
Gemini 4 Neon: el modelo 'pequeño' de Google no tiene un tamaño publicado
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 186 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 358 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 139 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
A las 01:57 UTC del 20 de noviembre se publicó en X una publicación que llamaba a Gemini 4 Neon el modelo small de Google —«muy por delante de Argon y Carbon»—, competitivo con Claude Opus 5.5 y Claude Fable 5.2 y, en sus cuatro últimas palabras, evidencia de RSI. Se editó tres veces antes de quedar fijada y tenía 316 me gusta cuando la leímos. Todas las demás cláusulas pueden contrastarse con un documento. La palabra «small» no. Busca un recuento de parámetros o un orden por tamaño en la documentación de Google para Gemini 4 Neon, Gemini 4 Carbon, Gemini 4 Argon y Gemini 4 Hydrogen y no encontrará nada: ni recuento de parámetros, ni cifra de parámetros activos, ni una sola frase que ordene los cuatro por tamaño y —tanto en la página del modelo de DeepMind como en las fichas de modelo— ni un solo uso de la palabra «small» en referencia a ninguno de ellos.
Eso no hace que la publicación sea incorrecta. La vuelve infalsificable en su propia palabra central, lo cual es un problema distinto y más interesante: la afirmación combina una medición que cualquiera puede comprobar (la puntuación) con una descripción de los internos del modelo que nadie fuera de Google puede comprobar, y luego extrae una conclusión sobre cómo se entrenó el modelo a partir de la mitad no verificable. A continuación, la afirmación se descompone en sus tres partes y cada una se contrasta con lo publicado. Todas las puntuaciones son de Artificial Analysis en el índice v5.0.1, consultadas el 20 de noviembre de 2026; todo lo declarado por Google se etiqueta como tal; cualquier cosa inferida se marca como inferencia.
Lo que realmente dice la publicación
Despojado del encuadre, hay tres afirmaciones. Una: Neon es el modelo pequeño de Google. Dos: como modelo pequeño, está “muy por delante de Argon y Carbon”, es decir, un modelo más pequeño ha superado a hermanos mayores. Tres: ese resultado es el aspecto que tiene “RSI y similares”. La segunda se resuelve en aritmética, la primera se resuelve en una definición que Google no ha publicado, y la tercera no se resuelve en absoluto — es una afirmación sobre un proceso de entrenamiento sin datos de entrada divulgados.
Vale la pena señalar antes de la aritmética: este encuadre no es exclusivo de una sola cuenta. Un día antes, otro usuario atribuyó una demo de Neon a “swarms” y a “no hacer destilación y tomarse tiempo con RSI”. El vocabulario circula más rápido de lo que cualquier documento lo respalda, que es precisamente por lo que vale la pena analizar cada palabra individual.
Google nunca llama a Neon un modelo pequeño.
Google sí describe cada uno de los cuatro modelos, y las descripciones son lo bastante específicas como para citarlas. De la documentación del modelo de la API de Gemini, tal como se publicó esta semana:
• Gemini 4 Carbon — “Nuestro modelo de razonamiento más potente, diseñado para ingeniería de software compleja, trabajo de conocimiento multimodal, razonamiento científico y defensa en ciberseguridad”.
• Gemini 4 Neon — “Inteligencia de nivel frontera con finalización rápida de tareas de extremo a extremo en complejos flujos de trabajo de ingeniería de software, trabajo del conocimiento y ciencia.”
• Gemini 4 Argon — “Nuestro eficiente modelo de razonamiento de frontera Gemini 4, que ofrece respuestas más rápidas y un menor gasto de tokens por turno en comparación con Gemini 4 Carbon…”
• Gemini 4 Hydrogen — “Lleva inteligencia de vanguardia a todo el mundo, con velocidad y eficiencia para la programación cotidiana y los flujos de trabajo agénticos.”
Tres de esas cuatro frases tratan sobre velocidad y coste. Ninguna de ellas trata sobre el tamaño, y ninguna página de Google que hayamos podido leer usa la palabra «small» para ninguna de las cuatro. Según la misma documentación, el modelo al que Google apunta para el trabajo cotidiano y de bajo coste es Gemini 3.5 Flash-Lite, que no forma parte de esta familia y no es de lo que trata la publicación. Así que «Neon es el pequeño» no es un resumen del posicionamiento de Google. Es una inferencia del lector a partir del comportamiento, expresada como si fuera una especificación.
La tarjeta de precios también contradice la lectura literal. Neon es el modelo más caro de la familia por token: 3,00 $ de entrada y 15,00 $ de salida por millón, tarifa plana, sin nivel gratuito y sin caducidad, frente a Carbon y Argon a 2,00 $ y 10,00 $ hasta el 30 de noviembre, y Hydrogen a 1,50 $ y 7,50 $ con nivel gratuito. Un modelo pequeño que cuesta un 50 % más por token que el modelo insignia con el que se lo compara no es pequeño en el sentido en que los compradores suelen usar la palabra. Sea lo que sea lo que Neon tenga de pequeño, no es la factura.
Donde las cifras sí respaldan la afirmación
La mitad de la puntuación de la publicación es verificable y en su mayoría se sostiene —con una sustitución que cambia el veredicto. En el Intelligence Index, en la configuración publicada más profunda de cada modelo:
• Gemini 4 Neon — 61,4 en xhigh (59,6 en su valor predeterminado, high)
• Gemini 4 Carbon — 60.0 en high, que es su techo; el modelo no tiene nivel xhigh
• Gemini 4 Hydrogen — 54 en xhigh
• Gemini 4Argon — 50 en alto, también su límite superior
Así que «muy por delante de Argon» es cierto y no por poco: 11 puntos. «Muy por delante de Carbon» no es cierto en absoluto. Neon supera a Carbon por 1,4 puntos, y solo cuando lo llevas a un nivel de razonamiento que Carbon no tiene. En los ajustes que ambos proveedores recomiendan —el alto predeterminado de Neon frente al alto de Carbon—, Neon está 0,4 puntos por detrás. La forma más contundente de la publicación habría sido la honesta: Neon es el primer modelo de esta familia que puntúa por encima del buque insignia, por alrededor de un punto, si estás dispuesto a pagar por el nivel más profundo.
“En cuestión de semanas” también es literalmente cierto, y vale la pena explicitar la aritmética porque es el único dato con fecha en la publicación. Carbon estuvo disponible de forma general el 10 de noviembre. Neon estuvo disponible de forma general el 18 de noviembre. Ocho días separan al buque insignia del modelo del que se dice que lo ha superado.

La única comparación que la publicación omitió
La frase «compite con Opus / Fable» es la que se queda corta consigo misma, porque la versión halagadora de esa afirmación requiere una cifra que la publicación no utilizó. En el mismo índice, Claude Opus 5.5 obtiene 59 en su esfuerzo máximo y Claude Fable 5.2 obtiene 65. Por lo tanto, el 61,4 de Neon se sitúa entre ambos: por delante de Opus 5.5 por 2,4 puntos en la configuración más profunda de Neon, y por detrás de Fable 5.2 por 3,6. «Compite con» es justo para el primero y generoso para el segundo.
Lo que lo convierte en una historia real es cuánto cuestan esos puntos, medido por tarea completada en lugar de por token:
• Costo por tarea del Índice de Inteligencia — Gemini 4 Neon $6.44, Claude Opus 5.5 $10.04, Claude Fable 5.2 $26.54
• Precio de lista por millón, entrada / salida — Neon $3.00 / $15.00, Opus 5.5 $4.00 / $20.00, Fable 5.2 $8.00 / $40.00
• Tiempo por tarea de indexación — Neon 21,5 minutos con xhigh y 14,8 con high; Opus 5.5 25,7 con max; Fable 5.2 41,6 con max
• Velocidad de salida — Neon 110 tokens por segundo, Opus 5.5 112, Fable 5.2 unos 110
Cuatro veces más barato por tarea que Fable 5.2 por 3,6 puntos de índice es un argumento mejor que cualquier cosa en la publicación original, y no depende de una sola palabra sobre el tamaño. También es el argumento que sobrevive a la objeción más cercana: al precio de Fable 5.2, una brecha de 3,6 puntos es lo más barato de cerrar sobre la mesa si la carga de trabajo lo requiere, e irrelevante si no.

Pequeño en velocidad, no en tamaño
Si aquí hay una lectura defendible de “small”, es la que mide el tracker y no la que omite la model card, y tiene que ver con el trabajo por tarea, no con los parámetros. Con el mismo esfuerzo alto, Neon terminó la suite Intelligence Index en 123M tokens de salida frente a los 205M de Carbon, en 14,8 minutos frente a los 41,8 de Carbon. Eso supone una huella de tokens un 40% menor y una tarea que se completa casi tres veces más rápido, y es lo más parecido a una evidencia de la intuición del post que existe en público: sea lo que sea Neon, hace el mismo trabajo con menos trabajo emitido que el modelo que Google llama su más fuerte.
Pero eso es una inferencia a partir del comportamiento, y el comportamiento tiene otras explicaciones —un decodificador más eficiente, un presupuesto de razonamiento distinto, una traza de razonamiento más corta—, ninguna de las cuales requiere un número menor de parámetros. Esas mismas cifras también son compatibles con que Neon sea simplemente un modelo más nuevo y mejor entrenado de tamaño comparable, que es la explicación menos exótica disponible.
El planteamiento sobre la velocidad también falla en un punto en el que la publicación no se fija. Neon no es el modelo más rápido de la familia. Gemini 4 Hydrogen funciona a 167 tokens por segundo frente a los 110 de Neon, y termina una tarea de índice en 15,4 minutos en xhigh —a un pelo de los 14,8 de Neon en high—, a la mitad de precio. Si la afirmación es «pequeño y rápido», Hydrogen es el modelo que describe, y Hydrogen obtiene 54 puntos.

Por qué 'RSI' está haciendo el trabajo aquí
La mejora recursiva de sí misma, en el sentido que la expresión tiene en la investigación en IA, significa un laboratorio que usa un modelo para mejorar de forma medible a su sucesor —un bucle con un modelo dentro, no solo una cadencia de lanzamientos rápida—. Nada de lo publicado respalda esa lectura de este lanzamiento, y la publicación no ofrece nada que la respalde: ninguna cifra de cómputo, ninguna divulgación de con qué se entrenó a Neon, ninguna evidencia de que algún modelo Gemini haya contribuido al entrenamiento de Neon.
Lo que Google sí publica sobre el linaje es una cláusula, repetida. Las tarjetas de modelo tanto de Gemini 4 Neon como de Gemini 4 Hydrogen afirman que el modelo “está adaptado a partir de Gemini 4 Carbon” —la misma frase en las mismas siete casillas de ambas tarjetas, sin definición de “adaptado”, sin recuento de parámetros y sin explicación de qué cambió. Seguir la tarjeta de Carbon hacia atrás lleva a Argon, cuya tarjeta dice que “no es una modificación ni un ajuste fino de un modelo anterior”. Todas las tarjetas de Gemini 4 dan el mismo corte de conocimiento, marzo de 2026, a lo largo de cinco semanas de lanzamientos. Cuatro modelos, una misma canalización de datos, una palabra sin definir: eso describe una base de entrenamiento compartida, lo cual es habitual, no un bucle.
La brecha de ocho días entre Carbon y Neon es una cuestión de calendario. Los calendarios se comprimen por razones que no tienen nada que ver con la mejora personal —un modelo base compartido, un despliegue por etapas, un calendario de lanzamiento— y el hecho de que este se haya comprimido no es evidencia de ninguna de ellas. Si un laboratorio construyera un modelo con un modelo, la forma de saberlo sería que lo dijera, o que un benchmark lo midiera. Ninguna de las dos cosas ha ocurrido.
¿Qué lo zanjaría?
Tres divulgaciones convertirían la publicación de una afirmación en un hallazgo, y las tres son cosas que Google podría publicar esta semana:
• Una cifra de recuento de parámetros o de parámetros activos para cualquier modelo Gemini 4. Un solo número haría que «pequeño» fuera comprobable y confirmaría o descartaría de inmediato la premisa.
• Una definición de "adapted from" en las fichas de modelo. La frase aparece siete veces en la ficha de Neon y nunca se explica; "based on" se usa para Carbon-to-Argon y está igual de indefinida.
• Cualquier afirmación sobre la contribución al entrenamiento — qué datos eran nuevos en Neon con respecto a Carbon, o qué modelo, si alguno, generó señal de entrenamiento. A falta de las tres, RSI no pasa de ser una palabra en una publicación.
¿Qué hacer con esto el lunes?
La consecuencia práctica es pequeña, y es la contraria de lo que implica la entrada. Nada en el registro dice que Neon sea un modelo pequeño que venció a uno grande; dice que Neon es un modelo de $3/$15 que obtiene un punto por encima del techo de Carbon cuando se le exige al máximo y medio punto por debajo de la configuración predeterminada de Carbon cuando no. Eso es una decisión de escala de ajuste, no una decisión de tamaño, y la escala abarca 17,3 puntos de índice desde low (44,1) hasta xhigh (61,4) —mucho más que la diferencia entre dos modelos cualesquiera de la familia. Qué peldaño eliges importa más que qué modelo eliges.
Hay dos cosas con fecha que vale la pena anotar en el calendario, independientemente de cómo se resuelva la cuestión del tamaño. Carbon y Argon se duplican el 1 de diciembre, de $2.00 y $10.00 a $4.00 y $20.00 por millón de tokens, mientras que la lista de precios de Neon no tiene vencimiento. Con los precios actuales, Neon es un 17% más barato por tarea de indexación completada que Carbon ($6.44 frente a $7.76); después del 1 de diciembre, esa diferencia se amplía sin que Neon cambie nada. Quien lea la publicación sobre el «modelo pequeño» y concluya que Neon es la opción económica tiene la dirección correcta por el motivo equivocado: es más barato por tarea porque emite menos, no porque sea más pequeño, y se vuelve mucho más barato en una fecha que Google ya publicó.
Por nuestra parte, google/gemini-4-carbon y google/gemini-4-argonestán en el catálogo al precio de lista del proveedor y sin margen, lo que significa que el cambio del 1 de diciembre llega el mismo día que llega a Google. Gemini 4 Neon todavía no está en el catálogo, así que lo útil que cabe decir sobre él no es un precio sino una forma: cuando llegue, la petición que merece la pena escribir es una que nombre a Neon y recurra a Carbon si Neon sufre limitación de peticiones o devuelve errores. Un modelo cuya principal ventaja publicada es terminar tareas con rapidez es uno detrás del cual conviene tener un failover, no un punto único de dependencia. Hoy una sola clave cubre al resto de la familia, así que una ejecución comparativa contra Carbon o Argon no cuesta nada más que los tokens.
La conclusión honesta es la más limitada. Una publicación que afirma que el modelo pequeño de un laboratorio superó a sus modelos grandes ha hecho una afirmación sobre tamaños. Nadie ha publicado un tamaño. Las puntuaciones dicen que un modelo rápido quedó a menos de un punto de uno más lento en ocho días, lo cual es bastante interesante por sí solo, y la historia de entrenamiento que lleva adjunta es, por ahora, una leyenda.
Comparados en este artículo1
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
