AI Brasil
AI Avançado

Gemini 4 Neon: modelo de preço médio do Google empata com o irmão maior em benchmark

O Google lançou o Gemini 4 Neon em 18 de novembro de 2026 cobrando bem menos por token que seus próprios modelos maiores, e os primeiros benchmarks independentes mostram empate técnico em pelo menos um índice importante. Veja o que isso muda na hora de escolher modelo para produção.

Lucas FerrazColunista

· 6 min de leitura

Este artigo foi escrito por Lucas Ferraz. Conteúdo produzido por agente de IA da redação AI Brasil, sob revisão editorial humana. Saiba como produzimos no expediente.

Imagem gerada por IA

Um quarto modelo Gemini 4 em sete semanas

O Google DeepMind lançou o Gemini 4 Neon em 18 de novembro de 2026, segundo o boletim Latent Space. É o quarto modelo da família Gemini 4 em cerca de sete semanas, depois de Argon (já aposentado), Carbon e Hydrogen. As versões antigas Pro e Flash das gerações 1 a 3 do Gemini já não existem mais no catálogo.

Os nomes seguem pesos atômicos, mas isso não ajuda a prever capacidade: Neon tem número atômico 10, maior que o 6 do Carbon, e ainda assim é o modelo mais rápido e mais barato da leva, o nível intermediário (midtier) da família. A própria fonte original admite a confusão: "se você está confuso com os nomes, não está sozinho".

Para quem decide entre modelos no dia a dia, o ponto prático é esse: o nome não indica tier de capacidade. É preciso checar o cartão de preço e o benchmark antes de trocar de modelo em produção.

Quanto custa rodar o Neon

O preço do Neon, segundo o Google, é:

ItemCusto
Entrada (input)US$ 3 por milhão de tokens
Entrada em cacheUS$ 0,15 por milhão de tokens
Saída (output)US$ 15 por milhão de tokens
Janela de contexto1.000.000 de tokens
Níveis de esforço4 níveis de esforço (o Google não detalhou os nomes de cada nível)

A Vals reporta que o limite máximo de tokens de saída também é de 1 milhão. O rollout cobre a API paga do Gemini no AI Studio e no Android Studio, o Gemini for Business, e o Antigravity para assinantes Pro e Ultra. No app Gemini, usuários Pro e Ultra podem selecioná-lo como "Deeper analysis", inclusive para Tasks.

Integrações que já saíram no dia do lançamento

Três ferramentas de desenvolvimento já suportam o Neon desde o primeiro dia: o Cursor, o GitHub Copilot (no app, na CLI e na extensão do VS Code) e o LangChain Managed Deep Agents. Isso importa porque reduz o atrito de testar o modelo em pipeline real sem esperar por SDK novo ou wrapper de terceiros.

O que os benchmarks independentes mostram

Os números abaixo vêm de avaliações de terceiros, não do próprio Google, e cada um usa metodologia diferente:

BenchmarkResultado do NeonComparação
Intelligence Index (Artificial Analysis)60 pontos em esforço alto, US$ 3,74 por tarefaempatou com o Carbon
GDP.pdf (Artificial Analysis)33,4% em esforço alto; 28,0% em esforço xhighesforço maior piorou o resultado
Agent Arena1.336 pontos, ~4.200 sessões, US$ 2,82 de custo mediano por tarefaestreou em 2º lugar geral e em steerability
Text Arenanão liderouCarbon segue na liderança
Vals Index70,9%2º lugar, 0,4 ponto atrás do rival Fable 5.2, por menos da metade do custo por tarefa
Code Migration (Vals)média de 160 turnosmenos turnos que Carbon (234) e Hydrogen (574), mas nota abaixo dos dois
CursorBench 4.163,7% em esforço padrãoalta frente aos 57,3% do Hydrogen

Em resumo: o Neon não é o melhor modelo da própria família Google em nenhum dos testes citados. Ele é competitivo por custo, chegando perto (ou empatando) do desempenho de modelos mais caros.

O paradoxo do esforço: mais caro nem sempre é melhor

O resultado mais contraintuitivo da rodada de testes é o do GDP.pdf: o Neon pontuou 33,4% no modo de esforço alto e caiu para 28,0% no modo xhigh, o nível mais caro e mais lento disponível. Isso quebra a suposição comum de que subir o parâmetro de esforço sempre melhora a resposta.

Para quem configura agentes em produção, o dado é acionável: vale testar cada nível de esforço no próprio benchmark antes de fixar xhigh como padrão, porque o custo sobe e o resultado pode piorar dependendo da tarefa.

Onde o Neon se encaixa entre Opus e Sol

O próprio título do relatório original do Latent Space chama o Neon de concorrente no espaço do Opus (o modelo mais caro da linha Claude, da Anthropic) e do Sol (o tier mais barato da linha GPT-6.2, da OpenAI, ao lado do mais caro Astra). É um posicionamento de mercado, não um benchmark direto: a fonte não publicou um teste que coloque Neon e Opus lado a lado na mesma tabela.

O que dá para comparar, dentro do mesmo Agent Arena, é a faixa de custo da OpenAI: o Astra estreou em 6º lugar e o Sol em 11º, com custo mediano de US$ 0,90 por tarefa, bem abaixo dos US$ 2,82 do Neon. Isso sugere que o Neon mira um ponto intermediário de preço entre o tier caro (Opus, Astra) e o tier barato (Sol), sem necessariamente superar nenhum dos dois nos números disponíveis até agora.

O que apareceu nos testes de uso real

Em 13 sessões iniciais no Antigravity, o testador independente Kimmonismus registrou 762 chamadas de ferramenta e uma taxa de acerto de cache de entrada de 93%. Quando instruído a evitar o terminal, o Neon não executou nenhum comando de shell nesses testes, o que indica boa aderência a instrução de restrição de ferramenta.

Os mesmos logs registraram 57 erros de capacidade e quatro execuções travadas, sinal de que a infraestrutura de atendimento ainda engasga sob carga nos primeiros dias de disponibilidade geral.

No uso combinado de modelos, o desenvolvedor Theo relatou usar o Neon para redação de texto (copy), o Fable 5.2 para implementar mudanças de código e o Astra para testar jogabilidade, dividindo tarefas pelo ponto forte de cada modelo em vez de apostar tudo em um só. Jeremy Howard, por sua vez, elogiou o Neon mas reverteu as opções Astra e Sol do Solveit para as versões anteriores ao GPT-6.2, sinal de que nem toda atualização de modelo rival trouxe ganho percebido para esse fluxo específico.

O ritmo de lançamento também é um dado para o time de TI

A Arena mediu o intervalo entre lançamentos da família Gemini 4: 28 dias entre Argon e Carbon, 15 dias entre Carbon e Hydrogen, e só 6 dias entre Hydrogen e Neon. O ciclo está encolhendo.

Para quem mantém pipeline de avaliação de modelo em produção, isso significa rodar o próprio conjunto de benchmarks com mais frequência, porque o modelo que era referência de custo-benefício há três semanas pode já ter sido substituído.

Quando faz sentido trocar para o Neon

  • Para agentes sensíveis a custo com tarefas de complexidade média: o Neon entrega desempenho próximo do Carbon no Intelligence Index por menos da metade do custo por tarefa visto no Vals Index.
  • Para fluxos que já rodam em Cursor, GitHub Copilot ou LangChain: a integração sai pronta, sem esperar por SDK de terceiro.
  • Não vale a pena se a tarefa principal for migração de código grande: tanto Carbon quanto Hydrogen pontuaram acima do Neon no Code Migration da Vals, mesmo gastando mais turnos.
  • Evite esforço xhigh por padrão: o próprio GDP.pdf mostrou queda de desempenho nesse nível, então o ganho de custo de rodar em esforço mais baixo pode vir sem perda real de qualidade.

O quadro geral é de um modelo que compete por preço dentro da própria casa Google antes de provar que supera concorrentes de fora dela. Quem decide hoje entre Neon, Carbon, Astra ou Sol ainda depende de rodar o próprio conjunto de tarefas, porque a distância entre eles muda conforme o benchmark e o nível de esforço escolhido.

Fonte: Latent Space

Compartilhar
Quem escreveuLucas FerrazColunista

Cobre a parte técnica da inteligência artificial para quem constrói e opera sistemas: desenvolvedores, analistas e times de TI. Compara modelos, mostra o código e o prompt, mede o resultado e diz quanto custa, para o leitor conseguir repetir na própria empresa.

Leia também

Newsletter AI Brasil

A IA da semana, para a sua profissão

Toda semana: um guia para o seu trabalho, a notícia traduzida e uma coisa nova para experimentar. Gratuita, sem spam.

Você é… (opcional)