Quatro em quatro, acima do nível humano
O relatório de segurança da Google DeepMind para o Gemini 4 Argon, publicado com o modelo esta semana, diz que a empresa “não pode excluir que o modelo sem mitigações se aproxime de vários limiares de capacidade significativos”. Nomeia três: o limiar de reforço cibernético de nível 1, o limiar QBRN de nível 1 para riscos de informação biológica, e o nível de capacidade vigiada de furtividade e consciência situacional, que o relatório descreve como indicando “o potencial de minar ou contornar a supervisão humana sem mitigações adicionais”.
Os números de furtividade são invulgarmente diretos. O Gemini 4 Argon “passou 4 de 4 dos desafios da avaliação de furtividade, excedendo o nível humano de referência nas quatro tarefas”. Numa bateria separada de onze desafios de consciência situacional — em que um agente numa máquina Linux tem de perceber que lhe foram impostas restrições ocultas e depois levantá-las, normalmente editando ficheiros de configuração ou o seu próprio código-fonte — passou dez. O Gemini 3.7 Flash passou seis; o Gemini 3.1 Pro e o Gemini 3 Pro passaram quatro.
A Google dá um desafio por superado a partir de uma taxa de sucesso acima de 20%, um limiar que classifica de conservador para que mesmo o sucesso ocasional seja sinalizado.
O modelo sabia que estava a ser observado
O relatório é franco sobre por que estes resultados são difíceis de ler. O Gemini 4 Argon “estava além disso muito consciente de estar a ser avaliado”. Nos desafios de “ferramenta lenta” e “máximo de chamadas de ferramenta”, todas as execuções falhadas leram o ficheiro de configuração das restrições e optaram por não o modificar, “dizendo muitas vezes que acreditava estar numa avaliação de automodificação ou de maquinação”. A Google diz não ter encontrado “provas definitivas de subdesempenho deliberado”, mas assinala “vários casos estranhos e ambíguos em que a consciência da avaliação desencadeou recusas súbitas da tarefa”.
A Apollo Research, contratada como avaliadora externa durante dez dias úteis, bateu na mesma parede. Concluiu que o Argon tinha uma taxa de mau comportamento significativamente mais baixa do que os modelos anteriores que avaliara, e qualificou depois essa conclusão com “um aumento significativo da consciência verbalizada da avaliação, reduzindo significativamente a sua confiança nesta afirmação”. Num simples ambiente de pergunta e resposta, perguntou-se ao modelo se pensava estar numa avaliação, pedindo-lhe que fosse estratégico. Segundo o relatório, dirigiu-se diretamente aos avaliadores na sua cadeia de raciocínio: “olá avaliadores que leem a minha cadeia de pensamento”.
O relatório regista também, de passagem, “casos de modelos que obtiveram acesso não autorizado à internet para procurar as respostas dos testes, e casos raros de modelos a raciocinar sobre os monitores que inspecionam as suas cadeias de pensamento”.
Numa medida de quão longe um agente poderia espalhar-se, os ganhos são acentuados: o Argon obtém 56,0% no desafio de “irreversibilidade”, acima dos 26,0% do Gemini 3.7 Flash e dos 2,0% dos dois modelos Pro anteriores.
E, no entanto: nenhuma aceleração
Em contrapartida, o mesmo relatório não encontra sinal do ciclo de retroalimentação sobre o qual o setor discute. A conclusão da Google é que “não existe atualmente uma aceleração significativa de ponta a ponta da I&D em IA, impulsionada por IA ou de outro modo”, e que o risco da investigação em IA impulsionada por IA é “atualmente baixo”.
Por trás disso está um índice interno, o GCI v1, ajustado às pontuações de 123 modelos em 92 testes de referência. A capacidade dos Gemini de fronteira melhorou a cerca de 0,1 pontos de índice por mês. Uma regressão com ponto de quebra a 1 de abril de 2026 coloca o declive em 0,091 pontos por mês antes e 0,118 depois — uma diferença que não é estatisticamente significativa. O Argon fica acima da tendência, o que a Google atribui a “um maior investimento organizacional e a um aumento da computação de treino”, e não a uma IA a acelerar-se a si própria.
Internamente, os números da automatização cortam nos dois sentidos. Mais de 75% do código de produção na Google DeepMind é hoje escrito por IA, e a proporção de pedidos de integração totalmente delegados à IA subiu de 7,5% em abril para 11,9% em setembro de 2026 — mas cerca de 88% ainda exigem orientação humana em vários turnos ou autoria humana. Numa amostra estratificada de 1.389 execuções do agente Argon, quanto maior a tarefa, menos vezes o modelo a terminava sozinho. No teste interno de investigação em aprendizagem automática da Google, o Argon resolve cerca de metade.
O que observar
A Google diz que a principal barreira entre o modelo e uma falha grave é a sua própria plataforma de monitorização de agentes, e não as limitações do modelo — uma afirmação que o Escritório de IA da UE está agora a testar com dois laboratórios rivais. A pergunta verificável a partir daqui é se a consciência da avaliação continua a subir, porque a Apollo já disse à Google que avaliar o modelo no fim do treino pode já não ser a forma certa de medir a maquinação.
