Principales destacados
- Rendimiento de primer nivel: Gemini 4 Neon alcanzó 61 puntos en el Artificial Analysis Intelligence Index, superando a modelos como Claude Opus 5.5 y GPT-6.2 Sol en la configuración de mayor razonamiento.
- Velocidad y ahorro: el nuevo modelo genera aproximadamente 110 tokens por segundo y cuesta US$ 3 por millón de tokens de entrada y US$ 15 por millón de tokens de salida.
- Enfoque en desarrollo: su integración con Google Antigravity permite distribuir tareas entre múltiples agentes de IA, ampliando el rendimiento en proyectos complejos de programación.
Google encontró una manera interesante de competir en el mercado de la inteligencia artificial: ofrecer un rendimiento cercano al de los modelos más avanzados sin cobrar lo mismo.
La compañía lanzó Gemini 4 Neon, un nuevo modelo de inteligencia artificial situado entre Hydrogen, orientado a la velocidad y al bajo costo, y Carbon, recomendado para proyectos más complejos.
La novedad llega a Google AI Studio, la API de Gemini, Android Studio y Google Antigravity. También está disponible en la aplicación Gemini para los suscriptores de los planes Google AI Pro y Ultra.
Y este posicionamiento no es casualidad. Neon llega para competir con modelos como Claude Opus 5.5, Claude Sonnet 5.5 y GPT-6.2 Sol, especialmente en programación, razonamiento avanzado y tareas profesionales.
🚀 Google apuesta por el rendimiento sin el precio de un modelo premium
La principal diferencia de Gemini 4 Neon está en la combinación de rendimiento, velocidad y precio.
Según los primeros resultados presentados por la compañía, el modelo consiguió igualar o superar a Gemini 4 Carbon en calidad general, ejecutando las tareas tres veces más rápido y con el 60% de su costo, de acuerdo con las evaluaciones iniciales de Glean.
Sin embargo, la comparación no incluye tiempos absolutos de ejecución para una misma tarea. Por eso, la ventaja de velocidad debe interpretarse dentro de las condiciones presentadas por la compañía.
💰 ¿Cuánto cuesta utilizar Neon?
La estructura de precios de la API es relativamente sencilla:
• US$ 3 por millón de tokens de entrada.
• US$ 0,15 por millón de tokens de entrada en caché.
• US$ 15 por millón de tokens de salida.
En la práctica, el modelo cuesta menos que Claude Opus 5.5, cuya tarifa estándar es de US$ 4 por millón de tokens de entrada y US$ 20 por millón de tokens de salida.
Pero hay una diferencia importante: GPT-6.2 Sol y Claude Sonnet 5.5 tienen tarifas estándar inferiores, de US$ 2 y US$ 10, respectivamente.
Esto significa que Google no está ofreciendo necesariamente la opción más barata. Su estrategia consiste en proporcionar una mayor capacidad de razonamiento y rendimiento por cada dólar invertido.
📊 Gemini 4 Neon supera a sus competidores en evaluaciones de inteligencia
Los resultados publicados sitúan a Neon entre los modelos más competitivos de la generación actual.
En el Artificial Analysis Intelligence Index, el modelo alcanzó 61 puntos en la configuración de razonamiento xhigh, superando a importantes competidores.
Esta es la comparación:
| Modelo | Intelligence Index | Vals Index |
|---|---|---|
| Gemini 4 Neon | 61 | 70,9% |
| Claude Opus 5.5 | 59 | 70,14% |
| GPT-6.2 Sol | 57 | 66,06% |
| Claude Sonnet 5.5 | 55 | 70,85% |
| Gemini 4 Hydrogen | 54 | 68,49% |
| Gemini 4 Carbon | 60 | 70,45% |
Los resultados muestran una competencia bastante equilibrada.
Neon aparece en el primer puesto del índice de inteligencia, mientras que los resultados de Vals Index muestran diferencias pequeñas entre los modelos de Google y los competidores de Anthropic.
🔎 Un detalle importante: las configuraciones de razonamiento no son equivalentes entre proveedores. Por lo tanto, una puntuación más alta no significa necesariamente que un modelo será más rápido o económico en todas las situaciones.
💻 En programación, la competencia se vuelve todavía más interesante
El desarrollo de software es uno de los principales campos de batalla de la inteligencia artificial.
En el benchmark FrontierCode 2.0, de Cognition, Gemini 4 Neon alcanzó el 46,2%, mientras que Claude Opus 5.5 registró el 47,3%.
La diferencia es de apenas 1,1 puntos porcentuales.
En resultados recopilados por The Aggregate para el mismo benchmark, GPT-6.2 Sol alcanzó el 44,38%, mientras que Claude Sonnet 5.5 obtuvo el 41,7%.
Las cifras indican que los principales modelos están bastante cerca en determinadas tareas de ingeniería de software.
Pero hay otro resultado que merece atención.
El mismo modelo puede presentar resultados muy diferentes 🤯
Google publicó evaluaciones de Neon en el benchmark SWE-sweep utilizando diferentes entornos de agentes.
| Entorno de ejecución | Resultado |
|---|---|
| Mini-SWE Agent | 12,8% |
| Google Antigravity | 39,0% |
La diferencia es considerable.
El modelo siguió siendo el mismo. Lo que cambió fue el entorno de ejecución y los recursos utilizados para organizar el trabajo.
Esto ayuda a explicar por qué evaluar una inteligencia artificial únicamente por su nombre o por una puntuación de benchmark puede ser insuficiente.
🧠 La diferencia también está en el ecosistema: dentro de Antigravity, Neon puede dividir un proyecto entre varios agentes Hydrogen que trabajan simultáneamente.
Para los equipos de desarrollo, esto podría representar un cambio importante en la manera de ejecutar proyectos que requieren lectura de código, identificación de problemas, implementación y pruebas.
El rendimiento de un modelo no depende únicamente de su inteligencia. La manera en que los agentes trabajan en conjunto puede multiplicar los resultados.
⚡ Neon genera casi el doble de tokens por segundo que Carbon
La velocidad de generación también figura entre los aspectos destacados del lanzamiento.
Según las mediciones publicadas por el rastreador de benchmarks Priors, Gemini 4 Neon puede generar aproximadamente 110 tokens por segundo en la configuración xhigh.
Gemini 4 Carbon, por su parte, registra unos 59 tokens por segundo en la configuración high, según datos de Artificial Analysis.
Velocidad de generación
Tokens generados por segundo en cada modelo
Gemini 4 Neon
Gemini 4 Carbon
Gemini 4 Neon presenta una tasa de generación aproximadamente 1,9 veces superior a la de Carbon.
Mediciones de distintas fuentes y configuraciones diferentes. Comparación orientativa, no una prueba controlada.
Sin embargo, la velocidad de generación no significa necesariamente que una tarea completa se terminará en ese intervalo.
El tiempo que tarda en comenzar a responder también importa. En el caso de Neon, la medición de Priors indica aproximadamente 57 segundos hasta el primer token en la configuración xhigh.
Para los desarrolladores que utilizan agentes de programación, también es necesario considerar el tiempo dedicado a leer archivos, ejecutar pruebas y revisar cambios.
💸 La diferencia de precio frente a Carbon aumentará
Google también está preparando un cambio en la estructura de precios de Gemini 4 Carbon.
Hasta el 30 de noviembre de 2026, el modelo cuesta US$ 2 por millón de tokens de entrada y US$ 10 por millón de tokens de salida.
A partir del 1 de diciembre, los valores programados pasarán a US$ 4 y US$ 20, respectivamente.
Esto coloca a Neon en una posición interesante.
| Modelo | Entrada | Salida |
|---|---|---|
| Gemini 4 Hydrogen | US$ 1,50 | US$ 7,50 |
| Gemini 4 Neon | US$ 3 | US$ 15 |
| Gemini 4 Carbon hasta 30/11 | US$ 2 | US$ 10 |
| Gemini 4 Carbon desde 01/12 | US$ 4 | US$ 20 |
Precios por millón de tokens, en dólares.
A partir de diciembre, Neon será un 25% más barato que Carbon en las tarifas estándar.
La estrategia de Google parece clara: ofrecer diferentes niveles de capacidad para que desarrolladores y empresas elijan el modelo más adecuado según su presupuesto y la complejidad de cada proyecto.
🧩 Un millón de tokens y compatibilidad con diferentes formatos
Otra característica importante es su ventana de contexto de un millón de tokens.
Gemini 4 Neon puede trabajar con diferentes formatos de información, entre ellos:
• Vídeos y audios.
• Gráficos y tablas.
• Hojas de cálculo.
• Documentos PDF.
Esto abre posibilidades para aplicaciones profesionales que dependen del análisis simultáneo de diferentes fuentes de información.
Imaginemos a un analista investigando una discrepancia en una factura. Podría proporcionar una grabación de atención al cliente, el contrato correspondiente y una hoja de cálculo financiera para que el modelo examine toda la información en conjunto.
GPT-6.2 Sol también ofrece una ventana de contexto superior a un millón de tokens, pero su API trabaja con entradas de texto e imágenes. Para procesar grabaciones de audio sería necesario utilizar otra solución.
Claude Sonnet 5.5 también ofrece una ventana de contexto de un millón de tokens, por lo que esta capacidad, por sí sola, no representa una ventaja exclusiva de Google.
🔐 Google prepara una versión especializada en ciberseguridad
El lanzamiento de Neon también forma parte de una estrategia más amplia de la compañía para el mercado empresarial.
Google está preparando una versión especializada en ciberseguridad que estará disponible para los participantes elegibles del Fairwind Program.
Según los resultados presentados por la compañía, esta versión alcanzó:
• 90,5% en una evaluación de identificación de vulnerabilidades.
• 70,7% en una prueba de corrección de vulnerabilidades.
Las empresas interesadas también podrán solicitar acceso a través de sus equipos de atención de Google Cloud.
La iniciativa refuerza el interés de la compañía en posicionar sus modelos no solo como asistentes conversacionales, sino también como herramientas para actividades técnicas y operativas.
🏁 Google intensifica su ofensiva contra OpenAI y Anthropic
Gemini 4 Neon llega después de una serie de lanzamientos importantes de la compañía.
Google presentó Gemini 4 Argon aproximadamente siete semanas antes, con resultados que situaron al modelo por delante de GPT-6 Astra y Claude Opus 5.5 en 12 de las 18 pruebas publicadas por la compañía.
El 28 de octubre llegó Gemini 4 Carbon, inicialmente con acceso limitado. Su disponibilidad para clientes de pago comenzó el 10 de noviembre.
Ahora, Neon amplía la oferta para desarrolladores y empresas que necesitan modelos capaces de ejecutar tareas complejas con frecuencia, sin tener que recurrir necesariamente a la opción más cara.
La división de productos queda así:
• Hydrogen: trabajos rápidos y de gran volumen, con menor costo.
• Neon: tareas más exigentes, con un equilibrio entre rendimiento y precio.
• Carbon: proyectos extensos y trabajos de mayor complejidad.
💡 El próximo desafío no será solamente ganar benchmarks: será convencer a las empresas de que el costo total para completar una tarea, incluyendo procesamiento, infraestructura y revisión humana, realmente vale la pena.
Neon ya presenta cifras competitivas frente a los modelos de OpenAI y Anthropic. Sin embargo, la decisión de adoptarlo como modelo predeterminado dependerá de pruebas en situaciones reales.
Al fin y al cabo, una inteligencia artificial puede generar respuestas rápidamente y aun así necesitar bastante intervención humana para entregar un trabajo terminado. Precisamente en esa diferencia entre producir código y resolver un problema tendrá lugar la próxima disputa del mercado de IA.