Lançamento do Gemini 3.6 Flash enfrenta primeiras avaliações negativas, Gemini 3.5 Pro é adiado

Introdução

A Google DeepMind lançou três novos modelos Gemini: Gemini 3.6 Flash, Gemini 3.5 Flash-Lite e Gemini 3.5 Flash Cyber.

No entanto, o tão aguardado Gemini 3.5 Pro por muitos desenvolvedores não chegou conforme o esperado.

A Google afirmou que o 3.5 Pro ainda está em fase de testes com parceiros e será amplamente disponibilizado quando estiver pronto. Enquanto isso, a empresa confirmou que já iniciou os trabalhos no Gemini 4, através do que chamou de "execução de pré-treinamento mais ambiciosa até hoje".

A Google lançou o Gemini 3.6 Flash, o Gemini 3.5 Flash-Lite e o Gemini 3.5 Flash Cyber.

O lançamento gerou rapidamente controvérsia na comunidade de desenvolvedores. Vários usuários iniciais criticaram o Gemini 3.6 Flash por sua fraca saída de front-end, inconsistência no raciocínio espacial e resultados decepcionantes em codificação em comparação com modelos concorrentes de ponta.

A intensidade dessas críticas supera em muito o que as evidências disponíveis podem sustentar. As reclamações iniciais de uso prático são reais, mas os resultados dos benchmarks da própria Google e testes independentes da Artificial Analysis revelam um quadro mais complexo: o Gemini 3.6 Flash apresenta melhorias em várias avaliações de codificação, uso de computador, contexto longo e conhecimento geral em comparação ao 3.5 Flash, mantendo a mesma pontuação geral do Índice de Inteligência da Artificial Analysis.

Este artigo segue a estrutura do relatório original, ao mesmo tempo que distingue os dados oficiais de benchmark das reações da comunidade.

Gemini 3.6 Flash enfrenta críticas logo após o lançamento

A Google posicionou o Gemini 3.6 Flash como o modelo principal para agentes de IA em ambientes de produção.

O modelo já está amplamente disponível, suportando entrada de texto, imagens, vídeo, áudio e PDF, com uma janela de contexto de 1.048.576 tokens de entrada e até 65.536 tokens de saída. Ele suporta funcionalidades como execução de código, uso de computador, chamadas de função, pesquisa de arquivos, saída estruturada, fundamentação de pesquisa, contexto de URL e raciocínio lógico.

A Google afirmou que seu principal objetivo não é apenas alcançar maior inteligência em benchmarks. O foco está em realizar tarefas com menos tokens de saída, menos etapas de raciocínio, menor latência e menor preço por token de saída em comparação ao Gemini 3.5 Flash.

Apesar disso, alguns resultados iniciais de testes públicos estavam longe de ser positivos.

Geração de front-end recebe feedbacks iniciais severos

O relatório original destacou um teste de desenvolvedor em que o Gemini 3.6 Flash foi solicitado a realizar uma tarefa de geração de front-end em duas etapas.

O desenvolvedor descreveu o resultado como excepcionalmente ruim, criticando a estrutura fragmentada dos componentes gerados, a lógica inconsistente e a interação não confiável.

Um teste inicial da comunidade usou o Gemini 3.6 Flash para gerar uma experiência interativa de front-end.

Outros desenvolvedores relataram problemas semelhantes ao testar o modelo em bases de código existentes. As reclamações incluíram ignorar restrições de sistemas de design, mudanças inesperadas na interface do usuário e resultados que pareciam piores do que os gerados por modelos Gemini Pro anteriores.

Essas observações são importantes porque a codificação de front-end combina várias habilidades simultaneamente:

• Compreender bases de código existentes
• Seguir restrições de design
• Gerar código eficaz
• Preservar comportamentos existentes
• Criar layouts visualmente coerentes
• Lidar com edições em várias etapas sem quebrar componentes funcionais

Um modelo pode obter pontuações altas em benchmarks de programação, mas ainda assim parecer não confiável em trabalhos reais de front-end.

Ao mesmo tempo, demonstrações individuais não são benchmarks controlados. A qualidade do prompt, a estrutura do agente, a arquitetura da base de código, o nível de raciocínio, o acesso a ferramentas e o número de iterações permitidas podem alterar significativamente os resultados.

Resultados da arena de front-end ainda não suportam uma conclusão simples de "melhor"

O relatório original indicou que, em codificação de front-end, o Gemini 3.6 Flash teve desempenho inferior a modelos como Claude Fable 5, GPT-5.6 Sol e Meta Muse Spark 1.1.

O ranking ao vivo do WebDev Arena continua sendo atualizado, portanto, à medida que mais votos chegarem, as posições podem mudar. No momento da preparação deste artigo, o Kimi K3 ainda liderava temporariamente, seguido pelo Claude Fable 5 e GPT-5.6 Sol.

Como o Gemini 3.6 Flash foi lançado apenas em 21 de julho, capturas de tela estáticas e instantâneos iniciais do ranking não devem ser considerados classificações permanentes.

Uma conclusão mais útil é que, embora a Google afirme que o modelo é mais forte em codificação, este novo modelo Flash não se estabeleceu imediatamente como um líder claro em front-end.

Raciocínio espacial também gera reações negativas

O relatório original então abordou o raciocínio espacial.

Um desenvolvedor documentou testes do Gemini 3.6 Flash em relações básicas de posição e direção, relatando mais erros do que o Gemini 3.5 Flash.

O usuário inicialmente suspeitou que a saída mais fraca poderia ser devido à não seleção de um alto nível de raciocínio. Outros usuários então tentaram configurações de raciocínio mais altas, mas ainda relataram impressões iniciais mistas.

As reclamações incluíram relações espaciais incorretas e inconsistências em cenas visuais.

Novamente, esses testes representam observações da comunidade, não avaliações padronizadas. Eles são úteis como exemplos de atritos no mundo real, mas não devem ser generalizados como uma afirmação de que o modelo regrediu universalmente em raciocínio espacial.

A documentação oficial da Google descreve o Gemini 3.6 Flash como projetado especificamente para tarefas multimodais e espaciais. Testes visuais independentes também encontraram vantagens em várias categorias de imagem e vídeo, embora não em todas as tarefas visuais em comparação ao 3.5 Flash.

CursorBench mostra melhorias em relação ao 3.5 Flash, mas não atinge liderança de ponta

O relatório original também mencionou o CursorBench, um benchmark focado em engenharia de software do mundo real no ambiente Cursor.

Uma captura de tela amplamente compartilhada comparou o Gemini 3.6 Flash com modelos como Cursor Composer 2.5, Claude Fable 5, GPT-5.6 Sol, Grok 4.5 e Claude Sonnet 5.

O Gemini 3.6 Flash, representado como um ponto azul no gráfico, obteve uma pontuação inferior em comparação com outros modelos. Abaixo do tuíte, um usuário comentou: "Ou seja, o Gemini 3.6 Flash é pior que o Composer 2.5 e nem se fala do Grok 4.5", e destacou que o Gemini 3.6 Flash já está disponível no Cursor. A imagem está relacionada ao contexto do documento, sendo utilizada para ilustrar os resultados do teste CursorBench, indicando que o Gemini 3.6 Flash teve desempenho inferior a alguns modelos nesse teste.

No print compartilhado pela fonte da mensagem, o CursorBench posiciona o Gemini 3.6 Flash atrás de vários modelos de codificação com pontuações mais altas.

A página atual do CursorBench exibe diversos níveis de raciocínio do Gemini 3.6 Flash. Nos resultados mais recentes disponíveis no momento da redação deste conteúdo:

• Gemini 3.6 Flash Medium obteve 51,2%
• Gemini 3.5 Flash obteve 48,8%
• Gemini 3.6 Flash Low obteve 47,4%

Isso significa que, nesse benchmark, a configuração de raciocínio médio apresentou uma melhoria em relação ao Gemini 3.5 Flash, embora ainda fique atrás de muitos modelos de codificação mais potentes.

Este também é um bom exemplo de como a avaliação de modelos precisa ser contextualizada.

A afirmação "Gemini 3.6 Flash é pior que os concorrentes" pode ser verdadeira para um benchmark específico e um conjunto de comparações; ao mesmo tempo, "Gemini 3.6 Flash trouxe melhorias em relação ao 3.5 Flash" também pode ser verdadeira.

Benchmarks próprios do Google mostram avanços reais

Os resultados divulgados pelo Google pintam um quadro mais positivo do que as reações mais severas da comunidade.

A empresa relata melhorias em relação ao Gemini 3.5 Flash nas áreas de codificação, engenharia de machine learning, uso de computador, trabalho com conhecimento, raciocínio gráfico e tarefas de contexto longo.

Tabela de benchmark divulgada pelo Google em julho de 2026, comparando o Gemini 3.6 Flash com vários modelos concorrentes.

Alguns resultados selecionados reportados pelo Google incluem:

O Google também afirma que, no Artificial Analysis Index, o Gemini 3.6 Flash consome 17% menos tokens de saída que o Gemini 3.5 Flash, e que em algumas cargas de trabalho do DeepSWE, o uso de tokens pode ser reduzido em até 65%.

Os preços do novo modelo são:

• US$ 1,50 por 1 milhão de tokens de entrada
• US$ 7,50 por 1 milhão de tokens de saída

O Gemini 3.5 Flash tem o mesmo preço de entrada listado, mas o preço de saída é maior, de US$ 9,00, de acordo com a precificação do Google.

Iniciando a comparação.

Para cargas de trabalho de agentes, essa diferença é importante, pois o custo depende não apenas da qualidade do benchmark, mas também do número de tokens de raciocínio e do ciclo de ferramentas que o modelo utiliza para concluir a tarefa.

Artificial Analysis atribui ao 3.6 Flash a mesma pontuação de inteligência que ao 3.5 Flash

Testes de terceiros apresentam uma conclusão mais moderada.

O Índice de Inteligência do Gemini 3.6 Flash (modo de raciocínio alto) no Artificial Analysis é 50.

Essa é a mesma pontuação do Gemini 3.5 Flash.

O Artificial Analysis constatou que não houve aumento na pontuação geral do Índice de Inteligência do 3.5 Flash para o 3.6 Flash.

Esse resultado explica parte da frustração.

Desenvolvedores que observam apenas o número do modelo podem esperar um salto significativo na inteligência geral. Em contrapartida, o Artificial Analysis descobriu que, ao medir as melhorias em eficiência e tempo de conclusão de tarefas, a inteligência geral permanece praticamente a mesma.

Seus testes mostram que o Gemini 3.6 Flash tem uma taxa de aproximadamente 251 tokens de saída por segundo, tornando-o um dos modelos mais rápidos na comparação.

O Artificial Analysis também relata que tanto o Gemini 3.6 Flash quanto o Gemini 3.5 Flash-Lite têm um tempo por tarefa aproximadamente pela metade em relação aos seus antecessores.

Portanto, a principal melhoria é mais precisamente descrita como:

Inteligência geral semelhante, conclusão mais rápida, menos tokens de saída e menor custo por tarefa concluída em muitas cargas de trabalho.

Isso não é tão chamativo quanto um grande avanço em inteligência, mas ainda é significativo para agentes de alta capacidade em produção.

A relação custo-benefício é mais sutil do que sugerem as reclamações online

Alguns usuários criticam o Gemini 3.6 Flash por ser mais caro do que certos modelos concorrentes com pontuações mais altas em benchmarks de inteligência.

A fonte aponta preocupações com a relação custo-inteligência do Gemini 3.6 Flash.

O preço por token bruto não conta toda a história.

Um modelo que usa menos etapas de raciocínio ou gera menos tokens de saída pode, às vezes, completar uma tarefa de forma mais barata, mesmo que seu preço por token anunciado não seja o menor.

Por outro lado, um modelo mais barato que exige várias tentativas ou gerações mais longas pode acabar saindo mais caro no uso real.

Para desenvolvedores, a métrica mais relevante costuma ser o custo por tarefa bem-sucedida, medido com base na própria carga de trabalho.

Sobre

A data de corte do conhecimento precisa de mais evidências

O artigo de origem também cita um usuário que afirma que o Gemini 3.6 Flash parece desconhecer muitos eventos de 2025 e 2026, apesar de sua data de conhecimento aparentemente atualizada.

O usuário concluiu que o conhecimento real do modelo parece parar por volta de janeiro de 2025.

Devemos tratar esse teste com cautela.

O fato de um modelo de linguagem não se lembrar de um evento não prova, por si só, uma data de corte específica em seus dados de treinamento. Isso pode ocorrer devido a: comportamento de recuperação, erros de raciocínio, formulação do prompt, filtros de segurança, cobertura incompleta do treinamento ou incerteza.

A documentação pública do modelo do Google não fornece informações suficientes para confirmar de forma independente a data de corte específica alegada nos testes de mídia social.

Para informações atuais, os desenvolvedores devem usar a Pesquisa Google como referência ou outras fontes verificadas de recuperação, em vez de assumir que a memória interna do modelo está completa até uma data específica.

Gemini 3.5 Flash-Lite foca na velocidade

O Google também lançou o Gemini 3.5 Flash-Lite, projetado para cargas de trabalho de agente de alta taxa de transferência e baixa latência.

Uma agência de análise de IA mediu a velocidade do modelo em aproximadamente 350 tokens por segundo de saída.

Os preços da API listados pelo Google são:

• US$ 0,30 por 1 milhão de tokens de entrada
• US$ 2,50 por 1 milhão de tokens de saída

Isso o torna significativamente mais barato que o Gemini 3.6 Flash.

O modelo é adequado para as seguintes cargas de trabalho:

• Busca de agente
• Processamento de documentos
• Extração de dados em alta taxa de transferência
• Tradução
• Geração de resumos
• Execução de subagentes

O Google afirma que o Flash-Lite também suporta níveis de pensamento configuráveis e funcionalidades de uso de computador integradas.

Sua comparação oficial mostra melhorias significativas em relação ao Gemini 3.1 Flash-Lite, incluindo:

• Benchmark Terminal 2.1: 54% contra 31%
• GDM-MRCR v2: 72,2% contra 60,1%
• GDPval-AA v2: 1140 contra 642

Ele até supera o antigo Gemini 3 Flash em vários benchmarks de agente.

Relatos iniciais sugerem que velocidade de nada adianta se a resposta estiver errada. Como princípio geral, isso é justo, mas as evidências dos benchmarks não apoiam a ideia de que o Flash-Lite seja simplesmente um modelo "mais rápido, mas pior".

O objetivo declarado do Google é diferente: usar um modelo menor em cargas de trabalho de alta taxa de transferência que não exigem capacidade completa de inteligência de ponta.

Gemini 3.5 Flash Cyber foca em pesquisa de vulnerabilidades

O terceiro novo modelo é o Gemini 3.5 Flash Cyber.

Ele é construído sobre o Gemini 3.5 Flash e ajustado para trabalhos de segurança cibernética, como:

• Encontrar vulnerabilidades de software
• Verificar problemas de segurança
• Gerar patches
• Apoiar análises de defesa automatizadas

O Google afirma que o modelo é usado internamente no CodeMender, onde vários agentes Flash Cyber podem trabalhar juntos e consolidar suas descobertas em um único relatório.

Ao contrário do Gemini 3.6 Flash e Flash-Lite, o Flash Cyber não foi lançado como um modelo público geral.

O Google afirma que, devido aos riscos de uso duplo associados à descoberta automatizada de vulnerabilidades, ele será disponibilizado por meio do projeto piloto CodeMender com acesso restrito para governos e parceiros de confiança.

Um anúncio separado do Google DeepMind afirma que o modelo visa tornar a descoberta e correção de vulnerabilidades em grande escala mais barata do que usando modelos de ponta maiores.

Gemini 3.5 Pro ainda não está pronto

Para muitos desenvolvedores, a maior notícia é o modelo que não foi lançado. O Google afirmou:

O Gemini 3.5 Pro está atualmente em teste com parceiros e será amplamente disponibilizado ao público assim que estiver pronto.

Isso confirma um atraso no modelo principal em relação às expectativas anteriores. Meios de comunicação como a Reuters relataram que o Gemini 3.5 Pro estava previsto para lançamento em junho, e o desempenho de codificação era uma das áreas que causavam o atraso. O anúncio do Google em 21 de julho não forneceu uma nova data de lançamento público, enfatizando que deseja lançar o modelo quando ele atingir seus padrões de qualidade.

Isso é crucial para o lançamento do 3.6 Flash. Este novo modelo Flash não é um substituto para o Gemini 3.5 Pro; ele ocupa uma posição diferente na linha de produtos: é um modelo voltado para produção, otimizado para custo, velocidade, tarefas multimodais e execução autônoma.

Gemini 4 iniciou seu maior pré-treinamento

Enquanto isso, o Google confirmou que começou a treinar a próxima geração do Gemini. O Google descreveu o Gemini 4 como o projeto de pré-treinamento mais ambicioso até agora.

O Google afirma que o trabalho de pré-treinamento do Gemini 4 já está em andamento.

Isso cria uma linha do tempo de produtos incomum:

1. Gemini 3.6 Flash já está amplamente disponível.
2. Gemini 3.5 Flash-Lite já está amplamente disponível.
3. Gemini 3.5 Flash Cyber entra em implantação limitada.
4. Gemini 3.5 Pro ainda está em teste com parceiros.
5. O pré-treinamento do Gemini 4 já começou.

O artigo de origem interpreta isso como o Google apressando os números de versão enquanto seu modelo Pro principal ainda não está concluído. Essa interpretação é especulativa. Grandes organizações de IA geralmente começam a treinar futuras gerações de modelos antes que todos os produtos da geração atual tenham concluído seu processo de lançamento.

Pré-treinamento, pós-treinamento, avaliação de segurança, integração de produtos e implantação de serviços podem avançar em paralelo.

Apesar disso, o atraso no lançamento da versão Pro aumentou a pressão sobre o Google, uma vez que codificação e fluxos de trabalho autônomos se tornaram as principais áreas de competição entre OpenAI, Anthropic, Moonshot, xAI, Meta e outros provedores de modelos.

O Gemini 3.6 Flash é realmente o pior modelo do Google?

As evidências atuais não apoiam essa conclusão. Atualmente, três coisas independentes estão acontecendo ao mesmo tempo.

1. Alguns desenvolvedores antigos realmente não gostam do modelo

Resultados negativos em testes de frontend e raciocínio espacial vêm de relatos reais de usuários. Esses relatos merecem atenção, pois benchmarks não refletem totalmente a qualidade de produção.

1. Os próprios dados do Google mostram melhorias significativas em relação ao 3.5 Flash

O modelo apresentou melhorias em DeepSWE, MLE-Bench, OSWorld, GDPval e avaliações de contexto longo, utilizando menos tokens de saída.

1. Métricas de inteligência geral de terceiros quase não mudaram

A Artificial Analysis atribuiu ao 3.6 Flash uma pontuação

com o mesmo índice de inteligência do 3.5 Flash. Isso apoia a visão de que este lançamento foca principalmente em ganhos de eficiência, e não em um salto significativo na inteligência bruta.

Para desenvolvedores, a pergunta correta não é se o modelo merece um rótulo chamativo.

A questão mais pertinente é: a combinação de velocidade, custo, qualidade e confiabilidade é adequada para o cenário de aplicação específico.

O Gemini 3.6 Flash pode não ser adequado para um fluxo de trabalho de frontend, mas pode ser uma boa escolha para agentes multimodais de alto rendimento. Essas duas situações não são contraditórias.

Perguntas Frequentes

O que é o Gemini 3.6 Flash?

O Gemini 3.6 Flash é o modelo multimodal do Google voltado para produção, adequado para programação, trabalho de conhecimento, uso de computador e fluxos de trabalho de agentes. Ele suporta uma janela de contexto de mais de 1 milhão de tokens de entrada e está disponível publicamente através da Gemini API e outros produtos do Google.

O Gemini 3.6 Flash é pior que o Gemini 3.5 Flash?

No geral, não. A Artificial Analysis atribuiu a ambos o mesmo índice de inteligência, mas o Google relata que o 3.6 Flash apresentou melhorias em múltiplos benchmarks de programação, uso de computador, trabalho de conhecimento e contexto longo, ao mesmo tempo que utiliza menos tokens de saída.

Por que os desenvolvedores criticam o Gemini 3.6 Flash?

Alguns usuários antigos relataram capacidade fraca de geração de frontend, erros frequentes em edição de UI e inconsistência no raciocínio espacial. Estes são testes pontuais, não benchmarks controlados, portanto os resultados podem variar conforme o prompt, base de código, ferramentas e nível de raciocínio.

Qual é o preço do Gemini 3.6 Flash?

O Google precificou o Gemini 3.6 Flash em US$ 1,50 por milhão de tokens de entrada e US$ 7,50 por milhão de tokens de saída. Os preços podem mudar, e os desenvolvedores devem consultar a documentação oficial da Gemini API para confirmar as taxas atuais.

Qual é a velocidade do Gemini 3.5 Flash-Lite?

A Artificial Analysis mediu o Gemini 3.5 Flash-Lite processando aproximadamente 350 tokens de saída por segundo. O Google o projetou para tarefas de alto rendimento e baixa latência, como processamento de documentos e busca de agentes.

O que é o Gemini 3.5 Flash Cyber?

O Gemini 3.5 Flash Cyber é um modelo especializado em segurança cibernética baseado no Gemini 3.5 Flash. O Google planeja disponibilizá-lo para governos e parceiros autorizados através do CodeMender, e não como um modelo público genérico de API.

Quando o Gemini 3.5 Pro será lançado?

O Google ainda não anunciou uma nova data de lançamento público. A empresa afirma que o Gemini 3.5 Pro está em testes com parceiros e será amplamente divulgado assim que estiver pronto.

O Google já está treinando o Gemini 4?

Sim. O Google afirmou que iniciou o programa de pré-treinamento mais ambicioso do Gemini 4 até o momento. A empresa ainda não divulgou uma data de lançamento público para o Gemini 4.

Ferramentas Relacionadas

• Google AI Studio: Ambiente baseado em navegador do Google para testar modelos Gemini e construir através da Gemini API.
• Gemini API: Documentação oficial para desenvolvedores sobre recursos, limitações e identificadores do modelo Gemini 3.6 Flash.
• Gemini: Interface do Google voltada para consumidores para usar os modelos Gemini atuais.
• Vertex AI: Plataforma empresarial do Google Cloud para implantar e gerenciar modelos Gemini.

CursorBench: Plataforma de benchmarking da Cursor para avaliar compreensão de base de código, edição, depuração e tarefas de engenharia de software inteligente.

• Artificial Analysis: Testes independentes de modelo, cobrindo nível de inteligência, velocidade, latência, precificação e uso de tokens.
• CodeMender: Ambiente de agente de segurança do Google DeepMind construído sobre o Gemini 3.5 Flash Cyber.

Links Relacionados

• Google Oficial: Apresentação do Gemini 3.6 Flash, 3.5 Flash-Lite e 3.5 Flash Cyber: Anúncio oficial de lançamento, precificação, resultados de benchmark e detalhes de disponibilidade.
• Documentação para Desenvolvedores do Gemini 3.6 Flash: Limitações oficiais do modelo, modalidades suportadas, ferramentas e detalhes da API.
• Guia dos Modelos Gemini Mais Recentes do Google: Guia oficial de migração e uso do Gemini 3.6 Flash e Gemini 3.5 Flash-Lite.
• Avaliação do Gemini 3.6 Flash pela Artificial Analysis: Dados independentes de inteligência, velocidade, latência e preço.
• Avaliação de Lançamento pela Artificial Analysis: Comparação detalhada do 3.6 Flash e 3.5 Flash-Lite com modelos da geração anterior.
• CursorBench: Resultados atuais de benchmark de agentes de codificação para o Gemini 3.6 Flash e modelos concorrentes.
• [Google DeepMind: Gemini 3.5

Lançamento do Flash Cyber: modelo de segurança cibernética, integração CodeMender e instruções oficiais para implantação restrita.

Resumo

A série Gemini lançada pelo Google em julho inclui o Gemini 3.6 Flash, Gemini 3.5 Flash-Lite e Gemini 3.5 Flash Cyber, enquanto o Gemini 3.5 Pro ainda está em fase de testes com parceiros.

As reações iniciais dos desenvolvedores ao 3.6 Flash em testes de front-end e raciocínio espacial foram excepcionalmente negativas, e o modelo não liderou nos benchmarks de codificação mais robustos. No entanto, os resultados divulgados pelo Google mostram que o modelo apresenta melhorias significativas em várias tarefas importantes em comparação com o 3.5 Flash, e a Artificial Analysis também confirmou que ele mantém a mesma pontuação geral de inteligência, ao mesmo tempo que oferece melhor velocidade e eficiência.

O Gemini 3.5 Flash-Lite é voltado para tarefas de alto rendimento, o Flash Cyber foca na área de segurança defensiva, e o Google já iniciou o pré-treinamento do Gemini 4.

A interpretação mais precisa não é que o Gemini 3.6 Flash seja o "pior modelo" do Google, mas sim um lançamento focado em eficiência — sua recepção real inicial no mercado é muito mais complexa do que os resultados apresentados pelos benchmarks oficiais do Google.