antigas do benchmark, Argon também foi bem: 91,3% no ARC-AGI-2 (a um custo de 0,32 dólar por tarefa) e 98,5% no ARC-AGI-1 (0,16 dólar por tarefa), usando o preço de lançamento de 2 dólares por milhão de tokens de entrada e 10 dólares por milhão de tokens de saída.

Nos 25 jogos públicos do ARC-AGI-3, Argon precisou de 62% menos ações do que a média humana para completar as tarefas, o mesmo desempenho do GPT-6 Astra. O modelo do Google igualou ou bateu o recorde de velocidade em três jogos e chegou a 10% do melhor tempo em outros seis.

O detalhe que muda tudo: como o teste foi configurado

O número de 97,5% saiu de um ambiente chamado "Provider Adapter Harness", que custou 4.800 dólares para rodar e usa recursos específicos da API do Google, como manter o raciocínio interno do modelo entre as rodadas (retained reasoning) e compactar o contexto de forma inteligente (context compaction). Esses recursos dão ao modelo mais memória de curto prazo durante o teste, o que ajuda bastante em jogos que exigem planejamento ao longo de várias etapas.

Quando o mesmo modelo roda no "Standard Harness", um ambiente que só permite anotações simples entre rodadas e não preserva esse raciocínio interno, a pontuação de Argon despenca para 49,8% em modo de raciocínio baixo, a um custo de 5.800 dólares. É quase metade do resultado anunciado como manchete.

Esse gap não é exclusividade do Google. Ele reproduz uma disputa que já havia acontecido em julho de 2026, quando o GPT-5.6 Sol, da OpenAI, bateu o Claude Opus 5, da Anthropic, no mesmo benchmark usando duas configurações de API diferentes, segundo o The Decoder.

O precedente de julho que mudou as regras do teste

Naquele episódio, o GPT-5.6 Sol marcou apenas 7,8% no ambiente padrão, que descarta o raciocínio interno a cada ação e usava uma interface mais antiga, sem os recursos novos da API da Anthropic. Isso significava que o Claude estava sendo testado em condições diferentes das do GPT-5.6.

Quando a OpenAI testou seu próprio modelo com a Responses API, incluindo retained reasoning e compaction, o resultado saltou para 38,3%, superando o Opus 5, que ficou em 30,2%. A OpenAI argumentou que todo benchmark também mede o ambiente técnico em que roda, não só o modelo puro. Chollet, cofundador da ARC Prize, acabou aceitando esse argumento e passou a permitir configurações de API gerais e publicamente disponíveis para qualquer laboratório.

É esse mesmo tipo de configuração generosa que produziu o 97,5% de Argon. O número é real, mas descreve o modelo somado ao melhor aparato de avaliação disponível, não a capacidade básica do modelo isolada.

Nem todos os jogos foram concluídos

No Standard Harness, problemas de API impediram Argon de completar os 55 jogos do conjunto, segundo os responsáveis pelo teste. Em modo de raciocínio baixo, o modelo terminou 42 jogos (49,8%); em modo médio, terminou 46 jogos (46,3%). No nível mais alto de raciocínio, completou só 19 jogos, e por isso a ARC Prize nem chegou a publicar uma nota para essa configuração.

Os resultados divulgados ainda assim cobrem os 55 jogos, porque incluem pontos parciais das rodadas que não foram concluídas. Para quem decide com base nesse tipo de ranking, vale notar: um benchmark de ponta como o ARC-AGI-3 carrega notas de rodapé técnicas que não aparecem no número isolado que circula nas manchetes.

Fora do ARC-AGI-3, o quadro muda: matemática e código ficam para trás

O instituto de pesquisa Epoch AI acompanha o progresso dos modelos por outro caminho: o Epoch Capabilities Index (ECI), que combina mais de 50 benchmarks numa única escala de capacidade, de forma parecida com o índice principal da Artificial Analysis. Nessa métrica, Argon somou 165 pontos, empatando com o Fable 5.1 e ficando logo atrás do Opus 5.5 (167) e do GPT-6 Astra (166).

É a aproximação mais forte do Google com a fronteira da IA desde o Gemini 3.1 Pro, em fevereiro de 2026, e um salto considerável sobre o Gemini 3.8 Flash, que tinha 157 pontos. Artificial Analysis e Vals.ai confirmaram essa mesma tendência de alta em suas próprias medições, segundo o The Decoder.

O desempenho, porém, não é uniforme entre as áreas:

O que muda para quem escolhe modelo

Para quem decide qual modelo colocar num agente ou numa pipeline de produção, dois cuidados ficam claros neste caso. Primeiro, benchmark de propósito geral como o ARC-AGI-3 mede raciocínio amplo, não desempenho em tarefas de código ou matemática: o fato de Argon se aproximar do topo nesse teste não significa que ele seja a melhor escolha para gerar ou revisar código, área em que aparece só em sexto lugar segundo a Epoch AI.

Segundo, antes de confiar num número de benchmark para decidir entre modelos, vale checar qual harness (ambiente de teste) foi usado. A diferença entre 97,5% e 49,8% no mesmo modelo, dependendo só da configuração de API, mostra que comparar números de fontes diferentes sem saber o ambiente de cada uma pode levar a uma escolha errada. Isso vale tanto para quem lê um post de benchmark quanto para quem monta sua própria avaliação interna antes de trocar de modelo em produção.

O custo também entra na conta: rodar Argon no ambiente mais generoso custou 4.800 dólares, e no ambiente padrão, 5.800 dólares, mesmo com pontuação bem mais baixa. Para times que avaliam modelos por custo por tarefa, o preço de lançamento de 2 dólares por milhão de tokens de entrada e 10 dólares por milhão de saída ainda é o número mais direto para orçar uso em escala, mais confiável do que o custo de rodar um benchmark específico uma única vez.

Fonte 1: The Decoder (https://the-decoder.com/googles-gemini-4-argon-is-closer-to-the-ai-frontier-than-any-google-model-in-months/)

Google's Gemini 4 Argon is closer to the AI frontier than any Google model in months

Matthias Bastian, 16 de outubro de 2026

Google Deepmind é o segundo grande laboratório de IA a ultrapassar 95% no benchmark ARC-AGI-3. Mas os resultados dependem fortemente do método de teste, e Argon fica atrás dos rivais em matemática e engenharia de software, segundo a Epoch AI.

O novo modelo de fronteira do Google Deepmind, Gemini 4 Argon, marcou 97,5% no ARC-AGI-3 a um custo de 4.800 dólares usando o "Provider Adapter Harness", uma configuração de teste que usa recursos específicos do fornecedor, como retained reasoning e context compaction. Segundo a ARC Prize, o Google é agora o segundo laboratório de IA, depois da OpenAI, a ultrapassar a marca de 95%, considerada o teste mais difícil de resolução geral de problemas. Só o GPT-6 Astra pontua mais alto, com 99,9%.

Assim como o Astra, o Argon precisou de 62% menos ações do que a linha de base humana nos 25 jogos públicos. Igualou ou bateu o recorde de velocidade em três jogos e chegou a 10% do melhor tempo em outros seis. Em versões mais antigas do benchmark, Argon marcou 91,3% no ARC-AGI-2 (0,32 dólar por tarefa) e 98,5% no ARC-AGI-1 (0,16 dólar por tarefa), com base no preço de lançamento de 2 dólares por milhão de tokens de entrada e 10 dólares por milhão de saída.

Os resultados de benchmark dependem fortemente da configuração do teste

No "Standard Harness", que só permite anotações simples entre rodadas, Argon cai para 49,8% em raciocínio baixo, por 5.800 dólares. Essa diferença remonta a uma disputa de julho de 2026, quando o GPT-5.6 Sol, da OpenAI, bateu o Claude Opus 5 no ARC-AGI-3 usando duas configurações de API.

O GPT-5.6 Sol marcou apenas 7,8% no ambiente padrão, que descarta o raciocínio interno a cada ação e usava uma interface mais antiga, sem os recursos mais novos da API do Claude. Isso significava que o Claude foi testado em condições diferentes das do GPT-5.6. Quando testado com a própria Responses API da OpenAI, incluindo "Retained Reasoning" e "Compaction" inteligente de contexto, o modelo saltou para 38,3% e superou o Opus 5, que ficou em 30,2%. A OpenAI argumentou que benchmarks sempre medem também o ambiente técnico. O cofundador da ARC Prize, François Chollet, passou então a permitir configurações de API gerais e publicamente disponíveis.

Problemas de API também impediram o Argon de completar todos os 55 jogos no Standard Harness, segundo os responsáveis pelo teste. Em raciocínio baixo, o sistema terminou 42 jogos (49,8%); em médio, 46 (46,3%). No nível mais alto, completou só 19 jogos, por isso a ARC Prize não publicou uma nota para essa configuração. Os resultados divulgados ainda cobrem os 55 jogos, incluindo pontos parciais de rodadas abortadas.

Argon reduz a distância, mas fica atrás em matemática e código

O instituto de pesquisa Epoch AI também acompanhou o progresso do Google. Argon marcou 165 pontos no Epoch Capabilities Index (ECI), empatando com o Fable 5.1 e ficando logo atrás do Opus 5.5 (167) e do GPT-6 Astra (166). O ECI combina mais de 50 benchmarks numa única escala de capacidade, de forma parecida com o índice principal da Artificial Analysis.

Com 165 pontos no ECI, o Google está mais perto da fronteira atual da IA, liderada por GPT-6 Astra (166) e Opus 5.5 (167), do que em qualquer momento desde o Gemini 3.1 Pro, em fevereiro de 2026. Argon avança bem à frente do Gemini 3.8 Flash (157 pontos) e aproxima o Google do topo como não acontecia desde fevereiro. Artificial Analysis e Vals.ai confirmaram essa tendência anteriormente.

O desempenho varia por área, porém. Segundo a Epoch AI, o Argon lidera vários benchmarks de conhecimento, agentes e visão, mas estimativas preliminares o colocam em oitavo no Math ECI e em sexto no Software Engineering Index (SWE ECI).

Fonte: Epoch AI | ARC Prize.

Fonte: The Decoder