As janelas de contexto costumavam ser a corrida. O Gemini 4 Argon desloca a atenção para a outra ponta do modelo: quanto ele consegue produzir de uma só vez. Em 30 de setembro, o Google DeepMind apresentou o Argon com um limite de saída de um milhão de tokens, contra 64.000 antes. Isso é uma resposta do tamanho de um livro. A pergunta mais interessante para o marketing é que tipo de trabalho precisa disso.
O que aconteceu
No anúncio do Google, Koray Kavukcuoglu descreve o Argon como o modelo de fronteira do Google “para programação no mundo real, trabalho do conhecimento corporativo e ciberdefesa”. O limite de tokens de saída sobe para 1M, e o modelo foi projetado para tarefas longas e de várias etapas em engenharia de software, trabalho jurídico e financeiro e cibersegurança, com forte compreensão visual, como análise de gráficos e compreensão de vídeos longos.
O lançamento é incomum. O Argon vai primeiro para um grupo de ciberdefensores de confiança por meio do Fairwind Program do Google, com acesso mais amplo previsto para desenvolvedores, empresas e consumidores, começando pelos clientes pagantes da API e pelos assinantes do Google AI Ultra. O preço promocional é de US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída, subindo para US$ 4 e US$ 20 após o período promocional, com desconto de 95% na entrada em cache.
O Google lista resultados de benchmarks, incluindo 77,9% no DeepSWE v1.1 e 91,7% no benchmark de vídeos longos LVBench, e descreve usos internos, como grandes migrações de código. Também descreve medidas de segurança, incluindo monitoramento de uso indevido e desalinhamento e resiliência contra injeção indireta de prompts. Esses resultados são do próprio Google.
Por que isso importa
Um milhão de tokens de saída não tem a ver com escrever posts de blog mais longos. Saídas longas importam quando o trabalho é produzir um artefato completo em uma única passagem coerente: uma migração de código inteira, um conjunto de contratos, um grande conjunto de dados estruturados. No marketing, os equivalentes mais próximos são coisas como reescrever um feed de produtos inteiro, localizar um site completo ou criar uma biblioteca de campanha com centenas de variantes coordenadas.
A compreensão de vídeos longos é, para mim, a capacidade de utilidade mais imediata. O vídeo domina as plataformas sociais, e a maioria das marcas ainda o analisa assistindo a amostras e fazendo anotações. Um modelo capaz de ler vídeos longos de forma confiável, em escala, abre caminho para análises de concorrentes e de categoria que antes eram impossíveis de fazer com profundidade.
E o lançamento com prioridade para cibersegurança é um sinal de onde os laboratórios de fronteira acham que está o risco. Quando um laboratório dá acesso aos defensores antes de todos, está dizendo que o modelo é capaz o suficiente para importar também para os atacantes.
O que minha pesquisa diz
Boa parte da minha pesquisa tratou de multimídia social, e não apenas de texto. No começo, construímos o bBridge (ACM Multimedia 2016), uma plataforma de big data para analisar multimídia social entre redes. Mais recentemente, em SOEX: Explainable AI for Competitor Communications Analytics (WWW 2025 Companion), nos concentramos em explicar o que os concorrentes comunicam e por que funciona.
A lição desse trabalho é que a escala da análise é só metade do problema. Um modelo capaz de assistir a mil vídeos de concorrentes ainda precisa responder às perguntas que importam para um estrategista: quais mensagens se repetem, quais performam, a qual público se dirigem e que lacuna fica em aberto. Modelos de contexto longo e de saída longa tornam a leitura e a escrita mais baratas. O enquadramento e a validação continuam sendo a contribuição humana, apoiada por dados de desempenho.
Eu acrescentaria uma cautela. Saídas muito longas são difíceis de verificar. Um documento gerado de 200 páginas pode estar 98% certo e ainda conter a única afirmação que vai lhe causar problemas. Quanto mais longa a saída, mais você precisa de estrutura, amostragem e verificações automatizadas.
Como eu usaria um modelo de longo horizonte no marketing
- Auditorias de vídeo da categoria. Peça conclusões estruturadas sobre um conjunto completo de vídeos de concorrentes: ganchos, alegações, formatos, chamadas para ação. Depois, valide uma amostra manualmente.
- Bibliotecas de ativos coordenadas. Gere um conjunto completo de variantes para uma campanha em uma única passagem, para que o tom e as alegações fiquem consistentes, e revise-as com um checklist.
- Rascunhos de localização do site inteiro. Produza rascunhos completos para novos mercados e peça a revisores nativos que verifiquem primeiro as páginas de maior tráfego.
- Documentos longos com índice. Exija que o modelo produza uma tabela de afirmações com fontes, para que humanos possam verificar rapidamente as partes arriscadas.
O número de destaque do Argon impressiona. O valor para o marketing virá de combinar essa capacidade com a disciplina de verificar o que sai dela.
Perguntas frequentes
O que é o Gemini 4 Argon?
É o modelo de fronteira do Google DeepMind apresentado em 30 de setembro de 2026 para programação no mundo real, trabalho do conhecimento corporativo e ciberdefesa, com limite de saída de 1 milhão de tokens, contra 64.000 antes.
Quem pode usar o Gemini 4 Argon primeiro?
O Google diz que o lançamento começa por ciberdefensores de confiança, por meio do seu Fairwind Program, com liberação mais ampla prevista para desenvolvedores, empresas e consumidores, começando pelos clientes pagantes da API e pelos assinantes do Google AI Ultra.
Quanto custa o Gemini 4 Argon?
O Google informa preço promocional de US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída, subindo para US$ 4 e US$ 20 após o período promocional, com desconto de 95% nos tokens de entrada em cache.
Fontes
- Gemini 4 Argon: our next era of frontier intelligence — Google (The Keyword), 30 September 2026