Cartão de título com os dizeres: Gemini 4 Neon: O modelo 'pequeno' do Google não tem tamanho publicado, com o subtítulo: um post no X, três números verificáveis e um tamanho que ninguém fora do Google viu, acima de três linhas numeradas: o post chama o Neon de pequeno sem contagem de parâmetros publicada para qualquer modelo Gemini 4; o Neon marca 61,4 em xhigh e 59,6 em default high contra 60,0 do Carbon, uma vantagem de 1,4 ponto ou um déficit de 0,4 ponto; o Carbon foi lançado em 10 de novembro e o Neon em 18 de novembro, oito dias, com a cláusula RSI não citando dados de treinamento. O rodapé diz que as pontuações seguem o índice Artificial Analysis v5.0.1, consultado em 20 de novembro de 2026; alegações de tamanho não auditadas.
Guides & Insights

Gemini 4 Neon: o modelo 'Small' do Google não tem tamanho publicado

Autor

Elias Hawthorne

Data de publicação

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

Às 01:57 UTC de 20 de novembro, uma postagem foi publicada no X chamando o G​emini 4 Neon de pequeno modelo da G​oogle — “muito à frente do Argon e do Carbon”, competitivo com Claude Opus 5.5 e Claude Fable 5.2 e, nas suas quatro palavras finais, evidência de RSI. Foi editada três vezes antes de se estabilizar e tinha 316 curtidas quando a lemos. Todas as outras cláusulas podem ser verificadas em um documento. A palavra “pequeno” não. Procure por uma contagem de parâmetros ou uma ordenação por tamanho na documentação da G​oogle para G​emini 4 Neon, G​emini 4​ Carbon, G​emini 4​ Argon e G​emini 4 Hydrogen e você não encontra nada: nenhuma contagem de parâmetros, nenhum número de parâmetros ativos, nenhuma frase que classifique os quatro por tamanho e — tanto na página do modelo do DeepMind quanto nas fichas de modelo — nem um único uso da palavra “pequeno” em referência a qualquer um deles.

Isso não torna o post errado. Torna-o infalsificável em sua própria palavra central, o que é um problema diferente e mais interessante: a afirmação combina uma medição que qualquer pessoa pode verificar (a pontuação) com uma descrição do funcionamento interno do modelo que ninguém fora do Google pode verificar, e então tira uma conclusão sobre como o modelo foi treinado a partir da metade não verificável. Abaixo, a afirmação é desmontada em suas três partes e cada uma é testada contra o que foi publicado. Todas as pontuações são da Artificial Analysis no índice v5.0.1, conforme lidas em 20 de novembro de 2026; tudo o que é declarado pelo Google é rotulado como tal; qualquer coisa inferida é marcada como inferência.

O que a publicação realmente diz

Sem o enquadramento, há três afirmações. Primeira: Neon é o modelo pequeno da G​oogle. Segunda: como modelo pequeno, está “muito à frente de Argon e Carbon”, ou seja, um modelo menor ultrapassou irmãos maiores. Terceira: esse resultado é a cara do “RSI e afins”. A segunda se reduz a aritmética, a primeira se reduz a uma definição que a G​oogle não publicou, e a terceira não se resolve de modo algum — é uma alegação sobre um processo de treinamento sem nenhum dado de entrada divulgado.

Vale notar antes da aritmética: esse enquadramento não é exclusivo de uma conta. Um dia antes, um autor diferente atribuiu uma demonstração da Neon a “enxames” e a “não fazer destilação e dedicar tempo ao RSI”. O vocabulário está circulando mais rápido do que qualquer documento o sustenta, e é exatamente por isso que vale a pena medir o custo de cada palavra individualmente.

O G​oogle nunca chama o Neon de modelo pequeno.

G​oogle descreve cada um dos quatro modelos, e as descrições são específicas o suficiente para serem citadas. Da documentação do modelo da API G​emini, conforme publicada esta semana:

• G​emini 4​ Carbon — “Nosso modelo de raciocínio mais forte, criado para engenharia de software complexa, trabalho de conhecimento multimodal, raciocínio científico e defesa em cibersegurança.”

• G​emini 4 Neon — “Inteligência de ponta com conclusão rápida de tarefas de ponta a ponta em fluxos de trabalho complexos de engenharia de software, trabalho do conhecimento e ciência.”

• G​emini 4​ Argon — “Nosso eficiente modelo de raciocínio de fronteira G​emini 4, proporcionando respostas mais rápidas e menor consumo de tokens por turno em comparação com G​emini 4​ Carbon…”

• G​emini 4 Hydrogen — “Traz inteligência de ponta para todos, com velocidade e eficiência para a codificação do dia a dia e fluxos de trabalho agênticos.”

Três dessas quatro frases falam de velocidade e custo. Nenhuma delas fala de tamanho, e nenhuma página do Google que conseguimos ler usa a palavra “small” para nenhuma das quatro. De acordo com a mesma documentação, o modelo para o qual o Google aponta para trabalho cotidiano e de baixo custo é o Gemini 3.5 Flash-Lite — que não faz parte desta família e não é sobre o que o post trata. Portanto, “Neon é o pequeno” não é um resumo do posicionamento do Google. É uma inferência do leitor a partir do comportamento, apresentada como se fosse uma especificação.

A tabela de preços também contraria a leitura literal. Neon é o modelo mais caro da família por token: US$ 3,00 de entrada e US$ 15,00 de saída por milhão, fixos, sem nível gratuito e sem expiração, contra Carbon e Argon a US$ 2,00 e US$ 10,00 até 30 de novembro, e Hydrogen a US$ 1,50 e US$ 7,50 com nível gratuito. Um modelo pequeno que custa 50% mais por token do que o carro-chefe com o qual está sendo comparado não é pequeno no sentido que os compradores normalmente dão à palavra. Seja o que for que há de pequeno no Neon, não é a conta.

Onde os números de fato respaldam a afirmação

A metade da pontuação do post é verificável e, em grande parte, se sustenta — com uma substituição que muda o veredito. No Intelligence Index, na configuração mais profunda publicada de cada modelo:

• G​emini 4 Neon — 61,4 em xhigh (59,6 no seu padrão, high)

• G​emini 4​ Carbon — 60,0 no nível high, que é o teto dele; o modelo não tem nível xhigh

• Gemini 4 Hydrogen — 54 em xhigh

• Gemini 4 Argon — 50 no máximo, também seu teto

Então, “muito à frente do Argon” é verdade e não é por pouco: 11 pontos. “Muito à frente do Carbon” não é verdade de forma alguma. O Neon está 1,4 ponto à frente do Carbon, e apenas quando você o leva a um nível de raciocínio que o Carbon não possui. Nas configurações que ambos os fornecedores recomendam — o high padrão do Neon contra o high do Carbon — o Neon está 0,4 ponto atrás. A forma mais forte do post teria sido a honesta: o Neon é o primeiro modelo desta família a pontuar acima do carro-chefe, por cerca de um ponto, se você estiver disposto a pagar pelo nível mais profundo.

“Em poucas semanas” também é literalmente verdadeiro, e vale explicitar as contas porque é o único fato datado no post. O Carbon atingiu disponibilidade geral em 10 de novembro. O Neon atingiu disponibilidade geral em 18 de novembro. Oito dias separam o carro-chefe do modelo descrito como tendo-o superado.

A single-column scoreboard titled Gemini 4 Neon - the scoreboard, with six rows: Intelligence Index 61.4 at xhigh and 59.6 at default high; Carbon at its ceiling 60.0 at high; cost per index task $6.44 against Carbon's $7.76; list price $3.00 in and $15.00 out per million; output tokens on the suite 123M against Carbon's 205M; published parameter count none, for any Gemini 4 model. The footer reads scores per Artificial Analysis index v5.0.1, prices per Google's rate card, size claim unaudited.

A única comparação que o post deixou de fora

A frase “compete com Opus / Fable” é a parte que se subestima, porque a versão mais favorável dela exige um número que o post não usou. No mesmo índice, Claude Opus 5.5 marca 59 em seu esforço máximo, e Claude Fable 5.2 marca 65. Portanto, os 61,4 da Neon ficam entre eles: à frente do Opus 5.5 em 2,4 pontos na configuração mais profunda da Neon, e atrás do Fable 5.2 em 3,6. “Compete com” é justo para o primeiro e generoso para o segundo.

O que faz disso uma história real é quanto custam esses pontos, medidos por tarefa concluída em vez de por token:

• Custo por tarefa do Intelligence Index — G​emini 4 Neon US$ 6,44, Claude Opus 5.5 US$ 10,04, Claude Fable 5.2 US$ 26,54

• Preço de tabela por milhão, entrada / saída — Neon US$ 3,00 / US$ 15,00, Opus 5.5 US$ 4,00 / US$ 20,00, Fable 5.2 US$ 8,00 / US$ 40,00

• Tempo por tarefa de indexação — Neon 21,5 minutos em xhigh e 14,8 em high; Opus 5.5 25,7 em max; Fable 5.2 41,6 em max

• Velocidade de saída — Neon 110 tokens por segundo, Opus 5.5 112, Fable 5.2 cerca de 110

Quatro vezes mais barato por tarefa do que o Fable 5.2 por 3,6 pontos de índice é um argumento melhor do que qualquer coisa no post original, e não depende de uma única palavra sobre tamanho. É também o argumento que sobrevive à objeção mais próxima: ao preço do Fable 5.2, uma diferença de 3,6 pontos é a coisa mais barata do quadro para se fechar se a carga de trabalho precisar disso, e irrelevante se não precisar.

The Artificial Analysis page for Gemini 4 Neon, headed Gemini 4 Neon: Intelligence, Performance & Price Analysis, showing intelligence 61 with 110 tokens per second, $3.00 input and $15.00 output per million tokens, a 1M token context window, and the notes that it scores 61 on the Intelligence Index against a median of 44, costs $6.44 per task, and takes 21.5 minutes per task against a median of 12.4.

Pequeno em velocidade, não em tamanho.

Se há uma leitura defensável de “pequeno” aqui, é a que o rastreador mede, e não a que o cartão do modelo omite, e ela diz respeito ao trabalho por tarefa, não aos parâmetros. Com o mesmo esforço elevado, a Neon concluiu a suíte Intelligence Index em 123M de tokens de saída, contra os 205M da Carbon, em 14,8 minutos, contra os 41,8 da Carbon. Isso representa uma pegada de tokens 40% menor e uma tarefa concluída quase três vezes mais cedo, e é o mais próximo de uma evidência para a intuição do post que existe publicamente: seja lá o que a Neon for, ela faz o mesmo trabalho com menos trabalho emitido do que o modelo que o G​oogle chama de seu mais forte.

Mas isso é uma inferência a partir do comportamento, e o comportamento tem outras explicações — um decodificador mais eficiente, um orçamento de raciocínio diferente, um traço de raciocínio mais curto — nenhuma das quais exige um número menor de parâmetros. Os mesmos números também são compatíveis com o Neon sendo simplesmente um modelo mais novo e melhor treinado de tamanho comparável, que é a explicação menos exótica disponível.

O enquadramento em torno da velocidade também falha em um ponto que o post não examina. O Neon não é o modelo mais rápido da família. O G​emini 4 Hydrogen roda a 167 tokens por segundo, contra 110 do Neon, e conclui uma tarefa de indexação em 15,4 minutos no xhigh — quase empatando com os 14,8 do Neon no high, pela metade do preço. Se a alegação é “pequeno e rápido”, o Hydrogen é o modelo que isso descreve, e o Hydrogen pontua 54.

An infographic titled Small as speed, not as size, with six rows: output tokens for one index suite 123M on Neon's default and 205M on Carbon; time per index task 14.8 minutes on Neon's default and 41.8 on Carbon; output speed 110 tokens per second on Neon and 167 on Hydrogen; score at the deepest setting Neon 61.4 and Hydrogen 54; fastest model in the family Hydrogen at half Neon's price; parameter count behind any of it unpublished. The footer reads tokens, time, speed and scores per Artificial Analysis index v5.0.1, read 20 November 2026; prices per Google's rate card; size claims unaudited.

Por que o 'RSI' está fazendo o trabalho aqui

O autoaperfeiçoamento recursivo, no sentido que a expressão tem na pesquisa em IA, significa um laboratório usar um modelo para melhorar de forma mensurável seu sucessor — um loop com um modelo dentro dele, não apenas uma cadência rápida de lançamentos. Nada publicado sustenta essa leitura deste lançamento, e o post não oferece nada que a sustente: nenhum número de compute, nenhuma divulgação sobre com o que o Neon foi treinado, nenhuma evidência de que qualquer modelo Gemini tenha contribuído para o treinamento do Neon.

O que o G​oogle publica sobre linhagem é uma única cláusula, repetida. As fichas de modelo tanto do G​emini 4 Neon quanto do G​emini 4 Hydrogen afirmam que o modelo é “adaptado de G​emini 4​ Carbon” — a mesma frase nos mesmos sete campos em ambas as fichas, sem definição de “adaptado”, sem contagem de parâmetros e sem explicação sobre o que mudou. Seguir a ficha de Carbon de volta leva a Argon, cuja ficha diz que ele “não é uma modificação nem um ajuste fino de um modelo anterior”. Todas as fichas do G​emini 4 trazem a mesma data de corte de conhecimento, março de 2026, ao longo de cinco semanas de lançamentos. Quatro modelos, um pipeline de dados, uma palavra indefinida: isso é a descrição de uma base de treinamento compartilhada, o que é comum, não de um loop.

O intervalo de oito dias entre Carbon e Neon é um cronograma. Cronogramas se comprimem por motivos que não têm nada a ver com autoaperfeiçoamento — um modelo base compartilhado, lançamento escalonado, um calendário de lançamento — e a observação de que este se comprimiu não é evidência de nenhum deles. Se um laboratório construísse um modelo com um modelo, a maneira de saber seria que ele disse isso, ou que um benchmark mediu isso. Nenhuma das duas coisas aconteceu.

O que resolveria isso

Três divulgações transformariam a postagem de uma afirmação em uma constatação, e todas as três são coisas que a G​oogle poderia publicar esta semana:

• Uma contagem de parâmetros ou um número de parâmetros ativos para qualquer modelo Gemini 4. Um único número tornaria “pequeno” verificável e confirmaria ou eliminaria imediatamente a premissa.

• Uma definição de “adaptado de” nos cartões de modelo. A expressão aparece sete vezes no cartão Neon e nunca é explicada; “baseado em” é usado para Carbon-to-Argon e é igualmente indefinido.

• Qualquer afirmação sobre contribuição para o treinamento — quais dados eram novos no Neon em relação ao Carbon, ou qual modelo, se algum, gerou sinal de treinamento. Na ausência dos três, RSI continua sendo apenas uma palavra em um post.

O que fazer com isto na segunda-feira?

A consequência prática é pequena, e é o oposto do que a postagem implica. Nada no registro diz que o Neon é um modelo pequeno que superou um grande; diz que o Neon é um modelo de US$ 3/US$ 15 que marca um ponto acima do teto do Carbon quando forçado e meio ponto abaixo do padrão do Carbon quando não. Isso é uma decisão de escada de ajuste, não uma decisão de tamanho, e a escada abrange 17,3 pontos de índice, de baixo (44,1) a xhigh (61,4) — muito mais do que a diferença entre quaisquer dois modelos da família. Qual degrau você escolhe importa mais do que qual modelo você escolhe.

Duas coisas com data merecem ir para o calendário, independentemente de como se resolva a questão do tamanho. O Carbon e o Argon duplicam a 1 de dezembro, passando de $2,00 e $10,00 para $4,00 e $20,00 por milhão de tokens, enquanto a tabela de preços do Neon não tem validade. Aos preços de hoje, o Neon é 17% mais barato por tarefa de indexação concluída do que o Carbon ($6,44 contra $7,76); depois de 1 de dezembro, essa diferença aumenta sem que o Neon mude nada. Quem lê o artigo sobre o “modelo pequeno” e conclui que o Neon é a opção económica acerta na direção pelos motivos errados — é mais barato por tarefa porque emite menos, não porque é menor, e torna-se muito mais barato numa data que a Google já publicou.

Do nosso lado, google/gemini-4-carbon e google/gemini-4-argon estão no catálogo pelo preço de tabela do provedor, sem markup, o que significa que a etapa de 1 de dezembro chega no mesmo dia em que chega ao G​oogle. O G​emini 4 Neon ainda não está no catálogo, então o que é útil dizer sobre ele não é um preço, mas um formato: quando chegar, a requisição que vale a pena escrever é uma que nomeia Neon e recorre a Carbon se Neon estiver com limite de taxa ou der erro. Um modelo cuja principal vantagem publicada é concluir tarefas rapidamente é aquele para o qual você quer um failover por trás, não um único ponto de dependência. Uma chave cobre o restante da família hoje, então uma execução de comparação com Carbon ou Argon não custa nada além dos tokens.

O desfecho honesto é o mais restrito. Um post que afirma que o modelo pequeno de um laboratório ultrapassou os grandes fez uma alegação sobre tamanhos. Ninguém publicou um tamanho. As pontuações dizem que um modelo rápido ficou a até um ponto de um mais lento em oito dias, o que já é interessante por si só, e a narrativa de treinamento associada a isso é, por enquanto, uma legenda.

Comparados neste artigo1

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