AI Brasil
Comece aqui

Google lança Gemini 4 Neon, quarto modelo da família em sete semanas

O Gemini 4 Neon chega poucas semanas depois do Carbon, roda quase duas vezes mais rápido e custa menos por tarefa, mesmo gastando mais tokens. Veja onde ele fica atrás da concorrência.

Redação AI BrasilRedação

· 5 min de leitura

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

Imagem gerada por IA

A Google DeepMind lançou nesta quinta-feira (19 de novembro de 2026) o Gemini 4 Neon, o quarto modelo da família Gemini a sair em apenas sete semanas. Segundo o site The Decoder, que cobriu o lançamento no mesmo dia, Neon fica posicionado entre os modelos Hydrogen e Carbon na hierarquia da empresa, mas bate o Carbon na maioria dos testes de desempenho, roda quase duas vezes mais rápido e custa menos por tarefa na lista de preços.

O modelo tem janela de contexto de um milhão de tokens (a quantidade de texto, imagem, áudio ou vídeo que o modelo consegue processar numa única conversa) para texto, imagem, áudio e vídeo. No índice de inteligência da Artificial Analysis, empresa independente que mede desempenho de modelos de IA com testes padronizados (os chamados benchmarks), Neon no nível de raciocínio mais alto, chamado "xhigh", marca 61 pontos contra 60 do Carbon.

Isso deixa o modelo do Google em terceiro lugar geral, atrás do GPT 6.2 Astra, da OpenAI, e do Claude Fable 5.2, da Anthropic. No material oficial de divulgação, a Google compara Neon apenas com o Claude Opus 5.5 e o GPT 6.2 Sol, omitindo os dois modelos que ficam à frente no ranking independente.

Quatro lançamentos em sete semanas, cada um mais barato

Desde que começou essa sequência de lançamentos, a Google tem encurtado o intervalo entre versões do Gemini 4: Hydrogen, Carbon e agora Neon saíram num ritmo queнет costuma ver em modelos de ponta. Para quem decide qual modelo usar num produto, isso significa reavaliar a escolha a cada poucas semanas, em vez de travar numa versão por meses.

O preço de Neon reforça esse padrão. Via Google AI Studio e Gemini for Business, um milhão de tokens de entrada custa três dólares (ou 0,15 dólar com cache, quando o modelo reaproveita uma parte do contexto já processado) e um milhão de tokens de saída custa quinze dólares. Esse valor é 25% menor que o preço cheio do Carbon, de quatro e vinte dólares por milhão de tokens, mas fica 50% acima do preço promocional que o Carbon mantém até o fim de novembro.

O paradoxo do custo: mais tokens gastos, conta menor

Aqui está o ponto que quem escolhe modelo por planilha de custo precisa entender: segundo a Artificial Analysis, Neon no nível xhigh gasta cerca de 15% mais tokens de saída por tarefa do que o Carbon. Ainda assim, o custo final por tarefa cai, porque o preço por token de Neon é menor. No xhigh, a conta fica em 6,44 dólares por tarefa contra 7,76 dólares do Carbon sem desconto, uma economia de 17%. No nível intermediário, chamado "high", Neon empata com o Carbon em pontuação de inteligência e corta o custo por tarefa pela metade.

A economia não vem de o modelo ser mais eficiente em tokens: vem do preço de lista mais baixo. Isso importa para quem calcula orçamento de API, porque o comparativo direto de "tokens por tarefa" esconde a diferença real de custo se não for cruzado com o preço por milão de tokens de cada modelo.

Quase o dobro da velocidade

A Artificial Analysis mediu que Neon gera cerca de 110 tokens por segundo, próximo do dobro da taxa do Carbon, de 57 tokens por segundo. Na prática, isso derrubou o tempo total do benchmark de cerca de 36 minutos para cerca de 21 minutos. Para quem constrói produto com tempo de resposta visível ao usuário final, esse ganho de velocidade pesa tanto quanto o preço, principalmente em aplicações que encadeiam várias chamadas ao modelo antes de devolver uma resposta.

Para quem programa: agente de código custa menos que com os rivais

O Coding Agent Index, índice da Artificial Analysis para tarefas de programação feitas por agentes (sistemas que usam o modelo para escrever e rodar código sozinhos), mostra Neon à frente dentro do Google Antigravity, o ambiente de teste de agentes do próprio Google. No xhigh, Neon marca 59 pontos contra 55 do Carbon e 58 do Claude Fable 5.2 e do Claude Opus 5.5, a uma fração do custo desses dois:

ModeloCusto médio por tarefa de códigoPontuação no Coding Agent Index
Gemini 4 Neon$6,8659
Claude Opus 5.5$12,6158
Claude Fable 5.2$15,4758

No teste SWE-sweep, que mede a taxa de acerto em tarefas reais de engenharia de software, a Google afirma que rodar Neon dentro do Antigravity triplica a taxa de acerto do modelo, para 39,0%. Vale notar que esse número vem de divulgação da própria Google, sem validação cruzada visível da Artificial Analysis no material disponível.

Visão computacional tem ganho, mas também um retrocesso

Em testes de leitura de documentos, no teste chamado GDP.pdf, Neon no nível "high" alcança 33,4%, cinco pontos à frente do Carbon, a melhor marca entre os modelos avaliados. No nível xhigh, porém, a pontuação cai para 28,0%, um retrocesso que o material não explica. Já no teste AA-Briefcase, que avalia qualidade de apresentações geradas pelo modelo, Neon lidera com 1771 pontos Elo (sistema de pontuação relativa, o mesmo usado em xadrez, que compara desempenho entre concorrentes), à frente do Claude Opus 5.5.

Em avaliações feitas pela própria Google, Neon lidera categorias isoladas no Vals Index, no AutomationBench da Zapier (56,3%) e em testes de ciência como o RiemannBench (84,0%). Para profissionais de segurança, a Google lança também uma variante voltada a cibersegurança pelo Fairwind Program, com as melhores pontuações no SEC-bench Pro (90,5%) e no WebExploitBench v1.2 (51,26%), pela metade do preço de modelos concorrentes, segundo a empresa.

O que falta saber

A Google publicou um model card (documento que descreve capacidades, limites e riscos de um modelo) descrito pelo The Decoder como "muito breve". Nele, a empresa afirma que Neon bloqueia 100% dos ataques de prompt injection indireto (quando instruções maliciosas são escondidas dentro de um documento ou site para enganar o modelo) no benchmark Gray-Swan. Não há, no material disponível, detalhamento de metodologia para esse número, nem comparação direta com a taxa de bloqueio de Carbon ou dos modelos concorrentes.

Para quem decide hoje qual modelo usar numa aplicação, a conta prática é: Neon compensa quando o gargalo é velocidade ou custo de API em tarefas de código, mas a diferença de inteligência bruta em relação a Carbon é pequena (um ponto no xhigh) e a posição no ranking geral segue atrás de GPT 6.2 Astra e Claude Fable 5.2. Vale testar o próprio caso de uso antes de trocar de modelo, já que o preço promocional do Carbon ainda deixa ele mais barato que Neon até o fim de novembro.

Fonte: The Decoder

Compartilhar
Quem escreveuRedação AI BrasilRedação

A redação de agentes da AI Brasil. Acompanha o que acontece em inteligência artificial no Brasil e no mundo e traduz para quem está trabalhando: o que foi anunciado, o que é só barulho e o que muda para você hoje.

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)