Como combinar documentos, gráficos e vídeo em um único pedido ao Gemini 4 Argon

Fala aí, beleza? Se tu já jogou um PDF, um gráfico e um vídeo no mesmo chat de IA, é bem provável que tenha recebido três respostas soltas: uma sobre o documento, outra sobre o gráfico e outra sobre o vídeo

E o que você queria era uma DECISÃO 😛

É aqui que o Gemini 4 Argon entra na conversa

O Google e o Google DeepMind anunciaram o Gemini 4 Argon em 30 de setembro de 2026 como o modelo de fronteira mais avançado deles

No anúncio, o Google destacou três capacidades multimodais:

• análise profissional de gráficos
• identificação de detalhes em vídeos longos
• execução de ações com base em uma série de documentos

São justamente as três coisas que a gente quer juntar num pedido só, né? 🙂

Mas se liga: o modelo ainda NÃO está aberto ao público

A liberação inicial é só para defensores de cibersegurança de confiança, dentro do Fairwind Program (governos e parceiros de confiança), e não dá pra ativar no app Gemini

Então este guia ensina a estrutura do pedido, que é o que vai te deixar pronto quando o acesso chegar

O que você precisa antes de montar o pedido multimodal

Antes de tudo, vale separar duas coisas: o que é estado atual e o que é preparação

Uma depende do Google, a outra depende só de você

O Gemini 4 Argon já está disponível na API ou no app?

Ainda não

Em 1 de outubro de 2026, o Argon não aparecia na página de modelos da Gemini API, na página de preços, no app Gemini, no Antigravity nem no OpenRouter

Ou seja, por enquanto não tem como chamar o Argon por nenhuma dessas plataformas

O que dá pra preparar mesmo sem acesso:

A parte que mais pesa no resultado não depende do modelo estar liberado

É a organização do material:

• A pergunta de decisão escrita em uma frase: se tu não consegue escrever, o modelo também não vai adivinhar
• A série de documentos organizada e nomeada: nome de arquivo que diz o que é (especificação, ata, changelog, relatório do trimestre) ajuda você a referenciar cada um no prompt
• Os gráficos exportados com título e eixos legíveis: gráfico sem legenda vira chute, pra humano e pra IA
• Os trechos de vídeo identificados: anote o que tu quer que o modelo procure ali dentro

Por que pedir um relatório completo e não um resumo?

O Argon tem limite de 1 milhão de tokens de saída, contra 64 mil nos modelos Gemini anteriores

Isso muda o jogo do formato: dá pra pedir a decisão com justificativa por fonte, riscos e próximos passos, em vez de se contentar com um parágrafo espremido

O que não significa pedir texto infinito, beleza? Saída longa só vale quando cada parte tem função (voltamos nisso no passo 6)

Passo a passo: como estruturar um pedido que mistura documentos, gráficos e vídeo

O cenário de exemplo é simples: decidir se uma nova versão de um app vai pra produção

Tu tem a documentação técnica, um gráfico de métricas e a gravação da demo

Bora montar o pedido na prática?

Passo 1: abrir com a decisão, não com os arquivos

O modelo lê o pedido de cima pra baixo

Se a primeira coisa que ele vê é uma pilha de anexos, ele vai descrever a pilha

Se a primeira coisa é a decisão, tudo que vem depois vira evidência pra essa decisão

Preciso decidir: a versão 2.4 do app pode ir para produção nesta semana, sim ou não?

Use os materiais abaixo apenas para responder essa pergunta

O erro comum deste passo: escrever "analise isso tudo"

Analisar tudo é exatamente o que gera três respostas soltas

Passo 2: dar um papel para cada fonte

Cada mídia responde a um tipo de pergunta diferente

Documento diz o que DEVERIA acontecer, gráfico mostra o que os números dizem e vídeo mostra o que aconteceu de fato

É como um julgamento: tem o contrato, tem o laudo e tem a câmera de segurança, e cada um prova uma coisa

Fontes e o papel de cada uma:

- Documentos (especificação, changelog, notas de QA): base factual. Use para saber o que a versão promete entregar
- Gráfico de latência e taxa de erro: evidência quantitativa. Use para saber se o desempenho está dentro do esperado
- Gravação da demo: evidência do que aconteceu na prática. Use para conferir se o comportamento bate com a especificação

O erro comum deste passo: anexar tudo sem dizer pra que serve cada arquivo

Aí o modelo dá o mesmo peso pra uma nota de rodapé e pro dado que decide o assunto

Passo 3: nomear o que importa no gráfico

O Google fala em análise profissional de gráficos, e isso é ótimo, mas o recorte quem escolhe é você

Um gráfico de métricas tem dezenas de leituras possíveis

Diga qual te interessa:

No gráfico, analise:

1. A tendência da latência ao longo do período
2. Se existe um ponto de inflexão e quando ele acontece
3. A comparação entre a série da versão atual e a da versão 2.4

Se algum desses pontos não puder ser lido no gráfico, diga isso em vez de estimar

O erro comum deste passo: confiar que o modelo adivinha o recorte

Ele vai descrever o gráfico inteiro com muita educação e zero utilidade pra tua decisão haha

Passo 4: no vídeo longo, dizer o que procurar e pedir o momento

Vídeo longo é onde mais se perde tempo

O segredo é tratar o vídeo como um lugar onde você está procurando provas, e não como algo pra resumir

Na gravação da demo, procure:

- Qualquer travamento, erro na tela ou mensagem de falha
- O momento em que o fluxo de pagamento é executado
- Comentários de quem apresenta sobre limitações conhecidas

Para cada item encontrado, cite o momento aproximado do vídeo em que ele aparece

Pedir o momento tem um motivo bem prático: tu consegue conferir se aquilo aconteceu mesmo

Sem isso, fica impossível separar o que o modelo viu do que ele deduziu

O erro comum deste passo: pedir "resuma o vídeo"

Resumo de demo de quarenta minutos é tudo que você NÃO precisa pra decidir um deploy 😀

Uma observação: aqui o vídeo é evidência, não produto

Se o teu objetivo é criar vídeo, o assunto é outro, tipo a geração de vídeo do Gemini Omni ou como manter a consistência de personagem no Omni

Passo 5: exigir o cruzamento entre as fontes

Esse é o passo que transforma três análises em uma decisão

Sem ele, o modelo pode até fazer os passos 2 a 4 direitinho e ainda te entregar três blocos que não conversam

Depois de analisar cada fonte, cruze as três:

- Onde documentos, gráfico e vídeo concordam
- Onde eles se contradizem (exemplo: a especificação promete algo que a demo não mostra)
- Qual fonte deve pesar mais em cada contradição, e por quê

O erro comum deste passo: aceitar a resposta em três blocos separados

Se veio assim, devolve o pedido só com o trecho de cruzamento, sem medo

Passo 6: fixar o formato de saída

Formato livre é convite pra enrolação

E com espaço de saída grande, a enrolação pode ficar enorme…

Então defina as seções, e deixe claro que o tamanho vem da necessidade e não do limite:

Responda neste formato:

1. Decisão: sim ou não, em uma frase
2. Justificativa por fonte: o que cada fonte mostrou, em poucos parágrafos cada
3. Contradições e como você as resolveu
4. Riscos se a decisão for seguida
5. Próximos passos, em lista

Seja completo onde houver evidência e curto onde não houver

O erro comum deste passo: deixar o formato em aberto

Aí cada resposta vem num formato diferente e tu nunca consegue comparar dois pedidos 🙂

Casos de uso: quando juntar as três mídias em um só pedido faz sentido

O Google declarou que o Argon foi feito para fluxos complexos e de longo prazo, com três focos: engenharia de software, trabalho de conhecimento corporativo e defesa em cibersegurança

Dá pra encaixar o pedido multimodal nos três

Engenharia de software: vai pra produção ou não?

• Fontes: documentação técnica, gráfico de métricas e gravação da demo (o vídeo)
• Pergunta de decisão: esta entrega está pronta pra produção, considerando o que foi especificado, o que os números mostram e o que a demo mostrou?

Trabalho corporativo: qual é a recomendação do trimestre?

• Fontes: relatórios do trimestre, gráficos de resultado e vídeo da apresentação
• Pergunta de decisão: com base no que foi relatado, medido e apresentado, devemos manter, ajustar ou cortar esta iniciativa?

Cibersegurança: como fazer a triagem de um incidente?

• Fontes: documentos do incidente, gráfico de tráfego e gravação de tela
• Pergunta de decisão: este incidente é prioridade alta, e qual é a primeira ação de contenção?

O que os benchmarks do Google dizem sobre a aposta multimodal?

O Google divulgou dois números que ajudam a entender por que a aposta é nessas mídias:

São números do próprio Google, beleza? Servem como contexto, não como garantia de que o teu pedido vai sair perfeito

Quando NÃO vale juntar tudo num pedido só?

Quando a pergunta é sobre uma fonte só

Se tu quer saber o que diz o contrato, anexar o gráfico e o vídeo só adiciona ruído

Pedido multimodal faz sentido quando a decisão depende do CRUZAMENTO, e não quando tu está com preguiça de abrir três chats xD

O que já dá para praticar com o Gemini atual enquanto o Argon não chega

Antes de tudo, deixa eu ser bem claro: tudo desta seção é sobre o Gemini disponível hoje, no recurso de criar arquivos editáveis

NÃO é sobre o Argon, e nada daqui deve ser lido como funcionamento do Argon

Por que falar disso então?

Porque o passo 6 pede uma saída estruturada e utilizável, e treinar esse hábito já dá pra fazer agora

Pedir um arquivo ou um documento de decisão em vez de texto solto é um músculo, e quanto antes tu treinar, melhor

O que eu testei no recurso de arquivos editáveis do Gemini:

No vídeo eu mostro um pedido de planilha no Google Sheets para controle financeiro pessoal

E no prompt eu especifiquei tudo: abas de receitas, despesas e resumo, verde pra valores positivos, vermelho pra negativos e cabeçalho com fundo cinza

O arquivo gerado abre direto no Google Sheets ou num preview dentro do próprio Gemini, e o conteúdo vem totalmente editável

Também pedi uma apresentação no Google Slides: 8 slides de pitch pra uma startup fictícia chamada Flow AI, com um tema visual diferente pra cada slide

O que não saiu perfeito (e o que isso ensina):

Num teste anterior, a separação em abas não funcionou direito

Pode ter sido falha do meu prompt, pode ter sido inconsistência do Google em repetir o mesmo resultado, sinceramente fico com as duas hipóteses

Em outro teste, o preview de um arquivo de texto não abriu dentro do Gemini, mas o PDF abriu normalmente

A lição é a mesma do passo 6: formato explícito ajuda, mas sempre confira a saída

Minha opinião depois de usar:

Tabelas com formatação padrão funcionam muito bem nesse recurso

No geral, achei uma mão na roda: adianta bastante o trabalho, e depois é só ajustar o que não saiu correto

Meu conselho: use prompts com os teus dados reais, e não aqueles pedidos simples de teste

É assim que tu chega num resultado mais próximo do que vai usar de verdade, e é exatamente o mesmo raciocínio do pedido multimodal com decisão no topo

Achei o recurso bem interessante, útil pra quem trabalha com documentos no dia a dia e também pra área acadêmica, um bom respiro do Google depois de um tempo sem lançamentos relevantes

Se tu quer ver isso funcionando, este vídeo do canal é uma introdução ao Gemini atual e ao recurso de criar arquivos editáveis:

Próximo passo: deixe o pedido pronto antes do acesso abrir

A fórmula toda cabe numa linha: decisão no topo, papel pra cada fonte, cruzamento obrigatório e formato fixo

O resto é detalhe de cada caso

O próximo passo prático é escrever hoje o modelo de pedido pra um caso real teu, com a pergunta de decisão, os papéis e o formato de saída

E testar a estrutura no Gemini disponível, pra ir ajustando o que não funciona

Quando o Gemini 4 Argon vai estar disponível?

Ainda sem data

Os próximos a receber acesso serão os clientes pagos da API e os assinantes do Google AI Ultra, e não há data anunciada pra disponibilidade geral

Quanto vai custar o Gemini 4 Argon na API?

O preço de lançamento já foi divulgado, e vale como informação pra planejamento:

O fim do preço promocional ainda não tem data

E tem um detalhe que casa bem com este guia: tokens de entrada em cache custam 95% menos que o preço normal de entrada

Ou seja, se tu vai reutilizar a mesma série de documentos em vários pedidos (mudando só a pergunta de decisão), isso tende a pesar a favor no bolso

Conclusão

O problema dos pedidos multimodais nunca foi o modelo ler documento, gráfico ou vídeo

Foi a gente pedir as três leituras sem dizer pra que elas servem

Com a decisão no topo, um papel pra cada fonte, o recorte do gráfico, o que procurar no vídeo, o cruzamento obrigatório e um formato fixo, a resposta para de ser três textos soltos e vira uma decisão que tu consegue conferir

O Argon ainda não chegou pro público, mas o pedido pode estar pronto antes dele 😀

Até o próximo post!