O Google DeepMind anunciou em 18 de novembro de 2026 o Gemini 4 Neon, um modelo voltado a tarefas longas de programação, análise e trabalho empresarial. A proposta não é apenas elevar pontuações de benchmark: a empresa posiciona o Neon como a opção de equilíbrio da família Gemini 4, com janela de contexto de 1 milhão de tokens, quatro níveis de raciocínio e preço de US$ 3 por milhão de tokens de entrada e US$ 15 por milhão de tokens de saída.

O lançamento chega à API do Gemini no Google AI Studio, ao Gemini for business, ao Google Antigravity e, para assinantes Google AI Pro e Ultra, ao aplicativo Gemini. Para equipes brasileiras que avaliam agentes de código e automação documental, o ponto central é a combinação anunciada entre contexto longo, controle de gasto por nível de esforço e foco explícito em execução com ferramentas — mas os números de desempenho ainda devem ser lidos como resultados reportados pelo próprio fornecedor e por avaliações de terceiros citadas pelo Google.

O que muda com o Gemini 4 Neon

Gemini 4 Neon é um modelo de inteligência artificial generativa da Google DeepMind destinado a fluxos complexos de engenharia de software, conhecimento corporativo e ciência. Na organização apresentada pela empresa, ele fica entre o Gemini 4 Carbon, reservado aos projetos mais pesados e longos, e o Gemini 4 Hydrogen, descrito para execução cotidiana mais rápida.

A diferença prática é que o Neon foi desenhado para manter uma tarefa em andamento enquanto lê arquivos, usa ferramentas, revisa decisões e recebe correções no meio do processo. Em vez de tratar cada pergunta como uma conversa isolada, esse tipo de modelo é pensado para atuar como componente de agentes: sistemas que pesquisam, modificam código, preparam relatórios ou coordenam etapas em aplicações externas.

Tabela de benchmarks do Gemini 4 Neon divulgada pelo Google
Quadro de resultados divulgado pela Google DeepMind.

Contexto de 1 milhão de tokens e preço divulgado

Segundo o anúncio, o Neon aceita até 1 milhão de tokens de contexto. Esse limite é relevante para cenários em que a IA precisa comparar muitos documentos, percorrer uma base de código, analisar planilhas, PDFs, áudio, vídeo e instruções de uma mesma operação. Um contexto grande não garante que o modelo entenderá tudo perfeitamente; ele reduz, porém, a necessidade de quebrar materiais extensos em várias consultas e reconciliar manualmente as respostas.

A Google informa cobrança de US$ 3 por milhão de tokens de entrada, US$ 0,15 por milhão de tokens de entrada em cache e US$ 15 por milhão de tokens de saída. O desconto de cache importa sobretudo em aplicações que reaproveitam instruções de sistema, documentação ou uma base de contexto estável. Preço por token, contudo, não equivale automaticamente a custo por tarefa: uma automação pode gastar pouco em texto, mas consumir muito ao repetir chamadas, solicitar raciocínio mais profundo ou processar arquivos grandes.

Quatro níveis de raciocínio para ajustar custo e profundidade

O Neon oferece quatro níveis de raciocínio. A empresa diz que eles permitem escolher a quantidade de esforço de acordo com o trabalho: configurações mais baixas serviriam a fluxos frequentes e responsivos; o nível xhigh é voltado a problemas de engenharia, análise e ciência com múltiplas etapas.

Essa escolha é mais importante do que parece em produção. Um agente que classifica solicitações, resume documentos ou preenche campos estruturados costuma precisar de previsibilidade e velocidade. Já uma revisão de arquitetura, uma investigação de falha ou uma análise financeira pode justificar mais tempo e tokens. A recomendação do NoticIA é tratar os níveis como uma variável de produto: medir qualidade, latência, custo e taxa de intervenção humana por tipo de tarefa antes de fixar uma configuração.

Gráfico de custo por tarefa do Gemini 4 Neon
Comparação de custo por tarefa publicada no anúncio.

Programação e agentes: onde a Google concentra a aposta

Para desenvolvimento, a companhia afirma que o modelo foi projetado para tarefas com muitas ferramentas, leitura de arquivos e contexto comprimido ao longo de uma sessão. Ela cita o uso do Neon como orquestrador de subagentes Hydrogen no Google Antigravity e divulga resultados em benchmarks como Terminal-Bench 4.1, FrontierCode 2.0 e um ambiente chamado SWE-sweep.

Esses testes ajudam a acompanhar evolução, mas não substituem validação em repositórios reais. Benchmark mede uma distribuição de tarefas e uma configuração específica; uma equipe que usa bibliotecas proprietárias, regras de segurança, revisões obrigatórias ou infraestrutura restrita precisa testar o modelo com seus próprios guardrails. O fato de um agente gerar uma alteração plausível não prova que a mudança é segura, compatível com a arquitetura ou suficiente para produção.

Demonstração oficial: construção de uma cena 3D no Antigravity.
Demonstração oficial de reconstrução interativa do estudo de Alan Turing.

O que os benchmarks publicados indicam — e o que não indicam

O anúncio atribui ao Neon 61 pontos no Artificial Analysis Intelligence Index em xhigh, 70,9% no Vals Index e posições altas em avaliações de automação, programação, pesquisa jurídica, planilhas e ciência. A Google também diz que, em avaliações próprias, o modelo igualou ou superou o Gemini 4 Carbon em qualidade geral com três vezes a velocidade e 60% do custo.

Há duas leituras responsáveis desses dados. A primeira: os resultados sugerem que a DeepMind está tentando deslocar capacidade de fronteira para um perfil de custo e velocidade mais aplicável a tarefas recorrentes. A segunda: os resultados não são uma garantia de resultado para qualquer empresa. Parte das métricas vem de avaliações independentes citadas pela fonte, e parte é interna; em ambos os casos, versões do modelo, prompts, ferramentas disponíveis e critérios de pontuação influenciam o placar.

Gráfico AutoBaxBench divulgado para Gemini 4 Neon
Gráfico WebExploitBench do Gemini 4 Neon
Gráfico SEC-bench Pro do Gemini 4 Neon
Gráfico ExploitGym do Gemini 4 Neon
Gráfico CWE-bench v2 do Gemini 4 Neon

Segurança: capacidade de defesa não elimina risco operacional

A Google introduz uma variante para cibersegurança e afirma que o Neon obteve resultados de destaque em encontrar, validar e corrigir vulnerabilidades. O acesso a esse perfil será oferecido a defensores confiáveis pelo programa Fairwind. A empresa também afirma ter mantido proteções contra uso indevido severo e injeção indireta de prompts, além de relatórios de menor taxa de atalhos e ações desalinhadas em avaliações próprias.

Para quem planeja conectar o modelo a e-mail, navegador, repositórios, banco de dados ou sistemas de atendimento, a proteção do modelo é só uma camada. Uma implantação séria ainda precisa de permissões mínimas, isolamento de credenciais, confirmação humana para atos irreversíveis, registros de auditoria, filtros de dados sensíveis e testes contra conteúdo malicioso inserido em documentos e páginas externas. Modelos que usam ferramentas têm uma superfície de risco maior justamente porque podem transformar texto em ação.

Gráfico de resistência a injeção indireta de prompt do Gemini 4 Neon
Resultado divulgado pela Google para ataques de injeção indireta de prompt.

Disponibilidade e limitações para decidir agora

O Google afirma que o Neon começou a ser disponibilizado em 18 de novembro de 2026 na API paga do Gemini no AI Studio, no Gemini for business e no Antigravity, além do app Gemini para assinantes Pro e Ultra. A liberação pode variar por produto, conta, região e plano; empresas devem confirmar a presença do modelo no console e as condições comerciais aplicáveis antes de redesenhar um fluxo.

Também faltam no anúncio elementos que cada organização deve levantar por conta própria: limites de requisição do plano contratado, políticas de retenção e tratamento de dados, controles regionais, formatos completos de entrada e saída e comportamento em integrações específicas. Janela longa de contexto e custo de cache são vantagens potenciais, não substitutos para uma prova de conceito com dados representativos e critérios de aceitação explícitos.

Análise do NoticIA: a disputa passa a ser por custo de trabalho concluído

Na análise do NoticIA, o posicionamento do Gemini 4 Neon mostra uma mudança de foco: a concorrência entre modelos deixa de ser apenas “quem responde melhor” e passa a ser “quem termina uma tarefa complexa com menos supervisão, tempo e custo”. Isso favorece produtos que oferecem controle de esforço, contexto suficiente e integração com ferramentas — mas aumenta a necessidade de medir resultado final, não apenas tokens ou benchmark.

O uso mais promissor não é delegar decisões críticas sem revisão. É atacar gargalos bem definidos: triagem de documentos, investigação inicial de bugs, preparação de relatórios com fontes rastreáveis, extração estruturada e automações cujo efeito possa ser validado. Equipes que começarem com escopo restrito, dados não sensíveis e revisões humanas terão uma base melhor para decidir se Neon entrega o equilíbrio prometido em seu próprio ambiente.

Comparação da família Gemini 4 publicada pelo Google
Posicionamento do Neon na família Gemini 4, conforme a Google DeepMind.


Descubra mais sobre noticiAI

Assine para receber nossas notícias mais recentes por e-mail.

Deixe seu comentário