O Google anunciou em 19 de novembro de 2026 o Gemini 4 Neon, modelo da família Gemini 4 voltado a tarefas longas de engenharia de software, análise e trabalho empresarial. A empresa afirma que o Neon combina 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. Ele chega à API Gemini, ao AI Studio, ao Gemini para empresas, ao Google Antigravity e, para assinantes elegíveis, ao aplicativo Gemini.
A novidade não é apenas mais um modelo generalista: a proposta é ocupar o espaço entre um modelo de fronteira mais caro e um executor rápido. Segundo o Google, o Neon foi desenhado para coordenar ferramentas e subagentes em fluxos de trabalho prolongados, com foco em edição de código em vários arquivos, análise de documentos e defesa cibernética. As métricas divulgadas pela companhia ainda precisam ser lidas como resultados de benchmarks e avaliações escolhidas pelo próprio fornecedor, não como equivalentes automáticos a desempenho em qualquer ambiente de produção.
Em resumo
- Contexto: 1 milhão de tokens, para combinar grandes volumes de texto, planilhas, PDFs, imagens, áudio e vídeo em uma mesma tarefa.
- Preço divulgado: US$ 3 por milhão de tokens de entrada, US$ 0,15 para entrada em cache e US$ 15 por milhão de tokens de saída.
- Uso pretendido: programação agente, pesquisa, análise empresarial, automação e fluxos com múltiplas ferramentas.
- Acesso: API Gemini no Google AI Studio, Gemini para empresas, Google Antigravity e planos Google AI Pro e Ultra, com disponibilidade que varia por produto.
- Segurança: o Google diz manter salvaguardas contra uso indevido, injeção indireta de instruções e desalinhamento de agentes; a versão de cibersegurança será disponibilizada a defensores confiáveis pelo Programa Fairwind.

Onde o Gemini 4 Neon se encaixa na família Gemini 4
O posicionamento do Neon é o ponto central do anúncio. O Google descreve o Gemini 4 Carbon como a opção para projetos mais difíceis e de maior duração e o Gemini 4 Hydrogen como o executor de tarefas cotidianas com rapidez. O Neon ficaria no meio: raciocínio profundo o bastante para trabalhos complexos e repetitivos, mas com custo e latência mais adequados para uso de alta frequência.
Na prática, isso é relevante para equipes que hoje escolhem entre chamar um modelo caro em todas as etapas de um agente ou simplificar demais a tarefa. Um orquestrador com contexto amplo pode receber arquivos de um projeto, delegar subtarefas e consolidar uma resposta; a economia real, porém, dependerá do tamanho dos prompts, do uso de cache, da qualidade das ferramentas conectadas e da taxa de revisão humana exigida.

O que o Google afirma sobre código, agentes e contexto longo
Para desenvolvimento de software, o Google afirma que o Neon foi otimizado para manter o progresso em sessões longas, reduzir leituras redundantes de arquivos e compartilhar estado ao coordenar subagentes Hydrogen no ambiente Google Antigravity. A companhia cita 58,6 no Artificial Analysis Coding Agent Index, 65,2% no Terminal-Bench 4.1 e 46,2% no FrontierCode 2.0 na configuração padrão alta.
Esses números são úteis como sinal de ambição técnica, mas não substituem uma prova de conceito com o repositório, a política de dados e o conjunto de testes da empresa usuária. Benchmarks medem recortes específicos: um agente que resolve tarefas de terminal pode continuar falhando ao interpretar requisitos de produto, descobrir dependências internas ou lidar com uma integração mal documentada. Para código pronto para produção, a métrica que importa inclui revisão, cobertura de testes, observabilidade e reversão segura.
O contexto de 1 milhão de tokens também não deve ser confundido com memória perfeita. Ele permite entregar mais material à mesma inferência, mas o custo, a seleção de fontes e a forma como o modelo prioriza trechos continuam determinando a qualidade. Equipes que usam documentos extensos devem manter índices, permissões por arquivo e citações rastreáveis, em vez de simplesmente despejar todo o acervo em um prompt.

Preço e disponibilidade: o que foi confirmado
O preço anunciado é 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 pode alterar bastante a conta em aplicações que reaproveitam uma instrução extensa, documentos de referência ou a definição de ferramentas entre chamadas. Já fluxos que produzem respostas longas ou executam várias rodadas de agente tendem a concentrar gasto nos tokens de saída e na repetição de contexto.
O Google informa que o lançamento começa na API Gemini do Google AI Studio, no Gemini para empresas — por API e seletor de modelos —, no Google Antigravity para assinantes pagos e no aplicativo Gemini para assinantes Pro e Ultra. A página oficial não apresenta uma lista única de países, limites de uso ou preço final em reais para cada superfície; portanto, empresas brasileiras devem conferir o console, os termos do plano contratado e a região de processamento antes de planejar uma migração.
Dados empresariais, análise e ciência
O anúncio enfatiza tarefas que combinam dados heterogêneos: planilhas, PDFs, gráficos, áudio e vídeo. O Google declara que o Neon alcançou 70,9% no Vals Index, 73,5% no Chartography, 75,8% no Agents’ Last Exam v1.1 e liderança em benchmarks específicos de pesquisa jurídica, tributária, automação e gestão simulada de negócios. Para ciência e matemática, a empresa cita 70,5% no Terminal-Bench Science, 84,0% no RiemannBench e 71,3% no HLE-Diamond.
O aspecto mais prático dessa lista é a combinação de leitura de documentos com tarefas estruturadas. Um fluxo corporativo pode, por exemplo, cruzar contratos, planilhas e e-mails para preparar um relatório. Mas qualquer operação desse tipo precisa definir quem pode enviar dados ao modelo, quais informações são sensíveis, por quanto tempo elas ficam retidas e como uma conclusão é auditada. Um modelo capaz de resumir muita informação não elimina a necessidade de governança.

Cibersegurança: ganhos prometidos e um limite importante
O Google também posiciona o Neon para defesa cibernética. A empresa relata 76% no nível difícil do AutoBaxBench, 51,26% no WebExploitBench v1.2, 90,5% no SEC-bench Pro e 70,7% no CWE v2 da Collinear. A tese é usar o modelo para detectar, validar e corrigir vulnerabilidades ao longo do ciclo de desenvolvimento. A edição voltada a cibersegurança, contudo, será disponibilizada inicialmente apenas a defensores confiáveis pelo Programa Fairwind.
Esse recorte merece cautela. Um benchmark de exploração ou correção não autoriza um agente a operar sem escopo em produção. Em ambientes reais, a defesa precisa de permissões mínimas, logs imutáveis, revisão de mudanças de alto risco, ambientes isolados e regras claras para impedir que uma ferramenta destinada à correção execute ações destrutivas. O anúncio descreve proteções; a maturidade da implementação depende de como cada organização conecta o modelo a seus sistemas.





Segurança de agentes e resistência a prompt injection
Segundo o Google, o Neon preserva as proteções do Gemini 4 Carbon contra uso indevido grave e injeção de instruções. A empresa afirma que, com proteções em tempo real no nível máximo, o modelo resistiu a todos os ataques avaliados no benchmark IPI da Gray Swan. Também reporta taxa de desalinhamento de ação de 0,09% e 99,2% de aprovação em sua avaliação de honestidade de agentes.
São indicadores relevantes, mas não significam imunidade. A injeção indireta ocorre quando uma instrução maliciosa aparece em uma página, e-mail, documento ou código que o agente lê. A proteção de modelo é uma camada; outra camada deve limitar acesso a credenciais, separar leitura de ação, exigir confirmação humana para operações irreversíveis e testar o fluxo contra conteúdo hostil antes da implantação.
Análise do NoticIA: eficiência passa a ser parte da disputa por agentes
Na análise do NoticIA, o Gemini 4 Neon mostra como a competição entre modelos está se deslocando de uma pergunta simples — qual alcança a maior pontuação — para uma decisão de arquitetura: qual capacidade cabe no custo e no tempo de uma operação agente. Um modelo de 1 milhão de tokens com preço de cache baixo pode ser atraente para sistemas que repetem contexto, mas só entrega vantagem se a aplicação reduzir chamadas inúteis e mantiver um ciclo de avaliação confiável.
Para desenvolvedores brasileiros, a abordagem prudente é testar o Neon em uma tarefa mensurável, com dados não sensíveis ou ambiente isolado. Compare taxa de sucesso, consumo de tokens, tempo total, qualidade da revisão humana e incidências de ações fora do escopo. Trocar o nome do modelo no seletor não resolve a parte difícil de um agente: definir objetivos, controles, ferramentas e responsabilidade por cada decisão.
Perguntas frequentes
O Gemini 4 Neon está disponível gratuitamente?
O Google o anunciou para a API Gemini no nível pago e para superfícies vinculadas a assinaturas ou ofertas empresariais. A disponibilidade e os limites dependem do produto e da conta.
Qual é a janela de contexto do modelo?
O Google informa uma janela de 1 milhão de tokens. Isso permite trabalhar com muito material em uma chamada, mas não garante compreensão perfeita nem substitui curadoria de contexto.
O Neon substitui o Gemini 4 Carbon?
Não segundo o posicionamento do Google. O Carbon continua destinado a projetos mais difíceis e longos, enquanto o Neon busca equilibrar profundidade, velocidade e custo em fluxos complexos recorrentes.
Ele pode ser usado para segurança ofensiva?
O anúncio trata a oferta de cibersegurança como acesso para defensores confiáveis pelo Programa Fairwind. Organizações devem seguir leis, políticas internas e controles de escopo; não é apropriado usar essas capacidades contra sistemas sem autorização.
Os resultados de benchmark garantem desempenho igual em produção?
Não. Os resultados descrevem testes específicos e foram divulgados pelo próprio fornecedor. A validação deve ocorrer na tarefa real, com métricas, revisão humana e controles de segurança.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
