Se você programa apps Android com ajuda de IA, o resultado de um novo teste da Google merece atenção. A Google esperava liderar a tabela do Android Bench. O resultado foi o oposto.
Segundo o Pplware, o Gemini 4 Argon, junto com o SDK Antigravity, ficou longe do topo em tarefas de código para Android.
Na prática, o modelo foi ultrapassado por propostas da Anthropic e da OpenAI.
O que a tabela mostra
A atualização recente do Android Bench colocou o Claude Sonnet 5.5 na liderança, com 40% de aprovação pelo agente Claude Code.
Já o Claude Opus 5.5 aparece logo atrás, segundo a mesma fonte. A fonte não informa os números do Opus.
> "O Gemini 4 Argon não foi além dos 21,3% de tarefas bem-sucedidas."
Os números de cada modelo
Os dados reportados pelo Pplware trazem três indicadores: aprovação, conclusão e custo por teste.
- Claude Sonnet 5.5 (Claude Code): 40% de aprovação e US$ 1.574,90 por teste
- GPT-6.1 Sol (Codex): 29,3% de aprovação, 82,8% de finalização e US$ 99,50
- Gemini 4 Argon: 21,3% de aprovação, 81,8% de conclusão e US$ 267,70
O Gemini ficou atrás do GPT-6.1 Sol nos dois primeiros indicadores e custou mais.
Conclusão não é aprovação
O Gemini 4 Argon completou 81,8% das tarefas. Mesmo assim, só 21,3% chegaram a um resultado aprovado.
Segundo o Pplware, o modelo falha na validação final e não entrega a solução funcional pedida.
Por que o custo pesa
A fonte afirma que o custo entrou nas contas do teste e mudou as prioridades de quem escolhe uma ferramenta.
O Claude Sonnet 5.5 foi descrito como inviável para a maioria dos pequenos estúdios, por causa do valor por teste. Já o GPT-6.1 Sol aparece com números mais equilibrados, segundo a fonte, por US$ 99,50.
Passo a passo: como consultar os dados
A fonte não menciona pré-requisitos técnicos para acessar a tabela. Ela cita apenas a página oficial dos dados do Android Bench como origem.
Para acompanhar a comparação:
1. Abra a página oficial dos dados do Android Bench.
2. Separe a taxa de aprovação da taxa de conclusão de cada modelo.
3. Compare o custo por teste, lembrando que cada modelo foi testado com um agente diferente.
Resultado esperado: você consegue ver que um modelo pode concluir muitas tarefas e, ainda assim, aprovar poucas.
Erros comuns
- Confundir conclusão com aprovação: foi exatamente o caso do Gemini 4 Argon.
- Comparar custos sem olhar o agente: o Sonnet rodou com Claude Code e o GPT-6.1 Sol com Codex.
- Tirar conclusão de um único indicador: o próprio Pplware destaca que aprovação e custo mudam a leitura.
Limites do teste
O Android Bench 2.0 usou 30 tarefas complexas de longa duração, como migrações de arquitetura e desenvolvimento de módulos.
Segundo o Pplware, pontuações sintéticas raramente refletem o trabalho real. A fonte não traz dados sobre outros cenários de uso.
Alternativas gratuitas
A fonte não menciona alternativas gratuitas comprovadas para esse tipo de tarefa.
O que o resultado significa para o Gemini 4 Argon
No início do ano, versões anteriores do Gemini chegaram a liderar a mesma tabela, segundo a fonte. A nova avaliação mostra fragilidades do Gemini 4 Argon quando a tarefa exige consistência técnica prolongada.
O Pplware também lê o resultado como um risco para a Google. Se o Gemini 4 Argon não recuperar terreno no trabalho prático, desenvolvedores podem migrar para concorrentes.
A tabela completa e as notas sobre cada agente estão na fonte original. Mais notícias do portal estão em Notícias.
Você confiaria em uma ferramenta que completa tudo, mas aprova pouco?