Benchmarks do Gemini 4 Neon: Programação, Agentes e Custo por Tarefa

O Gemini 4 Neon ocupa o 1º lugar no Índice de Agentes de Codificação da Artificial Analysis e o 2º no Índice da Vals. Aqui estão todas as pontuações publicadas, quem as mediu, em qual nível de raciocínio, e como você mesmo pode verificar a alegação de custo por tarefa.

INEZA Felin-Michel

INEZA Felin-Michel

19 novembro 2026

Benchmarks do Gemini 4 Neon: Programação, Agentes e Custo por Tarefa

Apidog para empresas

Implantação local

SSO & RBAC

Conforme SOC 2

Explorar Apidog Enterprise

Os benchmarks do Gemini 4 Neon o colocam em #1 no Artificial Analysis Coding Agent Index (58,6), com 65,2% no Terminal-Bench 4.1 e #2 no Vals Index (70,9%). O Google também afirma que ele custa 32% menos por tarefa que o Gemini 4 Carbon em seu nível de raciocínio padrão high. A maioria das linhas, porém, foi executada em xhigh, e algumas no próprio harness do Google.

É esse último detalhe o ponto central deste post. Nossa visão geral do Gemini 4 Neon cobre especificações e preços. Aqui você encontra cada pontuação publicada, quem a mediu, em qual nível de raciocínio e como transformar “custo por tarefa” em um número que você possa conferir com sua própria fatura.

Benchmarks do Gemini 4 Neon em resumo

O Gemini 4 Neon é o modelo intermediário da linha Gemini 4 do Google, lançado em 18 de novembro de 2026, com preço de US$ 3 por milhão de tokens de entrada e US$ 15 por milhão de tokens de saída. Seus resultados publicados mais fortes estão em codificação agêntica e trabalho de conhecimento, onde ocupa o #1 ou #2 em quatro leaderboards independentes.

Estas são as linhas de destaque do post de lançamento do Google:

O Google também relata #1 no Legal Research Bench e no Tax Agent Bench da Vals AI.

Gemini 4 Neon benchmark scores grouped by who measured them: third-party leaderboards (AA Coding Agent Index 58.6, Vals Index 70.9%, Agent Arena 1,336, Terminal-Bench 4.1 65.2%, AutomationBench 56.3%) and Google self-computed rows (SWE-sweep 39.0%, Agents' Last Exam 75.8%, Terminal-Bench Science 70.5%)

Benchmarks de codificação do Gemini 4 Neon

A codificação é onde o argumento do Neon é mais forte, e também onde o harness mais importa. O PDF de metodologia de avaliação do Google explica como cada linha de codificação foi produzida.

Artificial Analysis Coding Agent Index: 58,6, #1. Trata-se de um composto independente, portanto é a linha menos influenciada pela configuração do Google. Você pode conferir a classificação atual no Artificial Analysis.

Terminal-Bench 4.1: 65,2%. A Artificial Analysis executou o Neon usando o harness público Antigravity-CLI, versão 1.5.9. As pontuações dos outros modelos vêm do leaderboard oficial, e todo resultado usa precisão ajustada para trapaça. É justo, mas o Neon rodou dentro do próprio ferramental de agente do Google.

FrontierCode 2.0: 46,2%. Este vem do leaderboard público e foi executado com high, o padrão que você obtém em produção. Se você só confiar em um número de codificação para o tráfego do dia a dia, confie neste.

SWE-sweep: 39,0% no Antigravity, 12,8% no mini-SWE. Ambos são calculados internamente pelo Google. O salto de 3x vem do harness: o Google observa que o Antigravity-CLI inclui uma ferramenta padrão que distribui subagentes pelo código-fonte, o que favorece tarefas de busca de bugs. O Opus 5.5 rodou no Claude Code e o GPT-6.2 Sol no Codex para a mesma comparação. Leia 12,8% como o modelo e 39,0% como o modelo mais seu melhor ferramental.

Same model, two harnesses: Gemini 4 Neon scores 12.8% on SWE-sweep with the mini-SWE agent and 39.0% in Google Antigravity, where sub-agents fan out across the codebase

Benchmarks de agente e trabalho de conhecimento

Essas linhas importam se você planeja executar o Neon sem supervisão em muitas etapas.

Em ciências e matemática, o Neon registra 70,5% no Terminal-Bench Science (calculado internamente, média de 5 tentativas), 84,0% no RiemannBench e 71,3% no HLE-Diamond (do leaderboard da Artificial Analysis).

Como o Google obteve os números

Quatro regras da metodologia mudam a forma como você deve ler a tabela:

  1. Nível de raciocínio mais alto por padrão. “Todos os resultados são executados com a Gemini API com as configurações de raciocínio mais altas, salvo indicação em contrário.” Isso é xhigh. Apenas o FrontierCode 2.0 está explicitamente marcado como high. As chamadas de produção usam high por padrão, então espere menos tokens de raciocínio e possivelmente pontuações menores do que as mostradas na tabela.
  2. Pass@1, tentativa única. Sem votação por maioria ou computação paralela em tempo de teste, exceto onde indicado (o Terminal-Bench Science faz média de 5 tentativas).
  3. Números dos concorrentes são autorrelatados. As pontuações de modelos não-Gemini vêm de cada fornecedor, salvo indicação contrária. Opus 5.5 e GPT-6.2 Sol usam sua configuração máxima de raciocínio quando disponível.
  4. Filtros de segurança ativados, exceto em cibersegurança. As linhas de cibersegurança foram executadas com os filtros desativados.

Nosso guia de níveis de raciocínio aborda quando o xhigh vale os tokens extras.

Custo por tarefa: o que significa a alegação de 32%

Custo por tarefa é o gasto total para concluir uma tarefa de benchmark, não o preço por token. Um modelo com preço por token mais alto ainda pode custar menos por tarefa se chegar à resposta em menos etapas e com menos tokens de raciocínio.

O Google faz três alegações de custo:

Alegação Nível de raciocínio Comparado com
Custo por tarefa 32% menor, com pontuação alta no AA Intelligence Index high Gemini 4 Carbon
Aproximadamente 50% a 80% menos custo por tarefa no Vals Index e no Agent Arena high Principais modelos de fronteira concorrentes
Mais de 36% de redução no custo por tarefa xhigh Modelos concorrentes em sua configuração máxima

Note a disparidade: as linhas de precisão usam majoritariamente xhigh, enquanto a economia de 32% do título é com high. Ambas são verdadeiras, mas não ao mesmo tempo. Você obtém a economia de custo ou a pontuação máxima, e a diferença entre elas é sua para medir.

Veja como estimar seu próprio custo por tarefa. Os tokens de raciocínio são cobrados como saída.

$$\text{cost} = \frac{\text{input} \times 3 + \text{cached input} \times 0.15 + \text{output} \times 15}{1{,}000{,}000}$$

Uma tarefa de codificação com 20.000 tokens de entrada e 4.000 tokens de saída custa US$ 0,06 + US$ 0,06 = US$ 0,12. Se 15.000 desses tokens de entrada atingirem o cache, cai para US$ 0,015 + US$ 0,00225 + US$ 0,06 = cerca de US$ 0,077. Execute a mesma tarefa com xhigh e a contagem de saída é o que muda, então registre os tokens por nível, não apenas aprovação ou reprovação. Nosso detalhamento de preços do Gemini 4 Neon cobre as tarifas Batch, Flex e Priority.

Linhas de cibersegurança e segurança

As pontuações de cibersegurança vêm do “Gemini 4 Neon for cyber”, que é disponibilizado a defensores confiáveis por meio do Fairwind Program, e não pela API pública.

Benchmark Pontuação Observação
SEC-bench Pro 90,5% Estado da arte, cerca de metade do custo por desafio
WebExploitBench v1.2 51,26% Estado da arte, metade do custo dos modelos grandes
AutoBaxBench (nível hard) 76% Estado da arte, código mais seguro que o Carbon em todos os níveis
CWE-bench v2 70,7% Ganho de 3,4% sobre o Carbon
ExploitGym Não divulgado Nível de fronteira usando metade dos tokens do Carbon

Números de segurança do mesmo post: o Neon recusou 1,98% das tarefas do Terminal-Bench 4.0, obteve 0,0% de trapaça no Terminal-Bench 4.0, tomou atalhos em 2,45% da avaliação de trapaça em codificação do Google e passou em 99,2% de sua avaliação de honestidade de agente. Com salvaguardas em tempo real em seu nível de raciocínio mais alto, resistiu a todos os ataques no benchmark de injeção indireta de prompt do Gray Swan.

Onde o Neon não lidera

O Neon não é o primeiro em tudo, e o próprio Google admite:

O Google também continua indicando o Carbon para seus projetos de longo horizonte mais difíceis. Se você está escolhendo entre os três modelos Gemini 4, nossa comparação Neon vs Carbon vs Hydrogen mapeia os trade-offs, e o post de benchmarks do Gemini 4 Argon mostra como a tabela do modelo anterior se lê.

Faça você mesmo o benchmark do Gemini 4 Neon com o Apidog CLI

Os leaderboards descrevem o harness do Google, não o seu produto. A maneira mais rápida de saber se o Neon vale o preço é deixar seu agente de codificação executar os mesmos prompts com high e xhigh e registrar tokens e latência para cada um.

Não há nível gratuito de API para o Neon, então você precisa de uma chave paga da Gemini API. Esta requisição segue o formato documentado da Interactions API do Google; não a executamos ao vivo para este post:

curl -s "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "gemini-4-neon", "input": "Find the race condition in this retry queue.", "generation_config": {"thinking_level": "high"}}'

O Apidog CLI permite que Claude Code, Codex, Cursor ou OpenCode criem e executem testes de API a partir do terminal. Configure-o uma vez:

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick your agent when prompted

Depois, passe um prompt para seu agente:

In Apidog project <id>, create a Gemini API environment with GEMINI_API_KEY
and THINKING variables. Add a test case for POST /v1beta/interactions on
gemini-4-neon that sends my 10 eval prompts from prompts.csv, asserts HTTP 200
and a non-empty output, and records token usage and response time. Run it at
THINKING=high and THINKING=xhigh and compare cost per task at $3/$15 per 1M.

O agente cria o ambiente, verifica o payload do caso de teste em relação ao seu schema e, em seguida, executa-o uma vez por nível de raciocínio:

apidog environment create gemini-api --project <id> --base-url https://generativelanguage.googleapis.com
apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project <id> --file case.json
apidog run --test-case <caseId> --project <id> -e <envId> -d prompts.csv --env-var "THINKING=high" -r cli,json
apidog run --test-case <caseId> --project <id> -e <envId> -d prompts.csv --env-var "THINKING=xhigh" -r cli,json

Adicione --timeout-request 900000 se seus prompts forem longos, já que execuções difíceis com xhigh podem levar minutos. Para repetir a comparação a cada alteração de prompt, coloque o mesmo apidog run ... -r junit no CI com o guia de CI/CD do Apidog CLI, ou comece pelo Apidog CLI no Claude Code. O plano Free do Apidog cobre até 4 usuários.

Perguntas frequentes

Qual é o melhor resultado de benchmark do Gemini 4 Neon? #1 no Artificial Analysis Coding Agent Index com 58,6, além de #1 no AutomationBench (56,3%) e no Vending-Bench 2 (US$ 16.843).

Em qual nível de raciocínio os benchmarks foram executados? Majoritariamente em xhigh, a configuração mais alta. A metodologia do Google diz que os resultados usam as configurações de raciocínio mais altas, salvo indicação contrária; o FrontierCode 2.0 (46,2%) está marcado como o padrão high.

O Gemini 4 Neon é mais barato que o Carbon por tarefa? O Google afirma 32% menos custo por tarefa com high. Esse é um número por tarefa proveniente de execuções de benchmark, então confirme com seus próprios prompts antes de migrar o tráfego.

Por que o Neon pontua 39,0% e 12,8% no SWE-sweep? Harnesses diferentes. 39,0% é dentro do Google Antigravity, que distribui subagentes pelo código-fonte; 12,8% é o agente mini-SWE, mais simples.

Os benchmarks do Gemini 4 Neon são independentes? Em parte. As linhas do Artificial Analysis, Vals, Arena, AutomationBench e FrontierCode vêm de terceiros. SWE-sweep, Agents’ Last Exam e Terminal-Bench Science são calculados internamente pelo Google.

Pratique o design de API no Apidog

Descubra uma forma mais fácil de construir e usar APIs