Gemini 4 Argon para Agentes de Programação: Configuração, Custos e Quais Tarefas Direcionar

O Gemini 4 Argon está disponível publicamente desde 13 de outubro de 2026 como gemini-4-argon, um modelo estável no plano pago da Gemini API. Assinantes do Google AI Pro e Ultra também têm acesso a ele no aplicativo do Gemini, e assinantes do Ultra, no Antigravity. Não há plano de API gratuito. Para um agente de programação baseado no Gemini 4 Argon, os números confirmados são uma janela de contexto de 1.048.576 tokens compartilhada entre entrada, raciocínio (thinking) e saída; limite padrão de 65.536 tokens de saída por requisição, chegando a cerca de 1M no modo em segundo plano; liderança no benchmark de programação DeepSWE v1.1 com 77,9%; desvantagem no Terminal-bench 4.0 e no FrontierSWE v2; e custo de US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída até 30 de novembro, passando para US$ 4 e US$ 20 a partir de 1º de dezembro.

A grande questão já não é o acesso, mas o impacto que um novo modelo de ponta causa no seu quadro de trabalho: a equipe fica tentada a reestruturar tudo em torno dele, gerando uma semana de incerteza sobre qual agente está rodando o quê. Se você já tem um Gemini Agent executando Tarefas reais em um modelo de confiança, migrar para o Argon requer apenas alterar um único valor em um Computador e rodar uma Tarefa de teste para comparar com a anterior. Há uma ressalva essencial que norteia este guia: o Google não declarou oficialmente que o Gemini CLI oferece suporte ao Argon, portanto você deve validar o funcionamento no seu próprio Computador antes de atribuir uma Tarefa a ele.

TL;DR

Instale o Gemini CLI em um Computador conectado e autentique-o com uma chave de API paga do Gemini, uma chave da Gemini Enterprise Agent Platform ou uma licença do Code Assist Standard ou Enterprise; contas Google pessoais perderam o acesso ao Gemini CLI em 18 de junho, e uma assinatura Pro ou Ultra não funciona como chave de API. Confirme se o Runtime exibe o status Disponível (Available), crie um Agente nele e fixe o modelo em gemini-3.8-flash. Em seguida, altere esse valor para gemini-4-argon, execute um smoke test rápido de uma linha, faça uma nova verificação (rescan), execute uma Tarefa já rodada anteriormente e compare os resultados. Faça o roteamento com base nos dados do benchmark, não pelo hype das manchetes.

O que está confirmado e o que não está

Situação em 15 de outubro de 2026: o Google anunciou o Argon em 30 de setembro para um grupo de parceiros de segurança cibernética no âmbito do Programa Fairwind, e o changelog da Gemini API lista o gemini-4-argon como disponível publicamente desde 13 de outubro. A página de preços do Google informa que o Argon não está disponível no plano gratuito (Free tier); a inferência via Batch e Flex custa metade da tarifa padrão.

As métricas que realmente importam para uma equipe de desenvolvimento, extraídas da própria tabela de avaliação do Google:

Analise esses números levando em conta a ressalva metodológica do próprio Google: a empresa calculou os resultados do Argon no DeepSWE e no Terminal-bench internamente, enquanto a maior parte dos dados dos concorrentes foi divulgada pelos seus respectivos laboratórios ou obtida em placares públicos. Os ambientes de teste (harnesses) variam. Desde o lançamento, o Cursor registrou 52,8% para o Argon em seu próprio CursorBench com esforço padrão, classificando-o no mesmo patamar do Opus 5.5. Nossa comparação direta entre os três modelos detalha cada linha da tabela.

Três particularidades técnicas afetam a sua execução prática. A janela de 1M de tokens é compartilhada; portanto, uma tarefa que lê um repositório volumoso terá menos capacidade restante para escrita de código. Uma requisição síncrona tem saída limitada a 65.536 tokens por padrão; para alcançar a extensão total, é preciso recorrer à decodificação longa em segundo plano da Interactions API, que pode levar minutos. Por fim, o Argon abandona o caching explícito e ignora o parâmetro temperature, exigindo uma limpeza em configurações legadas do Gemini 3 que utilizem esses recursos. Ainda permanecem sem confirmação: a data de corte do conhecimento (cutoff), a disponibilidade no Vertex AI e qualquer declaração formal sobre o suporte no Gemini CLI.

Passo 1: configurar um Runtime do Gemini CLI em um Computador

Essa etapa esconde uma armadilha que precede o Argon. Em 18 de junho, o Gemini CLI deixou de oferecer suporte a contas Google AI Pro, Google AI Ultra e planos gratuitos individuais do Code Assist, transferindo esses usuários para o Antigravity CLI. De acordo com o aviso de transição do Google, o Gemini CLI continua disponível por meio de chaves pagas da Gemini API, chaves da Gemini Enterprise Agent Platform e licenças do Code Assist Standard ou Enterprise. O login com uma conta pessoal do Google não disponibiliza mais um Runtime funcional, assim como uma assinatura Pro ou Ultra — muito embora ambas agora deem acesso ao Argon no app do Gemini. Utilizar uma chave de API paga é a alternativa mais direta para execuções autônomas, e o Argon exige esse tipo de conta de qualquer forma.

No Computador encarregado de rodar as tarefas, instale ou atualize o Gemini CLI e faça uma validação inicial em um terminal convencional:

export GEMINI_API_KEY="your-paid-project-key"
gemini -m gemini-3.8-flash -p "Reply with the word ok."

Se o comando responder com sucesso, a ferramenta está operacional no host. Abra os detalhes do Computador e execute uma nova verificação (rescan) ou teste de conexão; o Runtime do Gemini CLI deverá aparecer com o status Disponível (Available). Caso acuse falha de detecção (Detection failed) ou ausência de login, siga as instruções exibidas na página de detalhes e repita o rescan. O artigo Computers no Sharkly traz uma explicação detalhada sobre cada status.

Passo 2: criar um Agente e entender onde o modelo é configurado

O Sharkly não gerencia a seleção de modelos diretamente. A documentação sobre Agents é clara a esse respeito: “O Agente adota o modelo padrão definido pelo Runtime. Ele não define nem exibe o nome de um modelo específico.” Para alternar de modelo, a documentação instrui a passar argumentos personalizados (Custom arguments) no Agent ou no Runtime, ou configurar as ferramentas no Runtime ou no Computer — não havendo menu suspenso de seleção de modelos na interface do Agente.

O Agente define como as demandas devem ser processadas; o Computador provê a máquina host; o Runtime (neste caso, o Gemini CLI) executa a sessão do agente; e a Task serve como o histórico compartilhado. Crie o Agente acessando Agents > New Agent: selecione o Computador e o Runtime do Gemini CLI, defina o diretório de trabalho padrão como “Create temporary directory” para assegurar que cada Task receba um diretório isolado (e uma worktree nova em execuções atreladas a repositórios) e mantenha as instruções objetivas. O artigo Agents no Sharkly aborda as demais opções de configuração.

A definição do modelo ocorre nas configurações do Gemini CLI, que segue uma ordem de precedência documentada: a flag -m ou --model, a variável de ambiente GEMINI_MODEL, o parâmetro model.name no arquivo settings.json e, por último, o valor padrão auto. O arquivo de preferências do usuário do Gemini CLI na máquina, localizado em ~/.gemini/settings.json, afeta todas as sessões executadas por aquele usuário:

{ "model": { "name": "gemini-3.8-flash" } }

# Agent environment variable: only this Agent's runs
GEMINI_MODEL=gemini-3.8-flash

# or an Agent Custom argument (additional Runtime arguments)
-m gemini-3.8-flash

Editar o arquivo de configurações é a alternativa mais segura e previsível. Já as definições no nível do Agente são úteis quando um mesmo Computador atende a múltiplos Agentes e apenas um deles deve ser migrado; faça um teste isolado antes de padronizar. Fixe o modelo em vez de usar auto, pois essa opção alterna modelos dinamicamente e pode recorrer a um fallback em caso de esgotamento de cota, comprometendo comparações de desempenho.

Passo 3: migrar um Agente para o Argon

Comece validando diretamente na API, evitando que problemas de autenticação sejam confundidos com erros da CLI. Esta é a requisição oficial recomendada pelo Google, enviada a partir do próprio Computador:

curl "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H 'Content-Type: application/json' \
  -X POST \
  -d '{
    "model": "gemini-4-argon",
    "input": "Your prompt here",
    "generation_config": {"thinking_level": "medium"}
  }'

Se a chamada retornar resposta válida, sua credencial tem permissão de acesso ao Argon (o parâmetro thinking_level aceita low, medium — o padrão — ou high). Em seguida, valide pelo Gemini CLI:

gemini -m gemini-4-argon -p "Reply with the word ok."

Esse teste rápido (smoke prompt) é o seu critério real de validação, não este artigo. O Google não confirmou oficialmente o suporte ao Argon no Gemini CLI e, até 1º de outubro, o repositório do projeto não continha qualquer referência a ele. Se o teste falhar, atualize o Gemini CLI (o comando sharkly computer update solicita a atualização da CLI em um Runtime específico) e repita o teste. Caso continue sem funcionar, mantenha o Agente no Flash sem causar impactos no seu fluxo de trabalho.

Se o teste passar, modifique apenas um valor: model.name, GEMINI_MODEL ou o argumento -m. Realize uma nova verificação (rescan) nos detalhes do Computador e certifique-se de que o status esteja Disponível (Available). Depois, atribua uma Task idêntica à que você já rodou no Flash e avalie os dois resultados no ponto onde ficam consolidados, na própria Task: o diff gerado, as validações executadas pelo Agente e os ajustes manuais necessários na revisão.

Quando direcionar uma Task ao Argon — e quando não fazê-lo

Direcione a Task ao Argon quando a demanda exigir a leitura de um volume massivo de código para realizar pequenas alterações pontuais, ou quando exigir uma modificação extensa e estruturada que não possa perder a coerência interna: refatorações entre múltiplos módulos em um repositório grande ou migrações que envolvam milhares de linhas. A tabela do Google sustenta essa indicação com uma margem expressiva em contextos extensos (84,2% no GraphWalks de 256K a 1M, contra 71,8% do Astra) e pela liderança no DeepSWE. Internamente, o Google empregou o Argon em migrações de C/C++ para Rust com mais de 800 mil linhas, mantendo auditorias e revisões antes do deploy em produção. Delimite o escopo da Task para que uma pessoa consiga revisar a entrega com segurança. Uma execução de um milhão de tokens se torna um gargalo de revisão antes mesmo de ser um ganho de agilidade.

Mantenha a Task no Flash ou em outro Runtime quando a atividade depender fortemente de comandos no terminal (o Opus 5.5 supera o Terminal-bench 4.0 por nove pontos), seguir o perfil do FrontierSWE (o Astra abre mais de dez pontos de vantagem), manipular interfaces gráficas (o Astra lidera o OSWorld-2.0) ou consistir em correções triviais de rotina. O Argon custa cerca de 2,7 vezes o valor por token do Flash até 30 de novembro, e mais de 5 vezes a partir de dezembro, já que o preço do Argon dobra um mês antes do reajuste do Flash. Havendo um Agente baseado em Claude Code ou Codex no mesmo quadro, a transição requer apenas reatribuir a tarefa. O artigo Qual modelo usar para cada tarefa de programação explica como estruturar essas regras para manter a consistência da equipe no roteamento.

Nenhuma dessas orientações substitui o teste definitivo: rodar o Argon diretamente no seu repositório.

Mantenha a infraestrutura, troque apenas o modelo

O conceito estrutural aqui é a neutralidade em relação ao provedor. Novos modelos de ponta surgem com frequência alternando lideranças, e uma equipe que reconstrói seus processos a cada lançamento acaba presa em um ciclo interminável de retrabalho mensal. Ao concentrar a atribuição, o contexto, o progresso, os bloqueios, as entregas e a revisão humana em uma camada unificada, o modelo de IA passa a ser simplesmente um parâmetro configurável em um Computador. Os Agentes pesquisam, executam, testam e reportam; as pessoas definem a estratégia, concedem permissões e aprovam o resultado.

Caso precise executar múltiplos agentes do Gemini em paralelo, criar uma worktree por Task atende bem em menor escala; nosso guia prático de execução paralela com o Gemini CLI ilustra esse fluxo. Você pode implementar essa rotina manualmente por meio de worktrees ou recorrer ao Sharkly para coordenar todo o processo de ponta a ponta.