Google: Gemini 4 Argon
google/gemini-4-argon
Nossa análise
Análise com auxílio de IA baseada nas fontes abaixo. A adequação é uma avaliação editorial; teste com suas próprias tarefas.
De acordo com sua página no catálogo da OpenRouter, google/gemini-4-argon é um modelo de raciocínio carro-chefe do Google voltado para engenharia de software complexa, resolução de problemas matemáticos e científicos e agentes autônomos de várias etapas. Ele aceita entradas de texto, imagem, arquivos, áudio e vídeo e retorna texto, com uma janela de contexto listada de cerca de um milhão de tokens. O raciocínio é obrigatório, com níveis de esforço selecionáveis. O catálogo reporta resultados do Design Arena que variam por categoria e um índice de inteligência da Artificial Analysis, mas não havia um model card independente disponível neste pacote de fontes.[1]
Pontos fortes
- O catálogo lista suporte a entradas multimodais (texto, imagem, arquivos, áudio e vídeo) com saída em texto e uma janela de contexto de cerca de um milhão de tokens.[1]
- O esforço de raciocínio é configurável nos níveis baixo, médio e alto, e o catálogo lista uso de ferramentas, saídas estruturadas, seed e outros parâmetros de ajuste.[1]
- As entradas medidas do Design Arena no catálogo reportam taxas de vitória mais altas nas categorias de 3D e desenvolvimento de jogos do que em tarefas de planilhas.[1]
Limitações
- Toda a evidência aqui vem de uma única página do catálogo da OpenRouter; não havia um model card independente disponível neste pacote de fontes, portanto capacidades e resultados devem ser validados em cargas de trabalho reais.[1]
- O catálogo marca o raciocínio como obrigatório, de modo que ele não pode ser totalmente desativado, o que pode afetar latência e custo em tarefas simples.[1]
- Os resultados de arena reportados foram desiguais entre categorias, com uma taxa de vitória notavelmente baixa em tarefas de planilhas, e o catálogo não informa data de corte de conhecimento.[1]
Onde usar
- Vale avaliar para engenharia de software complexa e fluxos de agentes autônomos de várias etapas, que a descrição do catálogo aponta como seu foco, junto aos parâmetros de uso de ferramentas listados.[1]
- Opção em potencial para resolução de problemas matemáticos e científicos em que um esforço de raciocínio ajustável seja útil.[1]
- Candidato a pipelines multimodais que ingerem imagens, arquivos, áudio ou vídeo e exigem saída em texto, dadas as modalidades catalogadas.[1]
Fontes
- [1] OpenRouter catalog · Google: Gemini 4 ArgonFontes consultadas: 13 de nov. de 2026
Sobre este modelo
A descrição abaixo é o texto original fornecido pelo OpenRouter, no idioma da fonte.
Gemini 4 Argon is Google's flagship reasoning model, built for complex software engineering, deep mathematical and scientific problem solving, and autonomous multi-step agents. Google trained it to keep context across...
Especificações
- ID do modelo
- google/gemini-4-argon
- ID canônico
- google/gemini-4-argon-20261013
- Criador
- Adicionado ao OpenRouter
- 13.10.2026
- Comprimento de contexto
- 1,048,576
- Modalidade
- text+image+file+audio+video->text
- Modalidades de entrada
- audio, file, image, text, video
- Modalidades de saída
- text
- Preço por token
- USD por 1M de tokens: entrada $2 / saída $10
- Corte de conhecimento
- —
- Data de expiração
- —
Tarefas e capacidades
Uma nota aparece apenas quando a fonte fornece uma medição correspondente para aquela tarefa, o modelo está ativo e a coorte tem pelo menos 10 modelos comparáveis. A coluna de capacidade lista fatos declarados pela fonte — formatos compatíveis, raciocínio e parâmetros de ferramentas — que não são qualidade medida.
| Tarefa | Nota | Capacidade declarada pela fonte |
|---|---|---|
| Qualidade geral | AA — próximos 20% da coorte | raciocínio: obrigatório · padrão medium · esforços: high, medium, low · parâmetros: include_reasoning, reasoning, reasoning_effort |
| Programação | Sem medição | — |
| Agentes | Sem medição | parâmetros: structured_outputs, tool_choice, tools |
| Escrita | Sem medição | saída: text |
| Raciocínio | Sem medição | raciocínio: obrigatório · padrão medium · esforços: high, medium, low · parâmetros: include_reasoning, reasoning, reasoning_effort |
| Análise de documentos | Sem medição | entrada: file |
| Visão | Sem medição | entrada: image |
| Geração de imagens | Sem medição | — |
| Áudio | Sem medição | entrada: audio |
| Vídeo | Sem medição | entrada: video |
| Embeddings | Sem medição | — |
Avaliações
| Fonte | Benchmark | Valor | Nota | Dados obtidos |
|---|---|---|---|---|
| Artificial Analysis | Intelligence index | 50.4 | AA — próximos 20% da coorte | 13.11.2026 |
| Design Arena | agents · agenticgamedevtaxa de vitória 51.1% · posição 1 | 1,265Elo | SS — top 10% da coorte | 13.11.2026 |
| Design Arena | agents · blender3dtaxa de vitória 65.7% · posição 1 | 1,378Elo | SS — top 10% da coorte | 13.11.2026 |
| Design Arena | agents · pdftaxa de vitória 69.2% · posição 4 | 1,298Elo | AA — próximos 20% da coorte | 13.11.2026 |
| Design Arena | agents · spreadsheettaxa de vitória 33.9% · posição 11 | 1,203Elo | BB — próximos 30% da coorte | 13.11.2026 |
| Design Arena | models · 3dtaxa de vitória 49.8% · posição 11 | 1,356Elo | SS — top 10% da coorte | 13.11.2026 |
| Design Arena | models · codecategoriestaxa de vitória 53.5% · posição 11 | 1,327Elo | SS — top 10% da coorte | 13.11.2026 |
| Design Arena | models · dataviztaxa de vitória 60.5% · posição 10 | 1,326Elo | SS — top 10% da coorte | 13.11.2026 |
| Design Arena | models · gamedevtaxa de vitória 53.5% · posição 8 | 1,362Elo | SS — top 10% da coorte | 13.11.2026 |
| Design Arena | models · svgtaxa de vitória 62% · posição 1 | 1,336Elo | SS — top 10% da coorte | 13.11.2026 |
| Design Arena | models · uicomponenttaxa de vitória 58.4% · posição 11 | 1,336Elo | SS — top 10% da coorte | 13.11.2026 |
| Design Arena | models · websitetaxa de vitória 55.5% · posição 7 | 1,317Elo | SS — top 10% da coorte | 13.11.2026 |
Como funcionam as notas
Cada nota compara um modelo apenas com outros modelos avaliados pela mesma fonte e métrica no snapshot atual. S é o top 10%, A os 20% seguintes, B os 30% seguintes e C o restante. Modelos sem medição publicada aparecem como não avaliados — um formato compatível nunca implica qualidade medida.
- S — S — top 10% da coorte
- A — A — próximos 20% da coorte
- B — B — próximos 30% da coorte
- C — C — abaixo da faixa B
Provedores
Estatísticas opcionais de provedores ao vivo do OpenRouter. Valores ausentes são desconhecidos, não zero.
| Provedor | Comprimento de contexto | Preço entrada /1M | Preço saída /1M | Latência p50 (30m, s) | Taxa p50 (30m, tok/s) | Disponibilidade (30m) |
|---|---|---|---|---|---|---|
| Google AI Studio | 1,048,576 | $1 | $5 | — | — | 100% |
| 1,048,576 | $2 | $10 | — | — | 100% | |
| Google AI Studio | 1,048,576 | $2 | $10 | — | — | 0% |
| 1,048,576 | $2.2 | $11 | — | — | 100% | |
| 1,048,576 | $3.6 | $18 | — | — | 100% | |
| Google AI Studio | 1,048,576 | $3.6 | $18 | — | — | 100% |
Dados de provedores obtidos: 13.11.2026
Artigos relacionados
- Google apresenta Gemini 4 Hydrogen, modelo rápido para trabalho cotidiano e fluxos agênticosO Google lança o Gemini 4 Hydrogen, modelo focado em velocidade para programação e trabalho agêntico, no app Gemini, Search, AI Studio, Gemini API e superfícies empresariais.
- Google lança Gemini 4 Carbon, seu modelo mais forte para cibersegurança e trabalho agênticoO Google abriu acesso ao Gemini 4 Carbon por meio de sua API e assinaturas do Google AI Ultra, citando resultados de benchmark líderes em fluxos de trabalho agênticos, cibersegurança e raciocínio científico.
- Google DeepMind e Artificial Analysis apresentam o MKA, um benchmark para trabalho de agentes com base visualO MKA é um benchmark de 200 tarefas que mede se agentes de IA conseguem extrair evidências decisivas de blueprints, digitalizações e gráficos e transformá-las em entregáveis profissionais.