Os Três Novos Modelos do Google DeepMind para Agentes de IA

Se eu tivesse que resumir isto em uma linha, seria esta: use o Gemini 3.5 Flash-Lite para roteamento inicial barato, o Gemini 3.6 Flash para o trabalho principal do agente e o Gemma 4 quando você precisa rodar as coisas nos seus próprios sistemas.

Aqui vai a versão curta. O artigo compara três modelos nos pontos que mais importam para agentes de IA: latência, custo, uso de ferramentas, entrada multimodal, planejamento e controle de implantação. Um modelo foi feito para triagem de alto volume, um serve para a execução do dia a dia e um foi construído para cargas de trabalho auto-hospedadas e privadas.

O que mais me chamou a atenção:

• O Gemini 3.5 Flash-Lite é o divisor de tráfego de baixo custo para classificação, extração e roteamento, com latência abaixo de 200 ms
• O Gemini 3.6 Flash fica no meio como o cavalo de batalha principal para chamadas de ferramentas, trabalho com documentos e etapas de fluxo, com latência em torno de ~500 ms
• O Gemma 4 desloca o trade-off para pesos abertos, licença Apache 2.0, implantação local e tratamento privado de dados
• O Gemma 4 vai de 2.3B a 31B de parâmetros, com contexto de até 256K
• A versão 26B A4B MoE ativa 3.8B dos 25.2B de parâmetros na inferência
• Uma configuração em camadas pode reduzir gastos mantendo tarefas simples em modelos menores e enviando os casos difíceis aos maiores

Se você está escolhendo rápido:
escolha o Flash-Lite para roteamento, o Flash para execução e o Gemma 4 para controle auto-hospedado.

O 3.6 Flash do Google Prova Que os Agentes de IA Estão Prestes a Ficar Baratos

Comparação Rápida

Em outras palavras, não se trata de escolher o "melhor" modelo. Trata-se de casar cada modelo com o trabalho usando uma API de LLM unificada, para que sua stack de agentes se mantenha rápida, atenta aos custos e sob seu controle onde for necessário.

1. Gemini 3.6 Flash

Encaixe na carga de trabalho do agente

Dos três modelos, o Gemini 3.6 Flash é a opção com prioridade em throughput. Use-o para agentes de alto volume que precisam de baixa latência, custo estável e respostas rápidas.

Latência e throughput

Isso o torna uma boa opção para fluxos com muitas requisições, como triagem de tickets, consulta de documentos ou roteamento de tarefas em larga escala. Nesses casos, a velocidade importa mais quando o modelo também precisa agir de forma estável e confiável.

Uso de ferramentas e personalização

Você pode combiná-lo com function calling, recuperação, checagens de política e etapas de aprovação humana para manter a automação controlada. Por exemplo, ele funciona bem para um agente que lê uma solicitação, puxa documentos-fonte, chama ferramentas e envia os casos extremos para um humano.

A seguir, o Gemini 3.5 Flash-Lite desloca o trade-off para tarefas de agente mais leves e de menor custo.

2. Gemini 3.5 Flash-Lite

Encaixe na carga de trabalho do agente

O Gemini 3.5 Flash-Lite é o modelo padrão de baixo custo para classificação, extração e roteamento de alto volume. Pense nele como a camada de controle leve de uma stack de agentes: ele cuida do grosso do tráfego enquanto modelos maiores entram nas decisões mais difíceis.

Latência e throughput

Sua latência abaixo de 200 ms o torna uma escolha forte para fluxos de fan-out, processamento em lote e roteamento rápido. Quando um sistema de agentes quebra um trabalho grande em muitas tarefas pequenas, o Flash-Lite consegue liquidar essas subtarefas rápido e depois devolver os resultados para consolidação.

Custo e modelo de implantação

Seu baixo custo o torna o modelo padrão de primeira passada para grandes filas de tarefas simples. Se controle de implantação e pesos abertos importam mais do que essa configuração, o Gemma 4 muda esse trade-off.

Uso de ferramentas e personalização

O Flash-Lite suporta saídas estruturadas e ajustes leves de tarefa para roteamento e extração. Um padrão comum é simples: use o Flash-Lite como classificador ou extrator de primeira passada e envie apenas os casos extremos para um modelo mais forte. Assim, agentes maiores podem reservar os modelos mais pesados para planejamento, raciocínio multimodal e exceções difíceis.

3. Gemma 4

Encaixe na carga de trabalho do agente

O Gemma 4 é a escolha focada em controle para stacks de agentes que precisam rodar localmente, trabalhar com dados sensíveis e permanecer fáceis de ajustar. Sua licença Apache 2.0 permite que as equipes façam fine-tuning e implantação em sistemas locais, o que serve a configurações reguladas ou offline com regras rígidas de governança de dados. Ele também pode remover PII na entrada, antes de os dados saírem dos sistemas locais, o que é útil para equipes de saúde e finanças ^[1].

Isso importa porque o controle local não é só uma questão de privacidade. É também decidir o quanto você pode ajustar o modelo, onde ele roda e que tipo de carga de trabalho ele consegue atender. Com o Gemma 4, isso se resume a tamanho do modelo, janela de contexto e custo de execução.

Latência e throughput

O Gemma 4 vai de um modelo mobile de 2.3B até um modelo de servidor de 31B. Isso dá às equipes espaço para casar o modelo com o trabalho em vez de forçar um único modelo a fazer tudo. Modelos pequenos podem cuidar de tarefas de borda, enquanto os maiores podem assumir planejamento ou raciocínio de contexto longo.

A variante 26B A4B MoE se destaca aqui. Na inferência, ela ativa 3.8B dos 25.2B de parâmetros, o que ajuda a manter a execução mais eficiente. Quanto ao tamanho do contexto, os modelos menores suportam 128K tokens, enquanto os modelos 12B, 26B A4B e 31B suportam 256K tokens. Isso é um bom encaixe para documentos longos e traces longos de agentes ^[1].

Custo e modelo de implantação

Rodar o Gemma 4 no seu próprio hardware elimina as taxas de API por token, mas a conta não desaparece. Ela migra para servidores, escalonamento e disponibilidade. Ou seja, em vez de pagar um provedor, você paga pela stack por trás do modelo.

O Gemma 4 também dá às equipes algumas formas de reduzir o uso de memória. Checkpoints de Quantization-Aware Training (QAT) estão disponíveis nos formatos GGUF, wNa8o8 otimizado para mobile e Compressed Tensors w4a16. Eles podem diminuir a necessidade de memória mantendo a qualidade da saída próxima ao bfloat16 ^[1].

Essa configuração torna o modelo uma opção forte quando os agentes precisam de controle local e execução estruturada, e quando a equipe está pronta para gerenciar a infraestrutura que vem junto.

Uso de ferramentas e personalização

O Gemma 4 suporta function calling nativo e um papel de sistema nativo, o que dá aos desenvolvedores de agentes controle mais direto sobre o fluxo da conversa e a execução das tarefas ^[1]. Ele também funciona com transformers, vLLM e llama.cpp ^[1], então consegue se encaixar em stacks que muitas equipes já usam.

A variante Unified 12B pode receber entradas de imagem e áudio diretamente. Isso é útil para agentes multimodais que precisam de um único caminho de fine-tuning para entradas de texto, imagem e áudio ^[1].

O Gemma 4 também inclui um modo "Thinking" embutido. Ele ajuda em tarefas mais difíceis, mas adiciona latência. Em termos simples: use-o para planejamento e raciocínio complexo, não para roteamento rápido ^[1]. Então, embora o Gemma 4 aposte forte no controle, esse controle vem com demandas de infraestrutura e alguns trade-offs de velocidade.

Trade-Offs, Opções de Integração e Prós e Contras

Se você olha para esses modelos como uma stack, eles se dividem de forma bem limpa em três trabalhos: triagem, execução e controle local.

Então a decisão principal não é apenas qual modelo é o melhor. É se você quer um único modelo cuidando de tudo, ou uma configuração em camadas em que cada modelo assume a parte que faz melhor.

Uma arquitetura em camadas tende a servir melhor a agentes complexos, em escala empresarial. O Flash-Lite pode assumir triagem e roteamento de alto volume com a menor latência e o menor custo. O Gemini 3.6 Flash pode cuidar da execução central dos fluxos, do uso de ferramentas e do trabalho de contexto longo. O Gemma 4 serve a cargas reguladas ou privadas que precisam de auto-hospedagem ou implantação em nuvem privada.

Usadas assim, as equipes podem cortar custos de forma significativa em comparação com enviar toda requisição a um único modelo de maior capacidade. Nesse ponto, o trade-off muda: controle de implantação vs. simplicidade operacional.

Para geração de imagem ou vídeo fora do raciocínio textual, a APIMart pode rotear tarefas por uma única API multimodal.

A tabela abaixo resume os principais caminhos de integração.

Na prática, esses trade-offs moldam uma escolha bem simples: usar um modelo de ponta a ponta, ou dividir roteamento, execução e cargas privadas entre camadas diferentes.

Conclusão

O modelo certo se resume a três coisas: complexidade da tarefa, orçamento e controle de implantação.

Com essa lente, o Gemini 3.5 Flash-Lite é a primeira escolha para roteamento leve. Ele serve bem a trabalhos de roteamento e extração de alto volume. Use-o para classificação, extração e roteamento de primeira passada. Se o trabalho exige mais coordenação, suba para o Gemini 3.6 Flash.

O Gemini 3.6 Flash funciona como a camada de execução padrão para agentes em produção. Ele fica entre o custo menor do Flash-Lite e a implantação focada em controle do Gemma 4, o que o torna um padrão sólido para equipes que querem saída forte em escala. Se o controle de implantação é o que mais importa, o Gemma 4 passa a ser o melhor encaixe.

O Gemma 4 foi construído para equipes que precisam de controle, privacidade ou acesso offline. Ele serve a ambientes regulados porque suporta processamento no dispositivo ou auto-hospedado e remoção local de PII. Seus pesos abertos também tornam o fine-tuning de domínio mais simples.

Use o Flash-Lite para roteamento, o Gemini 3.6 Flash para execução e o Gemma 4 para controle auto-hospedado.

Perguntas Frequentes

Quando devo usar uma configuração de modelos em camadas?

Use uma configuração de modelos em camadas quando precisar equilibrar desempenho, custo e confiabilidade conforme seu app cresce.

A ideia básica é esta: envie tarefas simples e de alto volume para modelos de menor custo e reserve os modelos de fronteira para o trabalho complexo e de alto risco.

Essa divisão pode cortar os custos de API em 60% a 80%, especialmente quando você só escala uma requisição depois que um modelo mais leve falha em atingir seu limiar de confiança.

É um trade-off bem simples. Você não precisa do seu modelo mais avançado cuidando de toda tarefa rotineira. Deixe o modelo mais leve dar a primeira passada e traga o modelo mais pesado apenas quando o trabalho exigir.

Como escolho entre o Gemini 3.6 Flash e o Gemma 4?

Escolha com base no que mais importa para você: velocidade, escala ou controle.

O Gemini 3.6 Flash é um modelo multimodal de alto desempenho, feito para tarefas de baixa latência e alto volume. Isso o torna uma escolha forte para apps em tempo real e fluxos sensíveis a custo.

O Gemma 4 faz mais sentido se você quer mais controle e flexibilidade, como implantação local ou rodar o modelo na sua própria infraestrutura. Vá de Gemini 3.6 Flash para produção rápida e escalável. Escolha o Gemma 4 para uso privado, no dispositivo, ou fine-tuning personalizado.

Quais tarefas de agente combinam melhor com o Flash-Lite?

O Flash-Lite é uma boa escolha para trabalho de alto volume e sensível a custo, em que a eficiência importa mais do que o raciocínio profundo. Ele se sai especialmente bem em extração básica de dados e classificação.

Ele também funciona bem como a primeira camada de uma cascata de modelos. Em muitas configurações, ele consegue atender 70% a 85% das requisições antes de enviar as consultas mais difíceis aos modelos premium. Isso pode cortar os custos em 60% a 75%, mantendo estáveis os fluxos de trabalho padrão dos agentes.