Cartão de título principal com o texto Gemini 4 Neon, no ar em 18 de novembro de 2026, com um subtítulo com o texto cinco mudanças no nível da requisição, e uma linha de rodapé com o texto preços e níveis de pensamento conforme a documentação da API Gemini do Google, verificados em 20 de novembro de 2026
Engineering & Research

Gemini 4 Neon já está disponível: cinco mudanças na API para planejar

Autor

Gideon Frost

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

O G​emini 4 Neon entrou em disponibilidade geral em 18 de novembro de 2026, e o documento interessante não é o post de lançamento. É a checklist de migração que o G​oogle publica logo abaixo dele, que é onde você descobre que mover o tráfego de produção para o G​emini 4 Neon a partir do Gemini 3.8 Flash, ou do Gemini 4 Carbon ou do G​emini 4 Hydrogen, muda mais do que uma string de modelo. Cinco comportamentos no nível da requisição mudam, um deles silenciosamente, um deles com um erro 400 e um deles por um fator que você só vai notar na fatura. O resumo do próprio modelo feito pelo G​oogle é modesto: inteligência de nível de fronteira com conclusão rápida de tarefas de ponta a ponta em engenharia de software complexa, trabalho do conhecimento e ciência, ficando entre o G​emini 4 Hydrogen e o Gemini 4 Carbon para tarefas complexas de alta frequência. O que segue é a parte da implementação que custa tempo de engenharia, e não tokens.

O que realmente foi lançado em 18 de novembro

A tabela de preços é fixa e não muda: $3,00 por milhão de tokens de entrada, $15,00 por milhão de tokens de saída, $0,15 por milhão de entrada em cache, somente no plano pago, sem cota gratuita em lugar algum. O contexto é uma única janela unificada de 1.048.576 tokens compartilhada por entrada, raciocínio e saída, com um limite de saída síncrona de 65.536 tokens e um caminho de decodificação longa que chega a até um milhão. Há quatro níveis de raciocínio — low, medium, high e xhigh — e o padrão é high, não medium. O modelo está na API paga do Gem​ini, tanto no generateContent quanto na API Interactions, no AI Studio para assinantes do AI Pro e do Ultra, e dentro do agente Antigravity no Gem​ini Managed Agents.

Dois números de fora do G​oogle merecem ser levados em conta na decisão de migração. O Artificial Analysis atribui ao G​emini 4 Neon uma pontuação de 61,4 no seu Intelligence Index em xhigh, que o rastreador exibe como 61 e classifica como sexto entre 95 modelos, e mede 110 tokens de saída por segundo, contra 51 do G​emini 4 Carbon. O mesmo painel também registra US$ 6,44 por tarefa do Intelligence Index em xhigh e 283 milhões de tokens de saída em todo o conjunto de avaliação, que é o detalhe que importa aqui: este é um modelo que alcança suas pontuações emitindo muitos tokens, e cada um deles é cobrado.

A self-built card titled The five changes, as a checklist, with five rows reading sampling parameters accepted then ignored inside range and a 400 outside it, explicit caching removed in favour of implicit caching on prompts of 4096 tokens or more, thinking default high instead of medium with minimal rejected, state carried by previous_interaction_id with thought signatures preserved, and outputs past 65536 tokens requiring background execution with max_output_tokens raised

Parâmetros de amostragem: ignorados ou um 400

As notas de migração do Google orientam remover temperature, top_p e top_k das requisições. O comportamento exato é o ponto em torno do qual é preciso projetar: valores personalizados dentro do intervalo são aceitos e depois ignorados pelo servidor, enquanto valores fora do intervalo retornam um erro de validação 400. Assim, um serviço que vem passando discretamente temperature 1.3 há dezoito meses não falha na entrada — ele começa a retornar a mesma distribuição que retornaria com qualquer outra configuração, e o único sintoma é que suas saídas parecem mais determinísticas em alguns pontos e menos em outros, sem nenhum erro ao qual correlacionar.

A correção prática não é limitar os valores. É excluí-los e transferir aquilo para que você os estava usando para algo que o modelo realmente respeita: saídas estruturadas para formato, uma suíte de avaliação para variância e mudanças no nível do prompt para estilo. Quem depende da temperatura como um botão de criatividade agora não tem botão.

O cache explícito acabou, o implícito é automático

O G​emini 4 Neon não oferece suporte a cache de contexto explícito. O recurso cachedContents e caches.create não estão disponíveis nele, e as solicitações que carregam um campo cached_content precisam perdê-lo. O que substitui isso é o cache implícito, que é executado por padrão em prompts de pelo menos 4.096 tokens e concede desconto de 95% na entrada em cache — US$ 0,15 por milhão em vez de US$ 3,00 — sem nenhum identificador para criar, expirar ou pagar pelo armazenamento.

Para a maioria das equipes, isso é uma simplificação e uma pequena redução na fatura. Para algumas, é uma regressão, e o formato da regressão é previsível: se seus acertos de cache dependiam de um grande prefixo fixo ser registrado uma vez e reutilizado em muitas solicitações com formulações diferentes, o cache implícito só ajuda quando o prefixo realmente corresponde; portanto, a jogada vencedora é tornar o prefixo compartilhado idêntico byte a byte e colocar tudo o que é variável depois dele. Se o prefixo em cache tiver menos de 4.096 tokens, você não terá mais cache algum.

mínimo é rejeitado e alto é o padrão

O padrão de pensamento é a mudança mais discreta da lista. Gemini 4 Carbon e Gemini 4 Argon usam medium por padrão e param em high. Gemini 4 Neon usa high por padrão e acrescenta xhigh acima disso, e rejeita minimal com um erro — o nível que Gemini 3.6 Flash e os modelos Flash-Lite ainda aceitam. Código que nunca define thinking_level, portanto, recebe uma resposta mais profunda, mais lenta e mais cara no Neon do que recebia no Carbon com o mesmo corpo de requisição.

A orientação do próprio Google é avaliar nos quatro níveis com um max_output_tokens alto, para que o limite não trunque a resposta, e então executar no nível mais baixo que atenda ao critério. Em um modelo cuja pontuação independente publicada abrange 17 pontos de índice do seu degrau mais barato ao mais profundo, isso não é fórmula pronta. O padrão que você herda é a configuração correta mais cara, não a mais barata.

Estado, assinaturas e um novo ID de interação

Sessões multiturno e de chamada de ferramentas deixam de se basear em "reenviar a transcrição" e passam a usar dois mecanismos específicos. Na API Interactions, você carrega o estado com previous_interaction_id em vez de reconstruir o histórico. Em históricos generateContent gerenciados pelo cliente, você retorna os turnos anteriores do modelo e suas assinaturas de pensamento inalterados a cada turno, e não deve copiar uma assinatura entre partes functionCall paralelas — a assinatura está vinculada à chamada de onde se originou.

Há também um modo de falha que vale a pena conhecer antes que apareça em produção: instruir o modelo, por meio de instruções de sistema, a emitir chamadas de ferramenta em JSON de texto bruto, sem nenhuma ferramenta declarada nativamente, pode retornar MALFORMED_FUNCTION_CALL. Declare ferramentas com function calling, ou restrinja a resposta com saídas estruturadas. Esse é fácil de passar despercebido porque não é uma mudança de schema — é um padrão de prompt que costumava funcionar.

Saídas longas precisam de execução em segundo plano

As respostas síncronas param em 65.536 tokens, com streaming ou não. Para ultrapassar esse limite, você define max_output_tokens acima de 65.536 e define background como true, e o servidor continua em saltos de 64K até a janela ser esgotada. Defina background sem aumentar max_output_tokens e a tarefa ainda para em 65.536, que é exatamente o erro que a documentação destaca em uma nota.

A segunda metade desta mudança está no seu cliente HTTP, não no seu prompt. O G​oogle diz para aumentar os timeouts para pelo menos quinze minutos, porque prompts difíceis neste modelo podem levar vários minutos antes do primeiro token de resposta. A medição independente concorda com a direção: a Artificial Analysis registra 56,5 segundos até o primeiro token de resposta e 21,5 minutos por tarefa do Intelligence Index para o Neon, contra 45,96 segundos e 28,4 minutos para o Gemini 4 Argon. Mais rápido no geral, mais lento para começar.

Screenshot of Google's What's new in Gemini 4 Neon documentation page, showing the model table with the gemini-4-neon model ID, thinking levels low, medium, high and xhigh, and the paid tier price of 3 dollars per million input tokens and 15 dollars per million output tokens

O que a migração custa antes de economizar qualquer coisa

A cobrança acompanha cada token que o modelo processa, incluindo tokens de pensamento e, quando você usa grounding, as instruções internas do sistema e as declarações de função. Isso é padrão para a família, mas interage mal com duas particularidades do Neon: o padrão alto consome mais tokens de pensamento do que o padrão médio para o qual seu código Carbon foi escrito, e o próprio perfil de tokens do modelo é pesado. O rastreador contou 283 milhões de tokens de saída para o Neon no Intelligence Index, contra 205 milhões para o Carbon — 38% a mais, numa época em que o preço por token também é mais alto que a tarifa introdutória do Carbon.

Nada disso argumenta contra migrar. Argumenta contra migrar alterando uma única string e observando os dashboards. A sequência honesta é: fixar o modelo antigo, duplicar uma fração do tráfego para o gemini-4-neon em nível médio e em nível alto, e comparar o custo por tarefa concluída em vez do custo por token. O custo por token neste modelo é o número menos informativo da planilha.

Screenshot of the Gemini API pricing page for Gemini 4 Neon showing the Standard tab with an input price of 3 dollars and an output price of 15 dollars per million tokens, context caching at 0.15 dollars with a note that only implicit caching is supported, a free tier reading not available, and a callout stating that every token including thinking tokens is billed

Onde um roteador se justifica nesta migração

Este é um exemplo clássico de implantação canário, e é por isso que uma camada de roteamento é útil mesmo para uma migração de fornecedor único. Uma única chave de API cobre mais de 200 modelos, então o caminho antigo e o novo ficam atrás do mesmo endpoint enquanto você direciona uma porcentagem do tráfego; failover automático significa que um erro 400 de um parâmetro fora do intervalo ou um timeout em uma tarefa de longa duração recorre ao modelo que estava funcionando ontem em vez de acionar alguém. Os preços são repassados pelo preço de tabela do fornecedor, sem markup, então os US$ 3,00 e US$ 15,00 da Neon são os mesmos números na sua fatura e na página do Google, e qualquer alteração que o Google fizer neles chega ao nosso lado no mesmo dia.

Uma coisa que precisa ficar explícita: o Gemini 4 Neon ainda não está no nosso catálogo. O Gemini 4 Carbon e o Gemini 4 Argon estão, e o gemini-3.1-pro-preview também, e não vamos descrever uma tabela de preços como endpoint. O que o router oferece a você hoje é um lugar estável para manter a cadeia de fallback enquanto você avalia o Neon na própria API do Google, e o mesmo formato de requisição quando ele for lançado.

Quem deve se mover agora

Mude agora se sua carga de trabalho for depuração no nível do repositório, refatoração de vários arquivos ou uma sessão longa de agente com muitas chamadas de ferramentas — as coisas para as quais o Google criou o Neon, e as coisas que os números independentes de tempo real favorecem. Espere se você depende de cache explícito, se não consegue aumentar os tempos limite do cliente ou se seu pipeline tem formato de extração: a própria documentação do Google alerta que xhigh "pode causar raciocínio excessivo ou esgotar max_output_tokens em prompts mais simples, como extração de texto ou JSON", e, no alto por padrão, você já está um degrau acima de onde um pipeline no formato Carbon costumava ficar.

O que há para verificar não é mais um post de lançamento. É se o 61 se sustenta no nível alto — onde o tracker o pontua em 59,6, atrás do 60,0 do Carbon no próprio teto do Carbon — e se o G​oogle adiciona cache explícito ao modelo. Ambos são comportamentos documentados, ambos são visíveis de fora, e ambos mudam a resposta a "isto é o padrão para a nossa frota de agentes" mais do que qualquer demo.

Comparados neste artigo1

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente