Gemini 4 Carbon vs Argon: qual escolher para código e raciocínio

O anúncio do Google de 10 de novembro de 2026 mantém o Gemini 4 Argon como recomendação para a maior parte do trabalho de código e conhecimento, e direciona o Carbon para depuração complexa em várias etapas e pesquisa aberta. A tarifa Standard é igual nos dois: $2 por milhão de tokens de entrada e $10 por milhão de tokens de saída até 30 de novembro; depois, $4 e $20.

• Posicionamento: o Argon continua como padrão para a maior parte da engenharia de software; o Carbon assume o trabalho de várias etapas mais difícil.
• Preço: as mesmas tarifas Standard, e os dois começam com o pensamento em medium.
• Fatura: tokens de pensamento são cobrados como saída, então mais raciocínio aumenta o custo de uma requisição; novas tentativas, uso de cache e tamanho da entrada também mexem na conta de uma tarefa.
• Acesso: a API Gemini paga para os dois, sem nível gratuito.

Gemini 4 Carbon e Argon em resumo

Comece pela linha que pode parar um projeto; depois, veja os padrões que você herda.

A linha do papel vem do anúncio de 10 de novembro de 2026. A janela e o pensamento padrão vêm da página de modelos e da documentação de pensamento, ambas verificadas em 11 de novembro de 2026. O acesso somente pago está no anúncio e se repete na página de preços, onde os dois modelos aparecem como indisponíveis no nível gratuito.

Para qual modelo o Google direciona cada tarefa de código?

O anúncio do Google chama o Carbon de seu modelo mais forte e lista o trabalho que ele deve assumir: código e depuração complexos em várias etapas, tarefas de agentes de longo horizonte, segurança cibernética e pesquisa científica aberta. O mesmo texto diz que o Argon continua sendo a escolha ideal para a maioria da engenharia de software e do trabalho de conhecimento. Leia isso como o padrão do fornecedor: comece uma tarefa com o Argon e passe para o Carbon quando ela falhar repetidamente no planejamento ou na verificação.

A página de modelos descreve o Argon como o modelo eficiente de raciocínio de fronteira do Gemini 4, com respostas mais rápidas e menos tokens gastos por turno que o Carbon em tarefas complexas de código, agentes, matemática e ciência. Menos gasto por turno e uma tarifa menor são dois números diferentes. Os preços por token são iguais, então a diferença aparece na contagem de tokens: o Google diz que o Argon gasta menos tokens por turno, enquanto o total de uma tarefa depende de quanto planejamento, verificação e novas tentativas ela exigir.

Nosso teste anterior de código com o Argon é uma comparação separada contra o Claude Opus 5.5, sem o Carbon. Esses resultados descrevem o Argon naquele conjunto de tarefas; não dizem nada sobre como o Carbon lidaria com o mesmo trabalho.

Três situações valem um teste no Carbon:

1. Um teste que falha e toca quatro arquivos, em que a correção depende de rastrear chamadas entre módulos.
2. Uma atualização de dependência que muda uma API em vários pontos, então o modelo precisa planejar edições, aplicá-las e rodar a suíte de testes de novo.
3. Uma pergunta de pesquisa que exige um plano, um primeiro experimento, uma olhada nos resultados e uma segunda tentativa revisada.

Cada uma é candidata para sua própria avaliação; são as tarefas em que uma troca teria de mostrar valor. O Google também apresenta o Carbon para pesquisa aberta e cita exemplos de física, matemática, ciências da vida e verificação formal que ele mesmo escolheu.

O que o estudo independente de 28 de outubro mediu?

A Artificial Analysis publicou seu relatório em 28 de outubro de 2026. Ele compara os dois modelos com ajustes altos de raciocínio no Intelligence Index v5, um composto de nove avaliações.

O relatório coloca o Carbon 9 pontos acima do Argon no índice, o que deixa o Argon em 50, e 126 Elo acima no AA-Briefcase. No AA-Omniscience v1.1, as duas medidas se separam: a precisão do Carbon é 10 pontos maior, e sua taxa de alucinação sobe de 4% para 11%. O relatório define as nove avaliações na metodologia da Artificial Analysis. Uma pontuação agregada mais alta e uma taxa de alucinação mais alta em uma avaliação podem conviver no mesmo modelo; é por isso que vale testar a troca nas suas próprias tarefas. O relatório foi publicado em 28 de outubro de 2026, com os dois modelos em raciocínio alto no Index v5; ele não ranqueia os dois modelos para o seu repositório.

Por que a mesma tarifa por token gera uma conta diferente

Os dois IDs compartilham uma única tabela Standard, então compare os tokens de entrada, entrada em cache e saída que uma tarefa consome, além das novas tentativas e de outras cobranças. A contagem total de tokens sozinha não fecha a conta. A página de preços do Google lista estes valores por milhão de tokens, verificados em 11 de novembro de 2026.

Tome uma requisição ilustrativa com 100,000 tokens de entrada, 5,000 tokens de saída visível e 15,000 tokens de pensamento. O pensamento conta como saída, então o total de saída é 20,000 tokens. Até 30 de novembro, a entrada custa 100,000 ÷ 1,000,000 × $2.00 = $0.20 e a saída 20,000 ÷ 1,000,000 × $10.00 = $0.20, ou $0.40 no total. A partir de 1º de dezembro, a mesma requisição custa $0.80. Os números de tokens são suposições escolhidas para a conta, e o total usa apenas os preços de tabela do Google; fica de fora o que vem de acertos de cache, cobranças de grounding e ferramentas, novas tentativas e descontos em lote.

As variáveis que movem o total são o nível de pensamento, o tamanho do prompt e o número de tentativas. Uma tarefa que gera mais tokens de pensamento chega a outra conta na mesma tarifa, mesmo quando termina em uma única passada. O cache funciona igual nos dois IDs: a tarifa é a mesma, e só há cache implícito.

É preciso mudar configurações ao trocar de modelo?

Os dois IDs listam o pensamento em medium por padrão, com low, medium e high disponíveis (documentação de pensamento, verificada em 11 de novembro de 2026). Os dois aparecem na mesma tabela de modelos Gemini 4 como gemini-4-argon e gemini-4-carbon. Os nomes de campo abaixo vêm da documentação da Interactions API do Google; confirme-os no SDK que você chama, porque o comportamento de ferramentas e funções pode variar entre SDKs. Quatro pontos valem uma checagem antes da troca.

1. Esforço, não truncamento. thinking_level define o esforço de raciocínio, e max_output_tokens limita os tokens gerados, incluindo os pensamentos. Um limite pequeno demais pode encerrar uma resposta com status incomplete enquanto os pensamentos já gerados continuam sendo cobrados.
2. Uma janela compartilhada. Entrada, pensamento e saída usam os mesmos 1,048,576 tokens. Se o prompt mais max_output_tokens passar dessa janela, a API corta a saída para o espaço que sobra.
3. Saída longa pede um ajuste. Uma chamada em primeiro plano com streaming usa 65,536 tokens de saída por padrão; uma chamada em primeiro plano sem streaming tem limite de 32,768. Passar de 65,536, até 1,048,576, exige um max_output_tokens maior e background=True ou continuação no lado do cliente. A página de modelos mostra 65K / 1M para os dois IDs, e essa forma curta descreve essa configuração.
4. Pensamentos nos turnos seguintes. Em trabalho multiturno sem estado, reenvie os blocos de pensamento anteriores exatamente como estavam, inclusive quando trocar de modelo no meio de uma sessão. A Interactions API expõe as etapas de pensamento e informa total_thought_tokens, enquanto o caminho generateContent não carrega blocos de pensamento separados. O cache explícito não está disponível nos dois modelos, então um fluxo baseado em cache guardado precisa de outro plano.

Não rodamos os dois modelos nas mesmas tarefas, então trate a lista como um checklist para sua primeira requisição pequena.

Como compará-los no seu próprio código?

Escolha uma tarefa que sua equipe já resolveu e rode os dois modelos no mesmo snapshot. Mantenha estas condições fixas:

• O mesmo bug ou ticket, o mesmo snapshot do repositório e o mesmo branch.
• As mesmas ferramentas, instruções e nível de esforço; medium é o padrão nos dois.
• A mesma checagem de sucesso: os testes ocultos passam e quem revisa aceita o diff.
• O mesmo registro: tempo real até a primeira resposta útil, tempo até a tarefa terminar, tokens retornados pela API, novas tentativas e minutos que uma pessoa gasta revisando.

O tempo até a primeira resposta e o tempo total de conclusão respondem a perguntas diferentes: quem revisa em um terminal sente o primeiro, e um trabalho em lote paga o segundo. Registre os dois, depois cobre cada execução pelo preço de tabela do Google e divida pelo número de mudanças aceitas.

Repita a checagem em várias tarefas representativas; um único par de execuções mostra variação, então leia as repetições como direção e não como diferença fixa. Decida com números que sua equipe acompanha, como diffs aceitos por hora e dólares por diff aceito. Um modelo que responde mais cedo mas precisa de uma segunda tentativa pode perder nos dois.

Dá para usar o Gemini 4 Carbon no OmniaKey hoje?

O OmniaKey oferece atualmente o Gemini 4 Argon, e o catálogo não tem nenhuma entrada do Carbon em 11 de novembro de 2026. O acesso ao Carbon passa pela API Gemini paga do Google, e a página data de lançamento, preço e detalhes de API do Carbon lista o que essa conta precisa. Se sua alternativa for um modelo da Anthropic, a comparação entre Carbon e Fable 5.2 coloca preço e acesso lado a lado.

Antes de planejar uma troca, consulte a lista de modelos do OmniaKey; até lá, mantenha o trabalho de produção no Argon.

Perguntas frequentes

O Gemini 4 Carbon é melhor que o Argon para código?

O Google recomenda o Argon para a maior parte da engenharia de software e o Carbon para depuração complexa em várias etapas. O relatório da Artificial Analysis de 28 de outubro coloca o Carbon à frente nas pontuações agregadas e também registra uma taxa de alucinação mais alta em um teste, então a melhor escolha depende da tarefa à sua frente.

O Carbon custa mais por token que o Argon?

As tarifas são iguais: $2 por milhão de tokens de entrada e $10 por milhão de tokens de saída até 30 de novembro; depois, $4 e $20. O custo por tarefa ainda pode variar, porque tokens de pensamento são cobrados como saída e o Carbon é descrito como usando mais deles.

Dá para trocar apenas mudando o ID do modelo?

Nas páginas que o Google publica, os dois IDs compartilham os mesmos padrões de pensamento, níveis de raciocínio e janela de contexto. Verifique o tratamento dos pensamentos, o cache e a configuração de saída no SDK que você usa antes de mover uma tarefa de produção.

Qual limite de saída vale para um trabalho longo no Carbon?

Uma chamada em primeiro plano com streaming usa 65,536 tokens de saída por padrão. Para uma saída mais longa, até 1,048,576, é preciso um max_output_tokens maior e background=True ou continuação no lado do cliente.

O Carbon está disponível no OmniaKey?

O catálogo do OmniaKey lista o Gemini 4 Argon e não tem nenhuma entrada do Carbon em 11 de novembro de 2026. O Carbon está disponível pela API Gemini paga do Google.

Fontes verificadas

• Google: Gemini 4 Carbon já está disponível (10 de novembro de 2026)
• Google: modelos da API Gemini (verificado em 11 de novembro de 2026)
• Google: preços da API Gemini (verificado em 11 de novembro de 2026)
• Google: pensamento no Gemini (verificado em 11 de novembro de 2026)
• Artificial Analysis: resultados do Gemini 4 Carbon no Intelligence Index v5 (28 de outubro de 2026)
• Artificial Analysis: metodologia de avaliação de inteligência