|

Quão poderoso é o Gemini 4 Neon: programação, conhecimento e ciência analisados separadamente

Quão poderoso é o Gemini 4 Neon: programação, conhecimento e ciência analisados separadamente

Nota do autor: este texto separa as pontuações públicas do Gemini 4 Neon em três blocos — programação, trabalho do conhecimento e ciência —, indicando a fonte item por item para ajudar você a decidir que tipo de tarefa faz sentido delegar a ele.

Em 2026-11-18, o Google lançou o Gemini 4 Neon, e no post de anúncio Sundar Pichai resumiu seu posicionamento como “concluir mais rápido” em engenharia de software complexa, trabalho do conhecimento e processos científicos. No mesmo dia, a DeepMind publicou o model card, e a Artificial Analysis também divulgou um artigo de medição independente e uma página do modelo; de uma hora para outra, surgiram vários conjuntos de dados públicos.

O problema é que esses conjuntos de números usam critérios diferentes. O blog do Google é autodeclaração oficial; a tabela comparativa do model card até lista Claude Opus 5.5 e GPT-6.2 Sol, mas as notas de avaliação deixam claro que os resultados de modelos que não são Gemini vêm, por padrão, da autodeclaração de cada fornecedor; somente a Artificial Analysis faz medição independente de terceiros. Este artigo usa 2026-11-19 como data de checagem dos dados, mantém as etiquetas de fonte item por item e coloca lado a lado os números que não batem entre os conjuntos, sem calcular média.

Valor central: depois de ler este artigo, você terá uma tabela por tipo de tarefa e saberá em quais itens de programação, leitura de materiais e ciência os números oficiais colocam o Gemini 4 Neon em primeiro lugar, em quais itens o concorrente aparece à frente no model card e em quais itens a medição de terceiros mostra uma liderança de apenas 1 ponto.

gemini-4-neon-benchmark-coding-knowledge-science-pt-pt-image-0


Principais pontos do Gemini 4 Neon: comece pela entrada e depois divida em três blocos

A pontuação geral é o número que a maioria das pessoas vê primeiro. O artigo da Artificial Analysis mostra que o Gemini 4 Neon, no nível de raciocínio xhigh, tem pontuação de inteligência 61 e fica em 3º lugar geral, atrás de GPT-6.2 Astra (max) e Claude Fable 5.2 (max). O blog do Google (autodeclaração oficial) também informa 61 e 3º lugar, e acrescenta que ele “fica atrás de modelos maiores e mais lentos”. A coluna AA Index v5.0.1 da ficha do modelo também traz 61; para comparação, Opus 5.5 aparece com 59 e Sol, com 57.

Esse 61 é consistente nas três fontes, mas é apenas um ponto de entrada. A pontuação geral junta programação, leitura de materiais e ciência, mas o trabalho que você precisa entregar costuma pertencer a apenas uma dessas partes. A tabela abaixo esclarece primeiro a natureza dos três tipos de fonte; as seções seguintes detalham cada bloco.

Fonte Natureza O que este artigo usa para analisar
Blog do Google Autodeclaração oficial Quais itens o Google autodeclara em primeiro lugar e as pontuações de cada um
Ficha do modelo DeepMind Resumo oficial; resultados de modelos que não são Gemini em geral vêm de autodeclarações das respectivas empresas Comparação item a item entre Neon, Opus 5.5 e Sol nas três colunas
Artigo da Artificial Analysis Medição de terceiros Coding Agent Index, GDP.pdf, MKA etc.
Página do modelo Artificial Analysis Medição de terceiros, separada por nível de raciocínio Diferenças de pontuação de inteligência entre os quatro níveis de raciocínio

A posição do Gemini 4 Neon na família

A ficha do modelo diz que o Gemini 4 Neon foi adaptado do Gemini 4 Carbon, tem corte de conhecimento em março de 2026 e aceita texto, imagem, áudio e vídeo na entrada, com janela unificada de até 1 milhão de tokens. O guia do desenvolvedor do Google Cloud o posiciona entre Hydrogen (ciclo rápido do dia a dia) e Carbon (tarefas longas e complexas); o blog oficial também afirma que ele é voltado para fluxos complexos de alta frequência.

Entender esse posicionamento ajuda a interpretar as pontuações a seguir. Os modelos de comparação do Neon mudam conforme a fonte: a ficha do modelo traz apenas as colunas de Opus 5.5 e Sol, sem Fable 5.2, Astra e Carbon; enquanto a Artificial Analysis o compara principalmente com Carbon, Fable e Opus. Nas comparações item a item, este artigo não pega células de outras fontes para preencher lacunas.

gemini-4-neon-benchmark-coding-knowledge-science-pt-pt-image-1


Capacidade de programação do Gemini 4 Neon: duas lideranças, dois pontos em que a Opus leva ligeira vantagem

Programação é a área à qual o blog do Google dedica mais espaço. A divulgação oficial afirma que o Gemini 4 Neon alcança 58.6 no Artificial Analysis Coding Agent Index, ficando em 1º no ranking geral. O artigo da Artificial Analysis traz o número 59, medido com Neon xhigh no Antigravity CLI. Como 58.6 e 59 vêm de duas fontes diferentes, este artigo mantém os dois.

A margem de liderança nas fontes de terceiros precisa ser olhada em separado. No artigo da Artificial Analysis, o Fable xhigh e o Opus 5.5 max no Claude Code ficam ambos em 58, enquanto o Carbon high fica em 55. Ou seja, a vantagem do Neon sobre esses dois modelos Claude é de 1 ponto.

Já o detalhamento por item do model card é mais minucioso, e em dois itens o Opus 5.5 é maior.

Item de programação (model card) Gemini 4 Neon Claude Opus 5.5 GPT-6.2 Sol
CursorBench 4.1 65.4% 58.1% Sem dados
Terminal-bench 4.1 (com ajuste de trapaça) 65.2% 65.8% 61.5%
FrontierCode 2.0 46.2% 47.3% 43.8%
SWE-sweep harness do fabricante 39.0% 10.1% 8.3%
SWE-sweep harness mini-SWE 12.8% 3.6% 11.6%

Como ler os números de programação do Gemini 4 Neon

No Terminal-bench 4.1, o Opus 5.5 marca 65.8% e o Neon 65.2%; no FrontierCode 2.0, o Opus 5.5 fica em 47.3% e o Neon em 46.2%. As duas diferenças giram em torno de um ponto percentual, mas a direção é de leve vantagem para o Opus. No blog oficial, os 46.2% do FrontierCode 2.0 estão anotados como o nível high padrão.

Os dois números do SWE-sweep são os mais fáceis de interpretar errado. Os 12.8% são o resultado sob o harness mini-SWE, enquanto os 39.0% são o resultado dentro do Google Antigravity (o harness do fabricante). O blog oficial descreve a diferença entre os dois como um desbloqueio proporcionado pelo harness: ela reflete o papel da cadeia de ferramentas e não deve ser lida como se o modelo em si tivesse um desempenho três vezes maior. Vale notar também que, sob o harness mini-SWE, o Sol fica em 11.6%, bem próximo dos 12.8% do Neon.

gemini-4-neon-benchmark-coding-knowledge-science-pt-pt-image-2


Gemini 4 Neon em trabalho de conhecimento: liderança na maioria dos casos, Chartography é onde o Sol se sai melhor

Nesta área de trabalho de conhecimento, o blog oficial listou vários “1º lugar”. O Legal Research Bench e o Tax Agent Bench são ambos declarados em 1º lugar, mas o blog não fornece as porcentagens desses dois itens; no Surge, as tarefas de finanças, contabilidade, modelagem de planilhas e restrições complexas também são declaradas em sua maioria em 1º lugar, novamente sem pontuações item a item. Esses dados só podem ser registrados como rankings autodeclarados oficiais; este artigo não complementa os números.

Os itens com pontuação podem ser comparados com o cartão do modelo. O Zapier AutomationBench no blog oficial é 1º lugar, 56,3%, e o Andon Labs Vending-Bench 2 é 1º lugar, 16.843 dólares. O Chartography é o único item deste bloco em que o Sol é superior: Sol 75,1%, Neon 73,5%.

Medições de terceiros trazem mais detalhes. Um artigo da Artificial Analysis mostra que, no GDP.pdf, o Neon high fica em 33,4%, enquanto o Neon xhigh cai para 28,0%, e o Carbon high fica em 28,4%, o que indica que aumentar o nível de raciocínio nem sempre resulta em pontuação maior. No AA-Briefcase, o Neon xhigh tem pontuação total de 1700 Elo e qualidade de apresentação de 1771 Elo, acima dos 1726 do Claude Sonnet 5.5 max. No item MKA, o artigo da Artificial Analysis registra o Neon em 56%, próximo dos 57% do Fable max e 2 pontos acima do Carbon; o cartão do modelo registra 56,5%, e cada número é mantido como está.

Capacidades científicas do Gemini 4 Neon: três resultados que a própria Google chama de “best in class”

Entre as três áreas, a ciência é aquela em que a comunicação oficial é mais enfática. O blog do Google afirma que Terminal-Bench Science (70.5%), RiemannBench (84.0%) e HLE-Diamond (71.3%) são best in class nos três benchmarks — dados divulgados pela própria empresa. A tabela comparativa do model card bate com isso: nos três itens, o Neon fica acima do Opus 5.5 e do Sol, mas a coluna de comparação também é uma compilação de números divulgados por cada fabricante.

Itens de conhecimento e ciência (model card) Gemini 4 Neon Claude Opus 5.5 GPT-6.2 Sol
AutomationBench 56.3% 42.5% 41.3%
Agents’ Last Exam v1.1 75.8% 71.6% 73.0%
Chartography 73.5% 66.3% 75.1%
LVBench 89.0% 83.7% 87.6%
GraphWalks (256k–1M, BFS F1) 95.2% 66.8% 80.1%
MKA Climb WSR 56.5% 53.0% 52.7%
RiemannBench 84.0% 80.0% 80.0%
Terminal-Bench-Science 0.1 70.5% 63.3% 68.0%
HLE-Diamond 71.3% 67.9% 64.0%

No GraphWalks, os 95.2% no intervalo de contexto longo de 256k a 1M ficam bem à frente dos 66.8% do Opus 5.5 — vale ficar de olho nesse número em cenários que exigem ler materiais muito longos. Já no Terminal-Bench-Science, o Sol marca 68.0%, apenas 2.5 pontos percentuais atrás dos 70.5% do Neon — é a menor diferença entre os três itens científicos.

gemini-4-neon-benchmark-coding-knowledge-science-pt-pt-image-3


Gemini 4 Neon por tarefa: uma tabela consolidada

Juntando os três blocos e organizando conforme três cenários — “oficial diz que é primeiro”, “model card mostra rival maior” e “terceiros lideram por apenas 1 ponto” —, chegamos à tabela por tarefa abaixo. Ela não responde quem é o mais forte no geral; apenas mostra em qual evidência cada tipo de tarefa se apoia.

Tipo de tarefa Oficial autodeclarado em 1º Model card: rival maior Terceiros: diferença de 1 ponto
Programação Coding Agent Index 58.6, 1º no geral Terminal-bench 4.1, FrontierCode 2.0: Opus 5.5 é maior Coding Agent Index 59 contra Fable xhigh e Opus 5.5 max com 58
Trabalho de conhecimento Legal Research Bench, Tax Agent Bench, AutomationBench, Vending-Bench 2 Chartography: Sol é maior MKA 56% contra Fable max 57% (Neon 1 ponto abaixo)
Ciência Terminal-Bench Science, RiemannBench, HLE-Diamond Nenhum Sem pontuação científica de terceiros separada
Entrada agregada Vals Index 2º (70.9%) Nenhum AA pontuação de inteligência 61, 1 ponto acima de Carbon high


Análise de prós e contras do Gemini 4 Neon

Vantagens

  • Liderança consistente nas três métricas científicas: tanto o relatório oficial quanto o model card mostram Terminal-Bench Science, RiemannBench e HLE-Diamond acima dos dois modelos de comparação.
  • Forte leitura de contexto longo: o model card do GraphWalks mostra BFS F1 de 95.2% na faixa de 256k–1M, correspondendo a uma janela unificada de 1 milhão de tokens.
  • Amplificação evidente pela cadeia de ferramentas: o SWE-sweep atinge 39.0% sob o harness do fabricante, indicando ganho considerável ao usar ambientes de agente como o Antigravity.
  • Entradas multimodais completas: o model card indica suporte a entradas de texto, imagem, áudio e vídeo; a página do modelo no Artificial Analysis mostra que a entrada do Opus 5.5 é apenas texto e imagem.

Limitações

  • Programação não é primeiro item a item: no Terminal-bench 4.1 e no FrontierCode 2.0, o Opus 5.5 é ligeiramente maior; para tarefas puramente de terminal ou de código de ponta, recomenda-se testar os dois.
  • Compreensão de gráficos tem rival maior: no Chartography, o Sol é maior; em tarefas de relatórios com muitos gráficos, vale incluir o Sol na comparação.
  • Nível mais alto não garante pontuação maior: no artigo do Artificial Analysis, o xhigh do GDP.pdf é inferior ao high; o nível de raciocínio precisa ser ajustado por tarefa.
  • Restrições de parâmetros mais rígidas: o guia do desenvolvedor indica que passar thinking_budget ou MINIMAL retorna HTTP 400; o cache de contexto explícito não é suportado, usando-se apenas o cache implícito de prefixo compartilhado acima de 4096 tokens.

Sobre preço e velocidade, este artigo deixa apenas uma frase: a comparação do custo por tarefa com o Carbon tem critérios diferentes — o Google autodeclara 32% menor, e o artigo do Artificial Analysis cerca de 17% menor —, deixando o detalhamento para um artigo dedicado à precificação; o tempo e a velocidade de saída de cada nível de raciocínio ficam para o artigo dedicado à velocidade.


Início rápido com Gemini 4 Neon: primeiro defina a tarefa, depois o nível de raciocínio

A ordem sugerida para começar tem três passos: primeiro escolha o tipo de tarefa conforme a tabela geral acima, depois defina o nível de raciocínio e, por fim, confira na tabela geral do APIYI se os modelos da família Gemini 4 já disponíveis atendem às suas necessidades.

  1. Escolha o tipo de tarefa: raciocínio científico e leitura de materiais longos são os pontos fortes do Neon; para programação em terminal e compreensão de gráficos, inclua também o Opus 5.5 ou o Sol entre os candidatos.
  2. Escolha o nível de raciocínio: o guia do desenvolvedor informa que o Neon tem apenas quatro níveis — low, medium, high e xhigh — com high como padrão. A página do modelo no Artificial Analysis mostra pontuações de inteligência de 44, 55, 60 e 61 para os quatro níveis; de high para xhigh a diferença é de apenas 1 ponto, e no GDP.pdf o high é na verdade mais alto. Por isso, na maioria das tarefas basta começar pelo nível padrão.
  3. Confira os modelos disponíveis: para tarefas de orquestração, dá para seguir a abordagem do guia do desenvolvedor — entregue o controle principal a um modelo forte e as subtarefas rápidas ao gemini-4-hydrogen; para as tarefas de longo prazo mais difíceis, use o gemini-4-carbon.

Sobre os endereços de chamada: na interface compatível com OpenAI, defina o base_url como https://api.apiyi.com/v1; na interface nativa do Gemini, use https://api.apiyi.com e selecione a versão v1beta. Leia a chave de uma variável de ambiente, por exemplo APIYI_API_KEY, e nunca escreva a chave em texto puro no código. Na chamada, basta preencher model com gemini-4-carbon ou gemini-4-hydrogen — os endpoints dos dois na tabela geral do APIYI são chat e gemini.

A tabela abaixo reúne os modelos que servem de comparação, com base na tabela geral do APIYI atualizada em 2026-11-16 (docs.apiyi.com/models.md) e na interface de preços consultada em 2026-11-19 (api.apiyi.com/api/pricing, 285 modelos no total); a unidade é dólar por milhão de tokens.

ID do modelo Entrada Leitura de cache Saída Plataformas disponíveis
gemini-4-carbon 2 0.1 10 Tabela geral do APIYI, interface de preços
gemini-4-hydrogen 1.5 0.075 7.5 Tabela geral do APIYI, interface de preços
claude-opus-5-5 4 0.2 20 Tabela geral do APIYI, interface de preços
gpt-6.2-sol 2 (3 para entradas acima de 272000 tokens) 0.1 10 (cerca de 11.25 no nível alto da interface de preços) Tabela geral do APIYI, interface de preços

O 2/10 do gemini-4-carbon é o preço atual de prateleira do APIYI, correspondente ao preço de introdução do Google até 2026-11-30. O Gemini 4 Neon está listado na página de preços do Google AI Studio por 3,00 de entrada e 15,00 de saída em dólares por milhão de tokens, sem faixa gratuita; ele ainda não aparece nem na tabela geral do APIYI nem na interface de preços. Ainda não está disponível na plataforma, mas vamos disponibilizá-lo o quanto antes; modelos e preços seguem a lista de modelos da plataforma.

🚀 Dica de início: antes de o Neon ser disponibilizado, você pode usar a mesma chave no APIYI apiyi.com para chamar gemini-4-carbon, claude-opus-5-5 e gpt-6.2-sol separadamente, rodando suas próprias tarefas de programação ou de relatórios em cada um, para descobrir quais tipos de tarefa realmente exigem capacidade no nível do Neon.


Perguntas frequentes (FAQ)

Q1: Qual é o posicionamento do modelo Gemini 4 Neon?

É a faixa intermediária da família Gemini 4, lançada pelo Google em 18/11/2026 e adaptada a partir do Carbon. O guia do desenvolvedor a coloca entre o Hydrogen e o Carbon, e o blog oficial diz que ela é voltada para fluxos de trabalho complexos e de alta frequência. O ID do modelo é `gemini-4-neon`.

Q2: Com pontuação geral 61, em que posição o Gemini 4 Neon fica?

O artigo da Artificial Analysis mostra 61 pontos na faixa xhigh e 3º lugar geral, atrás do GPT-6.2 Astra (max) e do Claude Fable 5.2 (max). Os 61 pontos do blog do Google e do model card batem com esse número, mas a pontuação geral serve apenas como porta de entrada — os subescores precisam ser avaliados conforme a tarefa.

Q3: O Coding Agent Index é 58.6 ou 59?

Os dois estão certos, mas vêm de fontes diferentes. 58.6 é o número do blog do Google (autorrelatado pela própria empresa), e 59 é o número medido pela Artificial Analysis ao testar o Neon xhigh no Antigravity CLI. Não se deve combiná-los nem tirar a média entre eles.

Q4: O 12.8% e o 39.0% do SWE-sweep diferem tanto assim — o que isso indica?

São resultados de dois harnesses distintos: 12.8% vem do mini-SWE harness e 39.0% vem do Google Antigravity. O blog oficial atribui a diferença ao efeito desbloqueador do harness, então na hora de escolher o modelo você deve olhar para o ambiente de agente que realmente usa.

Q5: Em quais itens os concorrentes superam o Gemini 4 Neon?

No model card, o Claude Opus 5.5 fica um pouco acima no Terminal-bench 4.1 e no FrontierCode 2.0, e o GPT-6.2 Sol fica um pouco acima no Chartography. No artigo da Artificial Analysis, o MKA do Fable max é 57%, acima dos 56% do Neon.

Q6: Já é possível chamar o Gemini 4 Neon via API?

Do lado do Google, ele já foi lançado no Gemini API do AI Studio e em outros canais. A tabela geral e a interface de preços da APIYI apiyi.com ainda não têm `gemini-4-neon` — ele ainda não está disponível na plataforma, mas vamos colocá-lo no ar o quanto antes; modelo e preço devem seguir a lista de modelos da plataforma.

Q7: Antes do lançamento, quais modelos posso usar como alternativa para testes?

Você pode chamar `gemini-4-carbon` ou `gemini-4-hydrogen` na APIYI apiyi.com pelo endereço compatível com OpenAI `https://api.apiyi.com/v1`. A mesma chave ainda permite alternar para `claude-opus-5-5` e `gpt-6.2-sol` para comparações lado a lado. Novos usuários ganham cota gratuita de teste.

Q8: Quais são as restrições de chamada do Gemini 4 Neon?

O guia do desenvolvedor especifica: existem apenas quatro níveis de pensamento, de `low` a `xhigh`; passar `thinking_budget` ou `MINIMAL` retorna `HTTP 400`; não há suporte a cache de contexto explícito; o limite unificado é de 1048576 tokens, incluindo entrada e saída, e cada segmento tem no máximo 65536 tokens de saída por padrão.


Pontos-chave do Gemini 4 Neon (Key Takeaways)

  • A pontuação agregada é só o ponto de partida: a pontuação de inteligência AA de 61 e o 3º lugar batem em três fontes, mas a escolha do modelo ainda precisa ser feita tarefa por tarefa.
  • Na programação, dois itens foram superados: no model card, Terminal-bench 4.1 e FrontierCode 2.0 são ligeiramente maiores no Opus 5.5.
  • Na programação, vantagem de 1 ponto em avaliação de terceiros: Coding Agent Index 59 contra 58 do Fable xhigh e do Opus 5.5 max.
  • No trabalho de conhecimento, lidera na maioria: no Chartography o Sol é maior, e a vantagem de contexto longo no GraphWalks é a mais evidente.
  • Nas três áreas científicas, a fabricante afirma ser best in class: no comparativo do model card também lidera, mas os dados dos concorrentes são autodeclarados por cada empresa.
  • O nível de raciocínio começa em high: a diferença de pontuação de inteligência entre high e xhigh é de apenas 1, e no GDP.pdf o high é maior.
  • Para começar, teste os modelos já disponíveis: antes do lançamento do Neon, dá para usar Carbon e Hydrogen no APIYI apiyi.com e rodar as tarefas primeiro.

Resumo

Quão forte é o Gemini 4 Neon? Fica bem mais claro olhando por três blocos separados:

  1. Programação: a fabricante autodeclara o primeiro lugar no Coding Agent Index, terceiros apontam vantagem de apenas 1 ponto e, no model card, o Opus 5.5 é ligeiramente maior em dois itens.
  2. Trabalho de conhecimento: lidera na maioria, como AutomationBench e o GraphWalks de contexto longo; no Chartography, o Sol é maior.
  3. Ciência: nas três, a fabricante afirma best in class e o comparativo do model card confirma a liderança — é o bloco com as evidências mais consistentes dos três.

A sugestão é primeiro classificar sua tarefa em uma dessas categorias e depois conferir a tabela geral deste artigo para decidir se você precisa do Neon. Antes do lançamento, dá para usar o APIYI apiyi.com e chamar Gemini 4 Carbon, Hydrogen, além de Opus e Sol, por uma interface unificada e fazer o comparativo; quando o gemini-4-neon estiver disponível, basta trocar o ID do modelo e repetir o teste.


📚 Referências

  1. Blog do Google – Introducing Gemini 4 Neon: Post oficial de lançamento e pontuações autorreportadas

    • Link: blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-neon
    • Descrição: Rankings, pontuações de programação e ciência autorreportadas oficialmente
  2. Model Card do DeepMind – Gemini 4 Neon: Tabela comparativa de três colunas e especificações do modelo

    • Link: deepmind.google/models/model-cards/gemini-4-neon/
    • Descrição: Pontuações item por item de Neon, Opus 5.5 e Sol; resultados que não são do Gemini vêm, por padrão, dos autorrelatos de cada empresa
  3. Guia do Desenvolvedor do Google Cloud – Gemini 4 Neon: Parâmetros e restrições de invocação

    • Link: docs.cloud.google.com/gemini-enterprise-agent-platform/models/guides/gemini-4-neon
    • Descrição: Níveis de raciocínio, limite de tokens, cache e códigos de erro
  4. Artigo do Artificial Analysis – Gemini 4 Neon intelligence gain: Medição de terceiros

    • Link: artificialanalysis.ai/articles/gemini-4-neon-intelligence-gain
    • Descrição: Coding Agent Index 59, GDP.pdf, MKA, etc.
  5. Página do modelo no Artificial Analysis – Gemini 4 Neon: Índices separados por nível de raciocínio

    • Link: artificialanalysis.ai/models/gemini-4-neon
    • Descrição: Comparação das pontuações de inteligência nos quatro níveis
  6. Tabela geral de modelos da APIYI: Modelos já disponíveis e preços

    • Link: docs.apiyi.com/models.md
    • Descrição: Modelos e preços conforme a lista de modelos da plataforma

Autor: Equipe técnica da APIYI
Contato técnico: Fique à vontade para nos contatar pela página inicial do site APIYI; mais materiais estão disponíveis no centro de documentação em docs.apiyi.com

Artigos relacionados

Similar Posts