De “Doubao americano” a modelo de programação de ponta: o que o Gemini viveu em três anos? Análise completa de 12 marcos importantes

Nota do autor: este artigo percorre 12 marcos do Gemini, de 2023 a 2026, e mostra como o Google saiu do multimodal e do contexto longo para chegar ao raciocínio, ao uso de ferramentas e ao desenvolvimento de Agents de longa duração. O Gemini 4 Carbon é o resultado mais recente dessa trajetória.

Em 10 de novembro de 2026, o Google ampliou o acesso ao Gemini 4 Carbon para desenvolvedores com API paga e usuários do Google AI Ultra. Na avaliação publicada pela Artificial Analysis em 28 de outubro, o Carbon tinha ficado em primeiro lugar no Intelligence Index v5, com 59 pontos. O Gemini já foi apelidado, na comunidade de desenvolvedores chineses, de “Doubao americano” (referência ao chatbot da ByteDance). Hoje ele disputa de igual para igual com os melhores modelos do mercado.

Não foi uma virada repentina. O Carbon é fruto de três anos em que o Google foi preenchendo, uma a uma, as lacunas em multimodalidade, contexto longo, raciocínio, uso de ferramentas e desenvolvimento de Agents. Este artigo segue a ordem “linha do tempo + principais mudanças técnicas + cenário competitivo atual” para mostrar onde cada geração do Gemini realmente avançou. Toda vez que citarmos um ranking independente, vamos indicar a categoria testada e a data. Também vamos apontar os casos em que concorrentes como Opus e Astra levam vantagem em tarefas específicas.

Valor central: entender em um único artigo a evolução técnica do Gemini ao longo de três anos e decidir onde a série Gemini 4 se encaixa no seu fluxo de desenvolvimento.

O que aconteceu com o Gemini em três anos: 12 marcos para entender a trajetória

Primeiro, a origem do apelido. Na descrição do autor original do artigo no WeChat, Liu Xiaopai, “Doubao americano” é uma espécie de brincadeira: o Gemini tem o respaldo de uma big tech e foi enfiado em tudo que é pacote de produtos, como celular, buscador e ferramentas de escritório. Para bater papo, reconhecer imagem e rodar APIs baratas, o movimento é grande. Mas, na hora de escrever código pesado e construir produtos complexos, muitos desenvolvedores ainda voltam para o Claude. Essa é uma generalização subjetiva do autor sobre a opinião do meio, mas ela acerta em cheio a impressão que o Gemini passava no começo: muitos usuários, pouca presença em tarefas de engenharia.

A tabela abaixo foi montada a partir dos anúncios oficiais do Google e serve como fio condutor deste texto.

Esses 12 marcos cabem em uma frase: o valor central do Gemini no início era “entender informação”; depois vieram “raciocinar sobre problemas” e “chamar ferramentas”, até chegar, por fim, a “executar tarefas complexas”.

O que mudou no Gemini, o “Doubao americano”

O Carbon chamou atenção, antes de tudo, pelo desempenho em rankings independentes. A Artificial Analysis é uma avaliadora terceirizada muito consultada por desenvolvedores. Em 28 de outubro de 2026, ela publicou uma análise especial sobre o Carbon, com estes dados principais.

Ao ler essa tabela, vale prestar atenção em dois pontos. Primeiro, as pontuações correspondem a configurações específicas de modelo, como Carbon High e Opus 5.5 Max, então resultados de níveis de raciocínio diferentes não podem ser misturados. Segundo, liderar na pontuação geral não significa liderar em todas as áreas: no Coding Agent Index, o Opus 5.5 Max dentro do Claude Code ainda fica 3 pontos acima do Carbon High.

Além disso, na captura de tela do ranking em tempo real compartilhada pelo autor do artigo original (publicado em uma conta oficial do WeChat), o Claude Fable 5.2 aparece à frente do Carbon. Como o autor considera que ele demora muito em cada tarefa e custa caro, ele escolheu o fluxo de trabalho “Carbon como principal no desenvolvimento + Fable na revisão final”. Isso é experiência pessoal de uso: serve como referência, mas não deve ser tratado como conclusão geral.

Competitividade inicial do Gemini: multimodalidade e contexto longo em 2023 e 2024

Gemini 1.0: multimodal desde a base

O Gemini 1.0, lançado em dezembro de 2023, tinha como grande marca ser “nativamente multimodal”. Ele foi projetado desde a base para lidar com vários tipos de informação: texto, imagem, áudio, vídeo e código. Não se trata de um modelo de texto ao qual se acopla um módulo de visão depois. Se você envia um gráfico junto com um trecho de texto, o modelo consegue entender a relação entre os dois dentro do mesmo sistema.

Essa geração resolvia a questão de “quantos tipos de informação o modelo consegue interpretar”. As três versões, Ultra, Pro e Nano, correspondiam a alto desempenho, uso geral e cenários on-device, o que também preparou o terreno para o Gemini chegar mais tarde a celulares e outros dispositivos.

Gemini 1.5 Pro: o contexto longo vira diferencial

Em fevereiro de 2024, o Gemini 1.5 Pro transformou o contexto longo em um grande argumento de venda, com a demonstração oficial de uma janela de contexto de 1 milhão de tokens. Pense na janela de contexto como a “bancada de trabalho” do modelo: quanto maior a bancada, mais material cabe espalhado ao mesmo tempo. Entre os usos citados oficialmente estão a análise de vídeos longos, áudios longos e grandes bases de código. Na prática, o desenvolvedor pode entregar ao modelo o código-chave de um projeto inteiro de uma vez, para que ele entenda como os módulos se chamam entre si, em vez de alimentá-lo aos pedaços.

Gemini 2.0: a virada declarada para agentes

O Gemini 2.0, de dezembro de 2024, foi um marco de direção. O Google passou a mirar de forma explícita a era dos agentes, dando destaque a capacidades nativas de ferramentas, como busca, execução de código e chamada de funções. Na mesma época, também apresentou linhas de pesquisa em agentes, como o Project Mariner.

Dá para entender o uso de ferramentas assim: antes, o modelo só podia responder “qual é a versão mais recente de tal biblioteca hoje?” com base na memória. Com a chamada de ferramentas, ele pode pedir uma busca por conta própria ou até rodar um trecho de código para ver o resultado. O papel do modelo começa a mudar de “quem responde” para “quem opera”.

Gemini no raciocínio e na programação: Thinking e Antigravity em 2025

Gemini 2.5: o Thinking faz o modelo pensar antes de responder

Em março de 2025, o Gemini 2.5 Pro introduziu a capacidade de Thinking, e o desempenho em raciocínio e programação deu um salto visível. Thinking significa que o modelo faz um raciocínio em várias etapas antes de entregar a resposta. Pegue a depuração como exemplo: no modo normal, o modelo pode soltar de cara uma correção que “parece certa”. No modo Thinking, ele primeiro levanta as possíveis causas, descarta as hipóteses que não se sustentam e só então propõe a alteração. Em maio de 2025, o Google anunciou que o 2.5 Pro havia assumido a liderança em rankings como o WebDev Arena, que era a referência na época. Foi a primeira vez que o Gemini conquistou uma presença marcante em rankings ligados a programação.

Gemini 3 e Antigravity: do modelo ao ambiente de trabalho

Em 18 de novembro de 2025, o Google lançou o Gemini 3 e o Antigravity ao mesmo tempo. O Antigravity reúne editor, terminal e operações de navegador em um único ambiente de trabalho para Agentes. O que isso muda na prática: o Google deixou de querer apenas que o modelo “escreva código” e passou a querer que ele mesmo execute o código, abra o navegador para conferir o resultado, encontre os problemas e corrija.

É isso que chamamos de Agentic Coding: o agente cuida de planejar, escrever, executar e verificar o código, e o desenvolvedor fica mais com o papel de definir o objetivo e revisar o resultado. A partir daí, modelo e cadeia de ferramentas passaram a ser projetados juntos, e esse foi o ponto-chave para o Gemini correr atrás e alcançar os concorrentes.

Gemini 4 Argon e Carbon: o caminho do Gemini para a engenharia complexa em 2026

O ritmo de iteração do Gemini em 2026 acelerou bastante. O 3.1 Pro, em fevereiro, reforçou o raciocínio central; o 3.5 Flash, em maio, equilibrou velocidade e execução longa de Agents; e o 3.8 Flash, em setembro, foi otimizado para engenharia de software, invocação de ferramentas e fluxos de trabalho complexos de Agents. Depois disso, chegaram o Gemini 4 Argon e o Carbon, um logo após o outro.

A diferença de posicionamento entre os dois é o que os desenvolvedores mais precisam entender.

Resumindo: o Argon serve para o dia a dia, como escrever funcionalidades, corrigir bugs e lidar com documentação. O Carbon é para tarefas que exigem raciocínio contínuo por muito tempo, passam por várias etapas e precisam de verificação repetida, como localizar um problema de concorrência complicado em um repositório grande. No benchmark de trabalho com conhecimento AA-Briefcase, o Carbon fica 126 Elo acima do Argon, o que mostra que a diferença entre os dois em tarefas complexas existe de fato.

Onde o Gemini 4 Carbon realmente está no ranking de desenvolvimento web

Liderar em inteligência geral não significa liderar em todas as tarefas de desenvolvimento. O ranking do WebDev Arena de 10 de novembro de 2026 é um ótimo contraexemplo.

Dá para ver que, nessa categoria específica de desenvolvimento web, o Opus 5.5 Max abre quase 50 pontos de vantagem, enquanto Carbon e Astra ficam praticamente empatados — e o resultado do Carbon ainda é um dado preliminar. O autor do artigo original, publicado em uma conta de WeChat, elogiou bastante o gosto estético do Carbon na hora de montar interfaces e comentou que ele renderiza a página e revisa o layout sozinho. Esse tipo de experiência merece atenção, mas continua sendo uma observação pessoal, e vale validar com o seu próprio projeto.

Nota sobre o gráfico: os dados dos rankings vêm das páginas públicas do Artificial Analysis e do Arena, e cada ranking usa categorias de teste diferentes. Se quiser verificar a diferença com os seus próprios comandos de negócio, dá para trocar de modelo e testar pela APIYI (apiyi.com), usando a mesma interface compatível com a OpenAI.

Por que o Gemini deu a volta por cima: análise de impacto

Capacidade do modelo: de “enxergar muito” para “entregar o trabalho”

Olhando para os últimos três anos, o foco da competição do Gemini mudou três vezes. Primeiro, a disputa era quantos tipos de informação o modelo entende e quanto consegue processar de uma vez. Depois, passou para raciocínio e uso de ferramentas. Agora, o que conta é a capacidade de executar tarefas de engenharia complexas por longos períodos. Nenhuma dessas etapas foi desperdiçada. O multimodal permite que o modelo entenda capturas de tela e protótipos de design, a janela de contexto longa faz caber uma base de código inteira, e o Thinking junto com a chamada de ferramentas deixa o modelo realmente “colocar a mão na massa”.

Ecossistema de ferramentas: modelo e ambiente de execução projetados juntos

Antigravity, AI Studio e Gemini App, somados aos vários serviços de desenvolvimento do Google, cobrem cenários que vão da experimentação e da prototipagem até o desenvolvimento de produtos em produção. Essa é uma diferença importante entre o Google e as empresas que oferecem apenas uma API de modelo: um Agent precisa de “mãos e pés”, como editor, terminal e navegador, e o Google consegue entregar o ambiente de execução completo por conta própria.

Distribuição e preços: chegando a desenvolvedores e usuários comuns ao mesmo tempo

Nas assinaturas, em 19 de maio de 2026 o Google lançou um novo plano Ultra de US$ 100 e baixou o plano mais alto de US$ 250 para US$ 200. Os dois oferecem cotas básicas de aproximadamente 5 vezes e 20 vezes as do plano Pro de US$ 20, respectivamente. Na API, os preços públicos do Carbon são os seguintes:

Um aviso importante: os benefícios dos planos e os preços valem conforme as páginas oficiais do Google na data correspondente. As afirmações absolutas do artigo original da conta oficial, como “cota ilimitada” e “sem risco de banimento”, não são compromissos oficiais.

Impacto para desenvolvedores

• A escolha de modelo deixa de ser “um só domina tudo” e passa a ser “divisão por tarefa”: para raciocínio geral, vale considerar o Carbon em primeiro lugar; para desenvolvimento web e cenários de Agent de programação, vale comparar com o Opus; para tarefas do dia a dia em que o custo-benefício pesa mais, dá para usar o Argon.
• A estrutura de custos precisa ser replanejada: o preço do Carbon dobra em 1º de dezembro, e tarefas de Agent de longa duração consomem tokens muito rápido, então é preciso estimar o orçamento com antecedência.
• A validação tem que voltar para tarefas reais: os rankings só ajudam a reduzir a lista de candidatos; no fim, o teste precisa ser feito com a sua própria base de código e os seus próprios Prompts.

Impacto para o setor

• O trio de líderes fica mais nítido: Google, OpenAI e Anthropic competem de frente em tarefas complexas de desenvolvimento, cada uma mantendo vantagem em especialidades diferentes.
• A unidade de competição deixa de ser o modelo e passa a ser o fluxo de trabalho: daqui para frente, a comparação vai além das pontuações dos modelos e inclui a cadeia de ferramentas completa, com IDE, CLI, colaboração entre múltiplos Agents e assim por diante.

Como experimentar a família Gemini 4 via API

Para quem quer colocar a mão na massa, o jeito mais rápido é usar a interface compatível com a OpenAI. O exemplo mínimo abaixo roda bastando trocar a chave API, e o nome do modelo deve seguir o que aparece na lista de modelos da plataforma:

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

response = client.chat.completions.create(
    model="gemini-4-carbon",  # o nome do modelo deve seguir a lista de modelos da plataforma
    messages=[{"role": "user", "content": "用三句话解释什么是 Agentic Coding"}]
)
print(response.choices[0].message.content)

import openai
from typing import Optional

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

# Os nomes dos modelos devem seguir a lista de modelos da plataforma
MODEL_ROUTER = {
    "simple": "gemini-4-argon",   # Desenvolvimento comum e trabalho com conhecimento
    "complex": "gemini-4-carbon"  # Depuração complexa, raciocínio profundo, tarefas longas
}

def ask_gemini(
    prompt: str,
    complexity: str = "simple",
    system_prompt: Optional[str] = None,
    max_tokens: int = 2000
) -> str:
    """Escolhe o modelo da família Gemini 4 de acordo com a complexidade da tarefa"""
    model = MODEL_ROUTER.get(complexity, MODEL_ROUTER["simple"])
    messages = []
    if system_prompt:
        messages.append({"role": "system", "content": system_prompt})
    messages.append({"role": "user", "content": prompt})

    try:
        resp = client.chat.completions.create(
            model=model,
            messages=messages,
            max_tokens=max_tokens
        )
        return resp.choices[0].message.content
    except Exception as e:
        return f"Error: {e}"

# Tarefas do dia a dia vão para o Argon; depuração complexa vai para o Carbon
print(ask_gemini("给这个函数补充类型注解", complexity="simple"))
print(ask_gemini(
    "分析以下并发代码可能出现死锁的原因，并给出修复方案",
    complexity="complex",
    system_prompt="你是资深后端工程师，先列假设再逐一验证"
))

Dica para começar: o preço da API do Carbon será ajustado em 1º de dezembro, então vale começar testando com amostras pequenas. Ao se cadastrar no APIYI (apiyi.com), você recebe créditos gratuitos para testes, e uma única chave API dá acesso a Gemini, Claude, OpenAI e outros modelos, o que facilita comparar os resultados com o mesmo comando.

Perguntas Frequentes (FAQ)

Pontos-chave da evolução do Gemini em três anos (Key Takeaways)

• Linha de evolução: o Gemini começou entendendo informações, passou a raciocinar sobre problemas e hoje executa tarefas complexas por longos períodos
• Base construída cedo: o multimodal nativo do 1.0 e a janela de contexto de um milhão de tokens do 1.5 foram o alicerce de tudo o que veio depois
• Ponto de virada: o Thinking do 2.5 e o Antigravity da geração 3 colocaram o Gemini no centro do campo de batalha da programação
• Divisão de papéis entre os modelos: o Argon cuida do desenvolvimento do dia a dia, e o Carbon assume depuração complexa e raciocínio de longo prazo
• Como ler os rankings: o Carbon lidera na pontuação geral, mas o Opus ainda leva vantagem em WebDev e em Agentes de programação
• Como começar: dá para testar o Gemini e outros modelos populares com uma interface unificada no APIYI (apiyi.com)

Resumo

De “Doubao americano” a modelo de programação de ponta: o essencial dessa trajetória de três anos do Gemini cabe em três pontos:

1. As capacidades foram se empilhando camada por camada: multimodal, contexto longo, Thinking, chamada de ferramentas e execução prolongada. Cada etapa se apoia na anterior.
2. O ecossistema foi a chave da virada: ferramentas como o Antigravity deram ao modelo um ambiente onde ele realmente pode “pôr a mão na massa”, e a distribuição de produtos do Google levou essas capacidades a um enorme número de usuários.
3. A disputa continua multipolar: o Carbon entrou no primeiro pelotão, mas o Opus e o Astra têm seus próprios pontos fortes. A melhor estratégia para quem desenvolve é escolher o modelo conforme a tarefa.

O Gemini, que antes era visto mais como o assistente do pacote Google, hoje já pode ser um dos principais candidatos para engenharia complexa e desenvolvimento de Agentes. O ranking é só o ponto de partida: a resposta de verdade vem de rodar tudo no seu próprio projeto. Minha sugestão é usar a cota gratuita do APIYI (apiyi.com) para colocar a série Gemini 4 e outros modelos candidatos na mesma tarefa, e só depois definir a combinação principal da equipe.

📚 Referências

1. Blog oficial do Google: lançamento do Gemini 1.0: apresentação da família de modelos multimodais nativos
2. Link: blog.google/innovation-and-ai/technology/ai/google-gemini-ai

3. Observação: para entender o posicionamento original do Gemini

4. Blog oficial do Google: Gemini 3 e Antigravity: lançamento do Agentic Coding e do ambiente de desenvolvimento

5. Link: blog.google/products-and-platforms/products/gemini/gemini-3

6. Observação: para entender a virada do Google, que deixou de focar só no modelo e passou a olhar para o ambiente de trabalho

7. Blog oficial do Google: Gemini 4 Carbon disponível e preços: abrangência do lançamento e preços da API

8. Link: blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available

9. Observação: diferença no posicionamento oficial entre Carbon e Argon

10. Google DeepMind: model card do Carbon: descrição de contexto e capacidades

11. Link: deepmind.google/models/model-cards/gemini-4-carbon

12. Observação: consulte parâmetros técnicos como a janela de contexto de 1 milhão de tokens

13. Artificial Analysis: análise especial do Carbon: avaliação independente e abrangente

14. Link: artificialanalysis.ai/articles/gemini-4-carbon-new-number-1

15. Observação: fonte dos dados do Intelligence Index, do Coding Agent Index e outros

16. Arena: ranking WebDev: classificação específica para desenvolvimento web

17. Link: arena.ai/leaderboard/code/webdev

18. Observação: compare o desempenho dos modelos em tarefas de desenvolvimento web

19. Preços oficiais da API Gemini: regras de cobrança mais recentes

20. Link: ai.google.dev/gemini-api/docs/pricing
21. Observação: os preços valem conforme as informações em tempo real da página oficial

Autor: equipe técnica da APIYI
Troca de experiências técnicas: fale com a gente na página inicial do site da APIYI. Para mais materiais de integração, acesse a central de documentação em docs.apiyi.com

Artigos relacionados

• O Google Antigravity lança o /swarm: uma leitura dos 4 tipos de papéis na transição da programação por IA da execução com um único agente para a colaboração em equipe com múltiplos agentes: Explique a funcionalidade de pré-visualização /swarm do Google Antigravity: como o Coordinator, o Worker, o Verifier e o Monitor dividem e coordenam o trabalho, e esclareça de uma vez as cópias de trabalho, o painel de visualização, o consumo de cota e os limites de permissão.
• Gemini 4 Carbon usa /swarm para construir um mundo 3D do campus do Google: 拆解 Google 官方演示的鹈鹕骑 GBike 开放世界游戏，看 Gemini 4 Carbon 如何借助 Antigravity /swarm 协调多 Agent 完成三维资产、浏览器游戏与声音设计，以及它的边界。
• De fotos históricas a 3D interativo: Gemini 4 Carbon recria o processo de construção da Torre Eiffel com um único comando: Análise da demonstração da Torre Eiffel do Google: como o Gemini 4 Carbon usa a colaboração multiagente /swarm do Antigravity para organizar fotos históricas e plantas de engenharia em uma exposição tridimensional interativa em Three.js.
• API do Google processa 32 bilhões de tokens por minuto: quem está consumindo todo esse poder computacional?: Analise os “quase 32 bilhões de tokens por minuto” divulgados no relatório financeiro da Alphabet do terceiro trimestre de 2026, identifique as necessidades reais de desenvolvedores, clientes empresariais e cenários de agentes e indique quais dados ainda não foram divulgados.
• 5 principais motivos para a baixa taxa de acerto do cache do Gemini: explicação detalhada dos critérios de cobrança de cache no AI Studio e no Vertex: Entenda por que a taxa de acerto do cache dos modelos de texto Gemini é muito menor que a da OpenAI e da Claude: com base na documentação oficial, este artigo detalha o cache implícito e explícito, o limite mínimo de tokens, o isolamento por projeto no Vertex e como são definidos e conferidos os custos de cache no AI Studio e no Vertex.