Google lança três modelos Gemini intermediários enquanto o mundo espera pelo flagship que ainda não chegou

O Google lançou três modelos novos hoje. O que o mercado estava esperando não estava entre eles.

Existe uma forma de anúncio de empresa de tecnologia que comunica indiretamente mais do que o texto diz diretamente. Quando o Google lança três modelos intermediários e dedica parte do comunicado para dizer que o flagship está “sendo testado com parceiros” e que será lançado “assim que estiver pronto”, a mensagem implícita é que o Gemini 3.5 Pro, o modelo que o mercado está esperando para competir com o GPT-5.6 Sol e o Claude Fable 5, ainda não está pronto.

O Google prometeu o Gemini 3.5 Pro logo depois do Google I/O, em maio. O último modelo da linha avançada a ser lançado foi o Gemini 3.1 Pro, em fevereiro. Desde então, a OpenAI lançou o GPT-5.6, a Anthropic lançou o Fable 5, e ambos já estão disponíveis publicamente. A pressão sobre o Google nunca foi maior, e a resposta desta quinta-feira foi lançar o que está pronto agora enquanto o flagship continua em preparação.

O Gemini 3.6 Flash e o que ele melhora

O Gemini 3.6 Flash é a atualização do Gemini 3.5 Flash, posicionado como o modelo de capacidade intermediária da linha Google. As melhorias anunciadas cobrem programação, trabalhos de conhecimento e desempenho multimodal aprimorado, áreas onde os modelos intermediários são os mais usados em produção por combinarem capacidade suficiente com custo menor que os flagships.

O dado mais concreto sobre a atualização vem da Artificial Analysis: consumo de tokens de saída 17% menor que o antecessor, traduzindo em redução de 18% no custo por tarefa em comparação com o Gemini 3.5 Flash. Para empresas usando esses modelos em escala, essa redução de custo é um argumento real de adoção.

A redução de custo é especialmente relevante no contexto atual de mercado. A guerra de eficiência de tokens que está dominando as estratégias de lançamento de OpenAI, Meta e SpaceXAI também está pressionando o Google a entregar mais por token gasto. O Gemini 3.6 Flash está respondendo a essa pressão com melhorias mensuráveis em eficiência, mesmo sem ser o flagship que o mercado espera.

O Gemini 3.5 Flash-Lite e o problema de custo que cresceu

O Gemini 3.5 Flash-Lite tem um dado complicado associado ao seu lançamento que a Artificial Analysis identificou: o custo do modelo mais do que dobrou em relação ao antecessor, o Gemini 3.1 Flash-Lite.

Para um modelo posicionado como o de melhor custo-benefício da linha, um aumento de custo dessa magnitude é problemático. A velocidade de 350 tokens de saída por segundo, que a Artificial Analysis Index indica, e o desempenho superior em fluxos agênticos de trabalho são melhorias reais. Mas usuários que adotaram o Gemini 3.1 Flash-Lite especificamente por seu custo baixo precisarão avaliar se as melhorias de performance justificam pagar mais do que o dobro pelo novo modelo.

Esse tipo de tradeoff é comum em iterações de modelo, mas o timing é difícil: num mercado onde a narrativa dominante é de redução de custo por token, lançar um modelo de custo-benefício mais caro que seu antecessor vai contra a corrente.

O Gemini 3.5 Flash Cyber: um modelo para um caso de uso específico e urgente

O mais interessante dos três lançamentos do ponto de vista estratégico é o Gemini 3.5 Flash Cyber, um modelo leve especificamente voltado para aplicações de cibersegurança. É o tipo de especialização que ainda é relativamente raro no mercado de modelos intermediários.

O Gemini 3.5 Flash Cyber está disponível através do CodeMender, o agente de segurança de código do Google, e pode ser usado para orquestração em infraestrutura agêntica. Para times de segurança que usam IA para revisão de código, detecção de vulnerabilidades e análise de ameaças, ter um modelo calibrado especificamente para esse domínio pode ser mais valioso do que usar um modelo genérico de maior capacidade.

A relevância desse lançamento é amplificada pelo contexto do momento: o bloqueio do Fable 5 e do Mythos 5 foi motivado precisamente pelas capacidades de cibersegurança desses modelos. Os alertas do Five Eyes sobre o GLM-5.2 da China focaram em capacidades de detecção de vulnerabilidades. A cibersegurança emergiu como a dimensão mais sensível das capacidades de modelos avançados.

Um modelo especializado em cibersegurança que o Google está lançando de forma aberta representa uma aposta diferente da que a Anthropic fez com o Mythos: em vez de restringir o acesso a parceiros selecionados, disponibilizar para um ecossistema mais amplo via ferramenta específica com propósito defensivo explícito.

O Gemini 4 que está sendo anunciado antes de existir

A menção de que o Google já começou o “pré-treinamento mais ambicioso” do Gemini 4 num lançamento de modelos intermediários é uma estratégia de comunicação específica: plantar uma bandeira sobre o futuro num momento em que o presente está aquém do esperado.

Pré-treinamento de um novo modelo de fronteira leva meses, tipicamente entre seis meses e um ano, antes de qualquer produto chegar ao mercado. Anunciar que o Gemini 4 está em pré-treinamento agora é dizer que ele não chegará antes de 2027 na melhor das hipóteses. É uma declaração sobre o roadmap, não sobre o produto.

Para investidores e para empresas avaliando parcerias de longo prazo com o Google em IA, essa declaração comunica confiança na trajetória. Para desenvolvedores e empresas que precisam escolher uma plataforma agora para os próximos meses, é pouco relevante comparado ao que está disponível hoje.

O que a ausência do Gemini 3.5 Pro revela

O fato mais significativo desta quinta-feira pode não ser nenhum dos três modelos lançados, mas a confirmação implícita de que o Gemini 3.5 Pro não está pronto para liberação. Desde fevereiro, a linha avançada do Google não teve um novo modelo, e os meses passaram com lançamentos de concorrentes que consolidaram o GPT-5.6 Sol e o Claude Fable 5 como as referências do mercado.

O Gemini 3.5 Pro provavelmente será um modelo muito capaz quando chegar. A questão é que cada semana de atraso é uma semana em que desenvolvedores que estão avaliando plataformas de IA tomam decisões sem ele como opção disponível. E no mercado de IA, onde hábitos de uso e integrações técnicas criam inércia real, o custo de chegar tarde é alto.