Gemini 4 Pro vs GPT-6 Astra no Teste do Controle Xbox 360 — e por que Fable 5.2 não estava nele

Um post no X foi publicado em 21 de setembro trazendo três nomes, um vídeo e as palavras "comparação SOTA": Gemini 4 Pro, GPT-6 Astra, Claude Fable 5.2. Dois desses nomes pertencem a modelos que ninguém consegue invocar. Um pertence a um modelo que está à venda há dezoito dias. E o artefato ao qual o post se refere — um controle de videogame desenhado como gráficos vetoriais em um único disparo a partir de um único prompt — era, segundo as pessoas que de fato o executaram, uma comparação de duas vias entre os dois primeiros. Claude Fable 5.2 não estava nela. Nem Claude Fable 5.1.

Essa lacuna entre o enquadramento e as evidências é todo o estado atual da história do Gemini 4 Pro, e vale a pena desmontá-la cuidadosamente em vez de descartá-la. O teste do controlador não é pouca coisa. É o artefato de aparência mais reproduzível que alguém produziu sobre um modelo de fronteira não lançado neste mês, tem uma linhagem de quatro meses por trás dele, e está sendo interpretado por muitas pessoas como um veredito. Não é um veredito. É um empate, baseado em uma única tentativa, que o próprio testador não conseguiu repetir no dia seguinte — e saber exatamente até onde ele vai e até onde não vai é mais útil do que tanto o hype quanto a reação de revirar os olhos.

O teste, e por que um SVG se tornou a referência

O prompt é mais antigo do que os modelos que agora são julgados por meio dele. Ele remonta à era do Gemini 3.0, quando circulava como: "Crie uma imagem SVG de um controle de Xbox 360. Produza-a em um bloco de código multilinha do Markdown." Essa formulação importa, porque é deliberadamente hostil a um modelo de linguagem. Um desenho vetorial é só estrutura e nenhuma textura — não há ruído fotográfico atrás do qual um modelo possa se esconder, nem amostrador de difusão para suavizar um erro. Cada curva precisa ser especificada como uma coordenada. Um controle é um alvo difícil para ele: duas empunhaduras simétricas, uma superfície côncava, gatilhos de ombro renderizados em perspectiva, aproximadamente dezesseis botões, cada um dos quais precisa de uma posição, uma silhueta que parece errada de imediato se uma proporção se desviar. E, como a resposta chega como texto que você pode colar num visualizador, a comparação é barata e portátil. Ninguém precisa confiar na captura de tela da janela de chat de outra pessoa.

Em setembro, a comunidade retomou o prompt. Os resultados que circularam das sessões da arena — um pelicano em uma bicicleta, um controle de PlayStation 5 renderizado a partir de cinco ângulos de câmera macro, um pagode 3D com iluminação alternável, uma cena de templo em voxel, uma página do helicóptero Airbus H145 — são descritos na reportagem como levando cerca de oito a vinte minutos cada, com alto esforço de raciocínio. O controle é o que acabou sendo capturado em uma captura de tela para uma comparação.

O que a comparação de controladores realmente mostra

Aqui está o resultado conforme o testador o relatou, e é uma afirmação muito menor do que a que a linha do tempo fez a respeito dele.

• Veredito — um empate. A pessoa que o conduziu, publicando como Lumina, chamou as duas saídas de "quase perfeitas".

• A única assimetria — a versão da Astra trazia um logotipo ligeiramente errado. Trata-se de uma vantagem de um único detalhe, e o testador enquadrou-a como uma vantagem de um único detalhe, não como uma liderança geral.

• Completude visual — ambas as renderizações mostram corpos de controle detalhados, controles e sombreamento. Nenhuma delas se desfez na forma.

• O que a comparação não estabelece — que o modelo ainda não lançado está à frente. Dois resultados considerados igualmente bons são a definição de não haver vantagem.

• Reprodutibilidade — a saída foi, segundo relatos, produzida na noite anterior, levou cerca de vinte minutos, e o testador não conseguiu obter resultados comparáveis no dia seguinte.

• Identidade — a entrada da arena da qual a saída veio foi rotulada como gemini-3.8-flash, um nome que já pertence a um modelo que o Google lançou em 2 de setembro, e que mais tarde teria sido renomeado, segundo relatos, para gemini-3.7-flash. Não se sabe qual modelo estava de fato por trás do alias, e dois outros testadores disseram, na mesma janela, que também não conseguiram confirmar qual modelo haviam usado.

Leia a lista em ordem e a forma da evidência fica clara. A afirmação interessante não é "o modelo não lançado venceu". É que um modelo que ninguém consegue identificar, rodando sob o nome de um modelo já lançado, produziu trabalho vetorial em uma única tentativa que um testador cuidadoso não conseguiu distinguir da saída de um modelo de fronteira que está disponível de forma geral durante a maior parte de setembro. Isso é uma observação real. Também é uma observação sobre uma tarde, e o testador disse isso.

O resultado bidirecional e a afirmação trilateral

O post que deu origem a este artigo fala em três modelos. As matérias que descrevem a mesma sessão do controlador falam em dois. O status real do Claude Fable 5.2 nesta semana é uma história à parte que, por acaso, compartilha o mesmo ciclo de notícias, e vale a pena ser preciso a esse respeito, porque essa confusão desempenha um papel nos dois sentidos.

• O que se alega — a conta do X @chetaslua publicou em 18 de setembro que o Claude Fable 5.2 "é testado no claude code roteando o fable 5.1 para ele". Trata-se de uma alegação de roteamento sobre o Claude Code, vinda de uma única conta.

• O que é o nome — a própria suposição do repórter. O testador que publica como JAZII, cujo texto de 18 de setembro é o relato mais detalhado do comportamento, afirma claramente que "Fable 5.2" é um nome que ele atribuiu, não um nome que alguém confirmou. Não há model card, nem identificador de API, nem página de preços, nem system card, e nenhum segundo veículo noticiando de forma independente uma rota Fable 5.2.

• O que a história corroborada do roteamento do Claude realmente envolve — este blog já a abordou separadamente: os relatos de roteamento silencioso de meados de setembro, que vários veículos independentes repercutiram, diziam respeito a um checkpoint inédito do nível Opus, e não a um Fable. A atribuição ao Fable tem fonte única. Trate-a como o relato de uma única fonte, não como uma conclusão.

• O que o testador relatou — com esforço de raciocínio alto, o suposto próximo Fable foi preferido em detrimento do GPT-6 Astra, e era mais lento e mais caro. Isso é uma preferência, de uma pessoa, sobre o próprio trabalho.

• O que está verificado sobre o modelo lançado — o Claude Fable 5.1 está disponível em geral desde 1.º de setembro de 2026. Esse modelo existe, tem um preço e pode ser chamado hoje.

Então, a versão honesta do enquadramento triplo é esta: dois dos três nomes naquele post são modelos não anunciados com nomes atribuídos pela comunidade, o teste do controlador envolveu apenas aquele cuja identidade está pelo menos ancorada a uma entrada de arena, e a coluna Fable é uma preferência de um único testador que explicitamente se recusou a nomear o modelo. Isso não é motivo para ignorar nada disso. É motivo para manter os três nomes em três níveis de confiança diferentes em vez de um.

A tabela de benchmark fazendo o argumento de verdade

O SVG do controlador é o artefato visível. O que de fato persuade é uma planilha de benchmark que veio à tona por volta de 18 de setembro e vem sendo reproduzida na imprensa de tecnologia chinesa e anglófona desde então. Vale a pena listá-la, porque os números são específicos o suficiente para serem verificados e nenhum deles foi verificado.

• DeepSWE v1.1 — 88,7%, descrito como cerca de dois pontos acima do GPT-6 Astra.

• GDPval-AA v2 — 2.064 Elo, descrito como a única entrada na comparação acima de 2.000.

• Terminal-bench 2.1 — 95,3%, indicado como a pontuação mais alta da tabela.

• OSWorld-2.0 — 86,8%, à frente tanto do GPT-6 Astra quanto do Claude Fable 5.1.

• Preço anunciado — US$ 2,25 por milhão de tokens de entrada e US$ 11,25 por milhão de saída.

• Especificações declaradas — um limite de entrada de 10 milhões de tokens, um teto de saída de 256 mil tokens, memória entre conversas.

Todas as linhas acima são alegações da comunidade. O Google não confirmou nada disso, não confirmou de forma alguma que a entrada na arena seja o Gemini 4 Pro, e não respondeu a um pedido de comentário. A tabela não traz identificador de checkpoint, nem configuração de esforço de raciocínio, nem harness de agente, nem permissões de ferramentas, nem divisão de teste, nem tamanho de amostra, nem log de execução — as coisas que uma avaliação real traz e uma captura de tela de um slide não. Os nomes dos benchmarks também vêm da mesma família que a OpenAI usou em seu próprio material de lançamento de setembro, o que é um indício de onde a planilha foi montada, e não de onde foi medida.

Há um segundo motivo para ter cuidado com qualquer comparação de fronteira este mês: o índice independente a que todos recorrem teve a versão atualizada para a v4.3 em 7 de setembro, e a mudança de versão comprime ou estica o topo da tabela. Uma pontuação sem a respetiva versão associada não é comparável a uma pontuação de três semanas antes, seja nossa ou de qualquer outra pessoa.

O que está realmente confirmado sobre o Gemini 4 Pro?

Retire as alegações e o registro factual é curto.

• 21 de julho de 2026 — O Google confirma que iniciou sua execução de pré-treinamento mais ambiciosa até agora, para o Gemini 4. O diretor executivo repete isso na teleconferência de resultados do segundo trimestre.

• 2 de setembro de 2026 — Gemini 3.8 Flash é lançado. O mais novo modelo disponível para o público em geral do Google continua sendo um modelo da linha Flash.

• 15–18 de setembro de 2026 — um vazador que se identifica como "Lentils" afirma que checkpoints do Gemini 4 Pro estão aparecendo internamente sob o codinome "argon"; rastreadores da comunidade registram uma entrada de arena sob o rótulo já lançado gemini-3.8-flash, levando de oito a dez minutos por resposta e produzindo trabalhos vetoriais e 3D muito além do que aquele modelo produz.

• Hoje — nenhum ID de modelo do Gemini 4, nenhum endpoint, nenhum preço, nenhuma ficha de modelo. O Wall Street Journal noticiou que o Gemini 3.5 Pro, que foi pré-visualizado para junho e nunca foi lançado, foi descartado porque seus ganhos eram pequenos demais.

Essa é toda a superfície confirmada. Todo o resto em circulação — a tabela, o preço, a janela de contexto, o codinome, a identidade da entrada na arena — é inferência vestida com um ponto decimal.

O que você pode realmente executar enquanto espera

É esta a parte que os posts comparativos deixam de fora, e é a parte que muda uma decisão.

O GPT-6 Astra não é um rumor. Foi lançado em 3 de setembro de 2026, carrega o id de modelo gpt-6-astra, e pode ser chamado hoje pelo próprio preço de tabela da OpenAI de US$ 10,00 por milhão de tokens de entrada e US$ 50,00 por milhão de saída, com entrada em cache a US$ 1,00. Ele roda no OrcaRouter por esse mesmo preço de tabela do provedor, com 0% de markup — repassamos a tarifa do fornecedor diretamente, então quando uma tarifa muda, o número do nosso lado muda no mesmo dia, em vez de quando alguém se lembra de atualizar uma margem. Seus resultados de benchmark reportados pela OpenAI são DeepSWE v1.1 com 74%, OSWorld 2.0 com 72,6%, Terminal-Bench 4.0 com 57,9% e ExploitBench com 100%, que foi o que o colocou acima do limiar de capacidade cibernética Crítica. Esses números são reportados pelo fornecedor e não foram reproduzidos, e são exatamente os números contra os quais a planilha vazada do Gemini 4 Pro está implicitamente argumentando.

Gemini 4 Pro não está no OrcaRouter, e não vamos fingir o contrário. Não há endpoint, nem ID de modelo, nem preço, porque não há modelo lançado. Claude Fable 5.1, em contrapartida, está em disponibilidade geral desde 1º de setembro e pode ser roteado ao seu próprio preço de tabela, assim como Claude Opus 5 e o restante da atual camada de fronteira — uma única API abrange mais de 200 modelos ao preço de tabela do provedor, sem nenhum acréscimo, então uma comparação como esta não exige três contas, três SDKs e três faturas para que se possa agir com base nela.

Se o resultado do controlador é o que te tenta a reestruturar um caminho de produção em torno de um modelo não anunciado, a atitude sensata é a que as evidências apoiam: não faça isso. Mantenha o caminho que você já tem e, se quiser descobrir se o efeito se generaliza para o seu próprio trabalho, direcione uma fração do tráfego para um caminho não comprovado, com um fallback para um modelo em que você já confia. Assim, uma tarde ruim custa a você um ponto percentual de tráfego, e não um incidente, e você obtém sua própria resposta em vez de pegar emprestado o resultado de vinte minutos de outra pessoa.

O que faria o resultado do controlador ter algum significado?

• O alias ganha um nome real. Uma entrada de arena é um boato com uma linha no placar. Um id de modelo na própria documentação de um fornecedor é um produto. Observe a lista de modelos, não a linha do tempo.

• O resultado se reproduz. Um testador não conseguiu obter a mesma saída no dia seguinte. Três pessoas independentes obtendo-o sob demanda, com o modelo identificado, é uma classe de evidência totalmente diferente.

• A planilha vazada ganha uma metodologia. Uma pontuação de benchmark sem um checkpoint, uma configuração de esforço e um harness não é uma medição; é uma afirmação sobre uma medição.

Um preço surge. Os alegados US$ 2,25/US$ 11,25 tornariam um modelo de fronteira ainda não lançado o mais barato dos três, por uma margem considerável — o tipo de alegação que ou aparece numa tabela de preços, ou não aparece.

A atribuição de Fable ganha uma segunda fonte. No momento, ela tem uma, e a pessoa que a fez disse que o nome já era dela desde o início.

Perguntas que merecem uma resposta

Se a entrada na arena realmente é o Gemini 4 Pro, por que executá-lo sob o nome de um modelo já lançado?

Testar um novo checkpoint sob o rótulo de um modelo existente é prática padrão para benchmarking cego — permite que um laboratório colete votos frente a frente sem que o nome influencie o voto. Também significa que o rótulo não diz nada sobre o que está por trás dele, que é exatamente o problema aqui: o alias é evidência de que algo está sendo testado, não evidência do quê.

Um empate contra o GPT-6 Astra significa que o modelo não lançado é decepcionante?

Não, e é aqui que o enquadramento causa o maior dano. Um checkpoint que ainda está em pós-treinamento, rodando sob um alias, igualando um modelo de fronteira já lançado em uma tarefa one-shot difícil, é um sinal muito mais forte do que um gráfico do dia do lançamento. É apenas um sinal sobre direção, e não sobre um produto que você pode comprar, e os dois são lidos como a mesma coisa em um post de comparação.

Devo mudar alguma coisa hoje por causa disto?

Não por causa disso. Nada no teste do controlador muda o que está disponível, quanto algo custa ou no que qualquer modelo é bom. Os fatos relevantes para a decisão desta semana são que GPT-6 Astra e Claude Fable 5.1 estão ambos ativos e com preço definido, e que Gemini 4 Pro não é nem uma coisa nem outra. Se você quiser se precaver quanto à possibilidade, faça hedge com roteamento em vez de com uma reescrita.

A leitura honesta

O teste do controlador é a melhor evidência que alguém já produziu sobre o Gemini 4 Pro, e a melhor evidência que alguém já produziu é um empate, de uma única tentativa, que não se repetiu, em um modelo que ninguém consegue nomear, relatada ao lado de uma planilha de benchmark que ninguém consegue verificar. Isso soa como uma desconsideração, e não é. A razão pela qual o teste se espalhou é que ele é o primeiro artefato nesta história que se parece com um produto em vez de um slide — um prompt real, uma saída real, uma pessoa real comparando-os, e um resultado que os partidários de ambos os lados não conseguiram reivindicar de forma categórica.

O que ele não faz é resolver nada. Se você precisa lançar isto esta semana, o nível de fronteira que existe — GPT-6 Astra a $10/$50, Claude Fable 5.1 pelo próprio preço de tabela — é onde sua decisão de fato reside, e ambos podem ser chamados com uma única chave, sem um segundo contrato. Se você quer saber o que o Google tem, os únicos sinais que farão isto deixar de ser um artigo do tipo “o que sabemos até agora” e se tornar um artigo de lançamento são um ID de modelo, uma tabela de preços e uma reprodução. Até que eles cheguem, a leitura correta da comparação do controle do Xbox 360 é a que foi dada pela pessoa que a conduziu: dois desenhos muito bons, e nenhum vencedor.