Una tarjeta de título para un artículo sobre los niveles de esfuerzo de Gemini 4 que muestra tres columnas de modelos, tres filas de esfuerzo y una cifra destacada de 14,55 centavos para Gemini 4 Neon con esfuerzo alto en un prompt de 40 tokens.
Guides & Insights

Niveles de esfuerzo de Gemini 4 Neon: lo que realmente cuestan Bajo, Medio y Alto

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Un prompt, cuarenta tokens de entrada y nueve facturas. Simon Willison pasó la prueba del pelícano en bicicleta por Gemini 4 Carbon, Gemini 4 Neon y Gemini 4 Hydrogen con esfuerzo bajo, medio y alto, y publicó los recuentos de tokens, los costes en dólares y los tiempos de reloj de pared que devolvieron —en una entrada de blog fechada el 18 de noviembre de 2026 y como una tabla comparativa en X a la mañana siguiente. Los nueve resultados son la medición pública más concreta hasta la fecha de qué le hace realmente a una factura un ajuste de nivel de pensamiento de Gemini 4, y dicen algo que el material de lanzamiento no dice: en un prompt corto y fácil, el peldaño de esfuerzo mueve el coste más que la elección de modelo, y la clasificación entre dos modelos puede invertirse al cambiar de peldaño.

Su veredicto sobre el resultado es deliberadamente no cuantificado. Los pelícanos de Neon «se ven mejor que Hydrogen y peor que Carbon», el detalle y el acabado disminuyen a medida que se desciende por la familia y, de forma menos acusada, a medida que se desciende por la escalera, y cada una de las nueve imágenes sigue siendo reconociblemente un pelícano sobre una bicicleta. Eso no se puede puntuar. Sin embargo, sí puedes contar cuánto costó.

Nueve facturas por un prompt de cuarenta tokens

El prompt es idéntico en las nueve ejecuciones, la entrada es de 40 tokens en todos los casos y lo único que varía son el modelo y el ajuste de pensamiento. Todas las cifras siguientes provienen de la propia ejecución de Willison según las tarifas por token publicadas por Google, y los costos son sus mediciones, no estimaciones.

• Gemini 4 Hydrogen, bajo — 2.996 tokens de salida, 2,25 centavos, 10 segundos.

• Gemini 4 Hydrogen, medio — 3.964 tokens de salida, 2,98 centavos, 17 segundos.

• Gemini 4 Hydrogen, alto — 5.311 tokens de salida, 3,99 centavos, 19 segundos.

• Gemini 4 Neon, bajo — 4.974 tokens de salida, 7,47 centavos, 43 segundos.

• Gemini 4 Neon, medio — 7.846 tokens de salida, 11,78 centavos, 54 segundos.

• Gemini 4 Neon, alto — 9.691 tokens de salida, 14,55 centavos, 1 minuto 11 segundos.

• Gemini 4 Carbon, bajo — 9.153 tokens de salida, 9,16 centavos, 1 minuto 34 segundos.

• Gemini 4 Carbon, mediana — 11.020 tokens de salida, 11,03 centavos, 1 minuto 53 segundos.

• Gemini 4 Carbon, alto — 20.305 tokens de salida, 20,31 centavos, 4 minutos 11 segundos.

Las cuentas detrás de esas facturas merecen enunciarse porque explican todo lo que sigue. Con 40 tokens de entrada, el cargo de entrada es aproximadamente una centésima de centavo y puede ignorarse, así que la factura es casi exactamente los tokens de salida multiplicados por la tarifa de salida: Carbon a $10 por millón de tokens de salida, Neon a $15, Hydrogen a $7,50. Nada en el ajuste de esfuerzo cambia un precio. Cambia cuántos tokens emite el modelo antes de detenerse, y en este prompt ese multiplicador va de 1,77x a 2,22x.

El peldaño mueve el proyecto de ley más que el modelo.

Toma el escalón más barato de la familia más cara. Hydrogen en el nivel bajo cuesta 2,25 centavos. Neon en el nivel alto cuesta 14,55. Eso es una diferencia de 6,5x dentro de una sola familia y un solo prompt, y 3,3x de ella proviene del modelo mientras que el 1,95x restante proviene del escalón. La misma comparación dentro de un solo modelo es igual de grande: en Neon, de bajo a alto es 1,95x; en Carbon, de bajo a alto es 2,22x; en Hydrogen, de bajo a alto es 1,77x.

Pon los dos efectos uno al lado del otro y el punto práctico aparece rápido. Bajar Carbon de alto a medio ahorra 9,28 centavos en este prompt, lo que supone el 64% de lo que cuesta Neon por el mismo pájaro en el mismo escalón. Si tu opción predeterminada es "el modelo más grande en el escalón más profundo", un cambio de un paso en ese valor predeterminado vale más, en efectivo, que cambiar de modelo por completo.

La dirección de la comparación entre modelos tampoco es la que sugiere la lista de precios. Los $3 y $15 de Neon están un 50% por encima de los $2 y $10 actuales de Carbon —la tarifa introductoria que Carbon y Argon mantienen hasta el 30 de noviembre, tras lo cual ambos se duplican a $4 y $20—. Sin embargo, en este prompt, Neon en alto es el más barato de los dos, por un 28%, porque Carbon emite 2,1 veces más tokens de salida para dibujar el mismo pájaro. El precio por token no es el número que hay que comparar. Los tokens por respuesta son los que acaban en la factura.

Donde Neon y Carbon intercambian lugares

El par no se ordena de forma consistente a lo largo de la escalera, y es en el peldaño intermedio donde falla.

• En el nivel bajo — Neon 7,47 centavos frente a Carbon 9,16, así que Neon es un 18 % más barato.

• En el nivel medio — Neon 11,78 centavos frente a Carbon 11,03, por lo que Neon es un 6,8 % más caro.

• En el nivel alto — Neon 14,55 centavos frente a Carbon 20,31, por lo que Neon es un 28 % más barato.

El recuento de tokens de Carbon es la razón. Aumenta abruptamente de bajo a medio (9,153 a 11,020) y luego casi se duplica hasta alto (20,305), mientras que Neon asciende de forma más uniforme (4,974, 7,846, 9,691). En medio, los dos recuentos de tokens están lo suficientemente cerca como para que la prima de precio de 1,5x de Neon decida la factura; en alto, la verbosidad de Carbon supera la diferencia de precio. Cualquiera que hiciera una comparación en un escalón y generalizara habría obtenido la respuesta al revés para los otros dos.

A scoreboard comparing Gemini 4 Neon, Gemini 4 Carbon and Gemini 4 Hydrogen at low, medium and high effort on a 40-token drawing prompt, listing output tokens and cost in cents for each of the nine runs.

Qué aporta la escalera en una evaluación rigurosa

El costo es solo la mitad del intercambio, y el prompt de dibujo es un instrumento poco adecuado para la otra mitad porque no existe un pelícano correcto. Artificial Analysis aporta el eje que falta: puntúa Gemini 4 Neon por separado en cada una de sus cuatro configuraciones en el Intelligence Index v5.0.1, y la dispersión es mucho mayor que cualquier cosa que muestre la escala de precios.

• Puntuación del índice: 44 en bajo, 55 en medio, 60 en alto, 61 en xhigh, según lo leído en la página del rastreador el 19 de noviembre de 2026.

• Tiempo hasta el primer token de respuesta: 13,9 segundos en bajo, 20,1 en medio, 40,6 en alto y 56,5 en extra alto.

• Tiempo por tarea de Intelligence Index: 3,7 minutos en bajo, 8,3 en medio, 14,8 en alto y 21,5 en xhigh.

• Velocidad de salida — de 97 a 110 tokens por segundo, que aumenta ligeramente con el escalón, la única dimensión en la que la escalera es casi plana.

Diecisiete puntos de índice entre el ajuste más barato y el más profundo de Neon son una brecha mayor que la que separa a Neon en xhigh del 54 publicado de Gemini 4 Hydrogen en el mismo índice. Ese es el argumento más contundente a favor de la escalera: en tareas con una respuesta correcta, el peldaño no es un ajuste de refinamiento, es un ajuste de capacidad. El mismo rastreador publica una cifra de costo por tarea solo para la variante xhigh, $6.44, y ese único punto es el que más probablemente se cite fuera de contexto. Pertenece a la configuración más costosa del modelo, no al modelo.

Artificial Analysis model page for Gemini 4 Neon showing an Intelligence Index rank of sixth of 96, a price of $3.00 input and $15.00 output per million tokens, and a cost of $6.44 per Intelligence Index task at xhigh.

Por qué un pájaro es una prueba justa del peldaño

El prompt pelican tiene una propiedad que lo hace excepcionalmente bueno para esta pregunta y otra que lo hace inútil para una distinta. Es abierto, así que cada escalón produce algo y ninguno de ellos falla por completo, lo que significa que la curva de costo se puede leer sin que la confundan los reintentos, y la curva de calidad se puede leer como un gradiente en lugar de como una tasa de aprobación. También carece de puntuación, así que puede decirte que el esfuerzo bajo dibujó una bicicleta más simple, pero no puede decirte si eso importa para tu carga de trabajo.

La documentación propia de Google es más directa sobre el riesgo en lo más alto de la escala de lo que puede ser una cuadrícula de demostración. Advierte de que xhigh «puede provocar que se piense demasiado o agotar max_output_tokens en prompts más sencillos, como la extracción de texto o JSON», y recomienda evaluar en cada nivel y quedarse con el más bajo que supere su umbral de calidad. Willison probó Neon en bajo, medio y alto para los pelícanos y, en su lugar, usó el ajuste extra independiente de Antigravity para un prompt de animación de Three.js, así que xhigh no tiene ningún pájaro en esta comparación. Su propia nota es que Argon quedó fuera de la cuadrícula, lo que recuerda que esta es una selección de un profesional y no un conjunto de evaluación publicado.

Leídas en conjunto, las dos fuentes ofrecen una regla utilizable. En la generación fácil y abierta, el nivel compra un refinamiento que quizá no necesites y te factura entre 1,8 y 2,2 veces los tokens por ello. En el razonamiento difícil, ese mismo nivel compra quince puntos de índice, y el aumento de 5,8 veces en el tiempo por tarea es el precio de esa capacidad, no un coste de indecisión.

Elegir un peldaño en lugar de un modelo

El hábito que conviene abandonar es elegir entre Gemini 4 Carbon, Gemini 4 Neon y Gemini 4 Hydrogen. Los tres aceptan el mismo parámetro de solicitud, así que la decisión real es un par: qué modelo, en qué nivel y para qué tipo de trabajo. De las cifras anteriores se derivan tres reglas.

Establece el nivel por clase de tarea, no por proyecto. La extracción de texto, el formateo, la clasificación breve y la reparación de JSON son los casos que Google señala como riesgos de sobrepensamiento; también son los casos en los que un nivel bajo o medio produjo una respuesta reconocible con entre un quinto y un tercio de los tokens. La programación profunda de varios pasos, las sesiones largas con uso de herramientas y todo aquello en lo que aparecen los quince puntos del índice son donde el nivel caro justifica su factura.

Cuando compares, mide tokens, no segundos. La escalera del tiempo y la escalera del costo van aquí en la misma dirección, pero no con la misma pendiente: el ajuste alto de Neon es casi tres veces más lento que su ajuste bajo hasta el primer token y cuatro veces más lento para terminar una tarea de indexación, mientras que la factura se mueve 1,95x. Los presupuestos de latencia y de costo te llevarán a peldaños distintos, y solo uno de ellos aparece en la factura.

Vuelve a hacer la comparación después del 1 de diciembre de 2026. Ese día, Carbon y Argon se duplican a $4 y $20 por millón de tokens, mientras que Neon se mantiene en $3 y $15, y las cifras de pelican escalan linealmente con la tasa de salida. Entonces, Carbon en high costaría 40,6 centavos por el mismo pájaro frente a los 14,55 de Neon —una diferencia de 2,8 veces en lugar del 28 %—, y Carbon en medium costaría 22,0 centavos frente a los 11,78 de Neon. Toda conclusión extraída de la lista de precios de esta semana tiene una vida útil de doce días.

Enrutar el peldaño, no solo el modelo

Como el ajuste de esfuerzo es un parámetro de solicitud en lugar de un despliegue separado, toda la escalera es accesible desde una única integración, lo que abarata cambiar la decisión de enrutamiento. OrcaRouter expone más de 200 modelos detrás de una sola clave al precio de lista del proveedor sin margen, así que un cambio de precio del proveedor está activo en nuestro lado el día que lo esté en el de Google —incluida la duplicación de Carbon y Argon del 1 de diciembre—, sin nada que renegociar. El DSL de enrutamiento puede enviar una clase de tarea a un modelo y escalón específicos, que es como una política por clase como la anterior se convierte en configuración en lugar de un cambio de código, y la conmutación por error automática hace que un escalón que aún estás evaluando nunca se convierta en la única ruta a producción.

Un límite honesto: nuestro catálogo actualmente incluye google/gemini-4-carbon y google/gemini-4-argon, y todavía no incluye Gemini 4 Neon ni Gemini 4 Hydrogen. Así que esto no es una recomendación para ejecutar Neon a través de nosotros hoy. Es la forma de la prueba que hay que ejecutar cuando llegue, y la razón por la que la comparación por nivel importa más que la comparación por modelo: una política que fija el modelo e ignora el nivel deja la mayor parte de la factura sin gestionar.

OrcaRouter model page for google/gemini-4-carbon, showing the model listed as a Google multimodal model with vision, audio and tool support, dated 2026-11-10, with a playground panel.

¿Qué cambiaría esta lectura?

Tres cosas, todas verificables. La primera es un coste publicado por tarea de Neon en high en lugar de xhigh; el tracker actualmente solo da $6,44 para xhigh, y esa única fila resolvería si la afirmación de Google de que es un 32 % más barato por tarea resiste una medición independiente. La segunda es si alguien ejecuta el pelican en xhigh, ya que el único ajuste con un modo de fallo documentado en prompts cortos es el que falta en la cuadrícula. La tercera es el 1 de diciembre, que cambia la aritmética de todas las comparaciones de este artículo sin que ninguno de los dos modelos cambie en absoluto.

Preguntas que los números siguen suscitando

¿Un nivel de esfuerzo más alto cuesta más por token?

No. La tarifa por token es fija por modelo: 3 y 15 dólares para Neon, 2 y 10 dólares para Carbon hoy, y 1,50 y 7,50 dólares para Hydrogen. Lo que cambia es el número de tokens de salida que emite el modelo antes de detenerse, por lo que el mismo prompt de 40 tokens produjo nueve facturas entre 2,25 y 20,31 centavos.

¿El peldaño más barato es siempre la respuesta más barata?

No necesariamente, porque un peldaño que reflexiona menos de lo necesario ante una tarea difícil produce una respuesta que descartas y vuelves a ejecutar. En el caso de pelican, todos los peldaños produjeron algo utilizable; en el Intelligence Index, la diferencia entre el nivel bajo y el alto es de dieciséis puntos, así que una respuesta de un peldaño bajo a una tarea difícil es un producto distinto en lugar de uno más barato.

¿Cuál de Neon y Carbon es más barato?

Depende del tramo y de la fecha. Hoy Neon es más barato en el tramo bajo y en el alto, y más caro en el medio; a partir del 1 de diciembre es más barato en todos los tramos de este prompt, porque la tarifa de salida de Carbon se duplica y la de Neon no.