Google DeepMind lanza Gemini 4 Neon con un ciclo de iteración rápida
Google DeepMind ha lanzado Gemini 4 Neon, su cuarto modelo en siete semanas, ofreciendo una opción de gama media con puntuaciones competitivas en benchmarks y nuevas integraciones para desarrolladores.
Traducido automáticamente del original en inglés.
Google DeepMind ha publicado Gemini 4 Neon, marcando la cuarta iteración de su serie Gemini 4 en aproximadamente siete semanas. Este lanzamiento introduce un modelo de gama media que busca equilibrar coste y rendimiento, llegando junto a movimientos significativos de la industria como la fijación del precio de salida a bolsa (IPO) de Anthropic y una importante adquisición por parte de Palo Alto Networks.
Qué ha ocurrido
El lanzamiento de Gemini 4 Neon continúa el rápido ritmo de Google DeepMind, siguiendo a los modelos anteriores Argon, Carbon e Hydrogen. La convención de nombres se ha alejado de los pesos atómicos, ya que Neon es técnicamente más pequeño que Carbon pero lo supera en benchmarks específicos gracias a técnicas de destilación y aprendizaje por refuerzo. Argon, lanzado solo seis semanas antes, ya ha sido retirado, y los modelos heredados como Pro y Flash de generaciones anteriores ya no forman parte de la línea activa.
Neon tiene un precio de $3 por millón de tokens de entrada, $0,15 para entrada en caché y $15 por millón de tokens de salida. Admite una ventana de contexto de un millón de tokens y ofrece cuatro niveles distintos de esfuerzo. El modelo se está desplegando en la API de pago de Gemini a través de AI Studio y Android Studio, así como en Gemini for business. Los suscriptores de Antigravity Pro y Ultra pueden acceder a él inmediatamente, y los usuarios de la aplicación estándar de Gemini pueden seleccionarlo para tareas de "Análisis profundo".
Las principales herramientas para desarrolladores han integrado Neon desde el primer día. Cursor, GitHub Copilot en sus diversas interfaces y LangChain Managed Deep Agents ahora admiten el modelo. Esta disponibilidad inmediata sugiere un impulso estratégico para incrustar el modelo en los flujos de trabajo de ingeniería existentes, en lugar de tratarlo como un lanzamiento experimental independiente.
Cómo funciona
Gemini 4 Neon aprovecha la destilación avanzada y el aprendizaje por refuerzo para lograr un alto rendimiento a pesar de ser un modelo más pequeño que su predecesor, Carbon. La destilación implica entrenar un modelo estudiante más pequeño para imitar el comportamiento de un modelo maestro más grande, permitiendo una inferencia más rápida y costes más bajos mientras se conserva gran parte de la capacidad de razonamiento. El aprendizaje por refuerzo perfecciona aún más las salidas del modelo basándose en retroalimentación humana o automatizada, mejorando la direccionalidad y la precisión.
El modelo opera con cuatro niveles de esfuerzo, lo que permite a los usuarios equilibrar la velocidad y la profundidad del razonamiento. En niveles de esfuerzo más altos, el modelo realiza comprobaciones internas y procesos de búsqueda más extensos, lo que aumenta la latencia pero mejora la precisión en tareas complejas. Esta flexibilidad permite a los desarrolladores elegir la configuración adecuada para diferentes tipos de consultas, desde completaciones rápidas de código hasta tareas analíticas profundas.
Los benchmarks independientes destacan sus capacidades. En el Intelligence Index, Neon igualó la puntuación de Carbon de 60 con esfuerzo alto, costando $3,74 por tarea. En Agent Arena, debutó en segundo lugar con 1.336 puntos en aproximadamente 4.200 sesiones, demostrando una fuerte direccionalidad. Sin embargo, queda por detrás de Carbon en el Text Arena separado, lo que indica que, aunque destaca en interacciones basadas en agentes, la generación pura de texto puede seguir favoreciendo a los modelos más grandes.
Detalles clave
- Precios: La entrada cuesta $3 por millón de tokens, la entrada en caché es de $0,15 y la salida es de $15 por millón de tokens.
- Ventana de contexto: Admite hasta un millón de tokens, con Vals informando de un límite máximo de salida de un millón de tokens.
- Rendimiento en benchmarks: Obtuvo un 70,9% en el Vals Index, situándose en segundo lugar detrás de Fable 5.2 pero a menos de la mitad del coste por tarea.
- Migración de código: Promedió 160 turnos para tareas de migración de código, menos que los 234 de Carbon o los 574 de Hydrogen, aunque obtuvo una puntuación inferior a ambos en precisión.
- Direccionalidad: En pruebas iniciales, el modelo respetó las instrucciones de evitar comandos de terminal, ejecutando cero comandos shell cuando se le indicó.
- Cadencia de lanzamiento: La brecha entre los lanzamientos recientes se ha acortado, con solo seis días entre Hydrogen y Neon.
Por qué importa
Para los ingenieros de software y líderes técnicos, el rápido ciclo de lanzamiento y el precio competitivo de Gemini 4 Neon ofrecen una alternativa viable para tareas cotidianas de codificación y análisis. La capacidad de igualar el rendimiento de Carbon en ciertos benchmarks a un menor coste lo convierte en una opción atractiva para aplicaciones de alto volumen. Su buen desempeño en arenas de agentes sugiere que es adecuado para flujos de trabajo autónomos donde la direccionalidad y la eficiencia de costes son críticas.
La integración con herramientas importantes como GitHub Copilot y Cursor significa que los desarrolladores pueden adoptar Neon sin cambiar sus entornos existentes. Esto reduce la fricción y permite a los equipos experimentar con las capacidades del nuevo modelo en escenarios reales. Sin embargo, la presencia de errores de capacidad y ejecuciones estancadas en las pruebas iniciales indica que la estabilidad de la infraestructura puede seguir siendo una preocupación durante la fase inicial de despliegue.
El contexto industrial más amplio, incluida la IPO de Anthropic y la adquisición de Applied Compute por parte de Palo Alto Networks, subraya la creciente comercialización de la infraestructura de IA. A medida que los modelos se vuelven más comoditizados, el enfoque se desplaza hacia la integración, la fiabilidad y la rentabilidad. Gemini 4 Neon representa un paso en esta dirección, proporcionando una opción equilibrada para desarrolladores que necesitan un rendimiento robusto sin el precio premium de los modelos de gama alta.
Qué puedes hacer
- Prueba Gemini 4 Neon en AI Studio o Android Studio para evaluar su rendimiento en tus casos de uso específicos.
- Configura los niveles de esfuerzo en tus aplicaciones para equilibrar la velocidad y la precisión según la complejidad de la tarea.
- Integra el modelo con Cursor o GitHub Copilot para aprovechar sus capacidades dentro de tu flujo de trabajo de desarrollo existente.
- Monitoriza las tasas de capacidad y error durante el uso temprano para identificar posibles problemas de estabilidad en tu entorno de producción.
- Compara los costes con otros modelos de gama media como Fable 5.2 para determinar la opción más económica para tu carga de trabajo.
- Explora sus funciones de direccionalidad estableciendo restricciones estrictas sobre el uso de herramientas, como deshabilitar el acceso a la terminal, para garantizar una operación segura.



