Níveis de Pensamento do Gemini 4 Argon e Long Decode: Padrões, Custos e Quando Usar Cada Um

O Gemini 4 Argon se tornou disponível em geral em 13 de outubro de 2026, e com isso o Google documentou as duas configurações que decidem quanto custa uma solicitação Argon e quanto tempo leva: o nível de pensamento e o limite de saída. O Argon oferece três níveis de pensamento: baixo, médio e alto, e o padrão é médio. As respostas param em 64K tokens, a menos que você ative o long decode, que permite que uma única resposta chegue a 1M tokens.

Há um detalhe nos padrões. Todos os benchmarks Argon publicados foram executados em alto: o Google avaliou "com as configurações de pensamento mais altas", a Artificial Analysis testou em alto, e a Vals AI executou em alto. Uma solicitação que não define um nível é executada em médio, portanto, não é a configuração que essas pontuações descrevem.

Este post cobre os três níveis e o conselho do Google sobre cada um, o que o alto custa em tokens e tempo, como definir o limite de saída para que as respostas não voltem vazias, e como o long decode funciona e é cobrado. Ele termina com código para o AIHubMix.

A versão curta

• O Argon tem três níveis de pensamento: baixo, médio (o padrão) e alto. O pensamento não pode ser desligado.
• Todos os benchmarks publicados usaram alto. Ninguém publicou resultados em médio ou baixo.
• max_output_tokens limita o pensamento e a resposta juntos. Defina-o para pelo menos 32.768, ou um prompt rígido pode gastar todo o orçamento pensando e não retornar nada.
• Sem long decode, uma resposta para em 65.536 tokens. Com ele, uma resposta pode chegar a 1.048.576 tokens menos sua entrada.
• O long decode cobra cada token de cada "salto" de 64K, e cada salto relê tudo que foi escrito até agora como entrada, com desconto de 95% por cache implícito.

Os três níveis

O guia do Google O que há de novo no Gemini 4 Argon descreve os níveis assim:

O Google alerta que no nível baixo, "a qualidade pode cair em tarefas difíceis", e seu conselho para escolher é direto: "Execute suas avaliações em todos os três níveis, depois escolha o nível mais baixo que atenda ao seu padrão de qualidade."

Na API nativa, a configuração é thinking_level, documentada no guia de pensamento do Gemini. Através de um endpoint compatível com OpenAI, é reasoning_effort. O guia de compatibilidade do OpenAI do Google mapeia os valores para o Argon: minimal e low se tornam low, medium permanece medium, high permanece high, e deixá-lo de fora dá o padrão, medium. Não há nível que desative o pensamento.

O padrão é médio. Os benchmarks são altos.

Google, Artificial Analysis e Vals relatam todos o Argon em alto. A Vals também definiu um limite de saída de 262.144 tokens. Portanto, as pontuações que você viu descrevem o Argon em seu nível máximo, e uma solicitação sem nível definido é executada um passo abaixo.

Isso não é necessariamente um problema. O médio é o nível que o Google recomenda para a maioria dos trabalhos, incluindo código complexo e agentes, e usa menos tokens do que o alto. Mas ninguém publicou quanto de precisão o médio ou o baixo sacrificam, ou quantos tokens eles economizam. [TBD: precisão e tokens por nível de pensamento]

Um detalhe a mais importa para comparações. O GPT-6 Astra e o GPT-6.1 Sol foram testados em "max", um nível acima do alto. Um empate entre "Argon (alto)" e "Astra (max)" é cada modelo em seu teto, não em configurações correspondentes.

O que o alto custa

Os números aqui vêm da Artificial Analysis, incluindo seus testes de velocidade de provedores, e da Vals AI. Todos eles executaram o Argon em alto.

Os tokens de pensamento são cobrados como saída: o Google lista o preço de saída do Argon "incluindo tokens de pensamento", e os dados de uso os relatam como total_thought_tokens. Com ~62k tokens de saída por tarefa, uma tarefa custa cerca de $0,62 apenas em saída ao preço introdutório de $10 por milhão, e cerca de $1,24 a $20 por milhão, o preço a partir de 1º de dezembro.

O tempo segue os tokens. A 99,5 a 116,5 tokens por segundo, 62k tokens levam aproximadamente 9 a 10 minutos para serem gerados, após uma espera de cerca de 45 segundos para o primeiro token de resposta. Produtos interativos precisam de streaming e um indicador de progresso em alto, ou um nível mais baixo.

Definindo o limite de saída

max_output_tokens é um limite rígido sobre pensamento e resposta juntos. Quando uma resposta atinge esse limite, o status é "incompleto" e o texto volta cortado ou vazio, e os tokens de pensamento ainda são cobrados. A orientação do Google:

• Se seu aplicativo definir um limite abaixo de 32K, aumente-o para pelo menos 32.768. O Argon pode gastar mais do limite em pensamento do que modelos anteriores.
• Para gastar menos, diminua o nível de pensamento em vez de definir um limite pequeno.
• Sem long decode, o padrão e o máximo é 65.536 tokens. Pedir mais sem long decode retorna um erro 400.
• A entrada, o pensamento e a saída compartilham uma janela de 1.048.576 tokens. Se sua entrada mais max_output_tokens exceder isso, o limite de saída encolhe para se ajustar.

Mais duas mudanças do Gemini 3. A temperatura, top_p e top_k são ignorados no Argon, então ajustá-los não faz nada. E prompts rígidos podem levar vários minutos, então o Google recomenda timeouts de cliente HTTP de pelo menos 15 minutos.

Long decode: respostas além de 64K tokens

O long decode é o que o Google anunciou no lançamento como Long Decode Continuation. O guia de long decode descreve duas maneiras de executá-lo.

Execução em segundo plano (API de Interações). Crie a interação com background=True e max_output_tokens acima de 65.536. A execução em segundo plano precisa de store=true. O servidor escreve a resposta em saltos de até 64K tokens, cada um continuando de onde o último parou, por até 24 horas. Cada salto adiciona um passo model_output, então junte-os quando a interação for concluída. Defina background=True sem aumentar max_output_tokens e ele para em 64K.

Continuação do lado do cliente (API generateContent). Cada salto retorna até 64K tokens ao fazer streaming ou através do SDK, 32K para uma chamada REST não streaming. Um salto que atinge seu limite termina com finish_reason: CONTINUATION e um continuation_token, e a próxima solicitação envia a mesma entrada mais o token. SDKs recentes fazem isso por você: Python google-genai 2.30.1 e JavaScript @google/genai 2.29.1 ou posterior. Cada solicitação tem um limite de 20 minutos.

Ao fazer streaming de um long decode, salve o ID da interação e o último event_id, reconecte-se com last_event_id quando o stream cair, e defina timeouts de leitura de 15 a 20 minutos. Após os primeiros 64K tokens, o stream chega em pedaços de cerca de 5.000 tokens com pausas entre eles.

O Google é claro sobre quando vale a pena:

Um limite mais alto dá ao modelo espaço para pensar; não torna as respostas normais mais longas. O modelo decide quanto escrever, e não segue alvos de palavras ou tokens.

Como o long decode é cobrado

Você paga por cada token em cada salto, incluindo saltos que contêm apenas pensamento. Cada salto também envia seu prompt mais tudo que foi gerado até agora de volta ao modelo como entrada, então esses tokens contam novamente. Exemplo do Google: um prompt de 1.000 tokens que produz 200.000 tokens de pensamento e saída leva quatro saltos.

Os dados de uso relatam cerca de 397.000 tokens de entrada, mesmo que o contexto só contenha cerca de 201.000. O cache implícito desconta a entrada repetida em 95%, então é barato: nos preços introdutórios, os 200.000 tokens de saída custam $2,00, e cerca de 396.000 tokens de entrada repetidos a $0,10 por milhão adicionam cerca de $0,04. A saída ainda domina a conta.

Dois efeitos colaterais. Não use total_input_tokens para decidir quando cortar ou resumir uma conversa, pois isso exagera o contexto; adicione o tamanho do seu prompt aos totais de saída e pensamento em vez disso. E interações canceladas ou falhadas cobram todo o trabalho realizado antes de pararem.

Onde começar, por carga de trabalho

Esses seguem a orientação de nível do Google; não existe precisão publicada por nível para refiná-los.

Depois teste um nível abaixo. Se o nível mais barato atender ao seu padrão em seu próprio conjunto de avaliação, mantenha-o.

Mantenha o nível fixo dentro de uma sessão. O Argon faz cache implicitamente, descontando a entrada repetida em 95% para prompts de pelo menos 4.096 tokens, e o guia AIHubMix Gemini observa que um acerto de cache precisa do mesmo conteúdo, modelo e parâmetros. Mudar de níveis entre turnos pode transformar a entrada em cache de volta em entrada a preço cheio.

Definindo o nível e o limite no AIHubMix

O Argon está no AIHubMix como gemini-4-argon, no endpoint compatível com OpenAI e através do SDK nativo do Google GenAI. Para a maioria das solicitações, defina o nível e o limite explicitamente:

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://aihubmix.com/v1",
    api_key=os.environ["AIHUBMIX_API_KEY"],
    timeout=900,  # prompts rígidos podem levar vários minutos
)

resp = client.chat.completions.create(
    model="gemini-4-argon",
    reasoning_effort="medium",  # padrão do Argon; os benchmarks usaram "alto"
    max_tokens=32768,           # limita pensamento e resposta juntos
    messages=[
        {"role": "user", "content": "Revise este serviço de pagamento para condições de corrida em sua lógica de repetição.\n\n<código fonte>"},
    ],
)
print(resp.choices[0].message.content)
print(resp.usage)

Para long decode, use o SDK nativo apontado para o endpoint Gemini do AIHubMix. O guia do AIHubMix documenta a API de Interações lá, incluindo o modo em segundo plano, com google-genai 2.0.0 ou posterior. O padrão abaixo é o documentado pelo Google; ainda não foi testado através do AIHubMix. [TBD: long decode através do AIHubMix]

import os
import time
from google import genai

client = genai.Client(
    api_key=os.environ["AIHUBMIX_API_KEY"],
    http_options={"base_url": "https://aihubmix.com/gemini"},
)

interaction = client.interactions.create(
    model="gemini-4-argon",
    input="Escreva a suíte de testes completa para este módulo de pagamento, com um teste para cada caso limite.\n\n<código fonte>",
    background=True,
    generation_config={"max_output_tokens": 262144, "thinking_level": "high"},
)
while interaction.status in ("in_progress", "queued"):
    time.sleep(5)
    interaction = client.interactions.get(id=interaction.id)

# Cada salto adiciona um passo model_output; junte todos.
text = "".join(
    part.text
    for step in interaction.steps
    if step.type == "model_output"
    for part in step.content
    if part.type == "text"
)
print(interaction.status, interaction.usage)

A página do modelo AIHubMix do Argon lista suas entradas suportadas, capacidades e preço atual.

FAQ

Quais níveis de pensamento o Gemini 4 Argon suporta?
Baixo, médio e alto. O padrão é médio, e o pensamento não pode ser desligado.

Em qual nível os benchmarks do Argon foram executados?
Alto. Google, Artificial Analysis e Vals AI relatam todos o Argon em alto, e ninguém publicou resultados em médio ou baixo.

Como defino o nível através do SDK do OpenAI?
Use reasoning_effort. Para o Argon, minimal e low se mapeiam para low, medium para medium e high para high. Deixe de fora para obter medium.

Por que o Argon retornou uma resposta vazia?
Provavelmente gastou todo o orçamento de max_output_tokens pensando. A resposta volta incompleta e os tokens de pensamento ainda são cobrados. Aumente o limite para pelo menos 32.768 ou diminua o nível de pensamento.

Como obtenho mais de 64K tokens de saída?
Use long decode. Na API de Interações, defina background como true e max_output_tokens acima de 65.536. No generateContent, use um SDK recente, que continua automaticamente através dos saltos.

Como o long decode é cobrado?
Você paga por cada token em cada salto. Cada salto reenvia o prompt e tudo que foi gerado até agora como entrada, e o cache implícito desconta essa entrada repetida em 95%. Execuções canceladas ou falhadas cobram o trabalho já realizado.

A temperatura ainda funciona no Gemini 4 Argon?
Não. A temperatura, top_p e top_k são ignorados, então remova-os e use o nível de pensamento para controlar o comportamento.

Continue lendo: a série Gemini 4 Argon

• Antes de ajustar as configurações, verifique se o Argon é o modelo certo para sua carga de trabalho: Gemini 4 Argon: Pontuações de Fronteira, um Limite de Saída de 1M Tokens e Como Chamá-lo Agora
• Pensamento alto é o que torna as tarefas do Argon caras. Custo medido por tarefa, de dois testadores independentes: Gemini 4 Argon Preços: Barato por Token, Não por Tarefa
• O padrão de pensamento, o limite de saída e os parâmetros de amostragem ignorados são três das mudanças na lista de verificação de migração: Mudando para o Gemini 4 Argon do Gemini 3.1 Pro ou 3.8 Flash: O que Quebra e Como Corrigir

Fontes

• O que há de novo no Gemini 4 Argon (Google AI para Desenvolvedores)
• Pensamento do Gemini (Google AI para Desenvolvedores)
• Long decode (Google AI para Desenvolvedores)
• Gemini 4 Argon: O Google está de volta como um dos três principais laboratórios em inteligência alcançada (Artificial Analysis)
• Gemini 4 Argon no AIHubMix (AIHubMix)