Gemini 4 Neon
El lanzamiento del modelo lingüístico Gemini 4 Neon por parte de Google se ve como un intento importante de volver a situarse en la frontera junto a Anthropic y OpenAI, con benchmarks que lo colocan cerca o por encima de modelos como Opus 5.5 y Sol en calidad, aunque a menudo con un coste por tarea más alto. Los comentaristas elogian Neon y la familia más amplia Gemini 4 (Hydrogen, Neon, Carbon) por su fuerte razonamiento, baja latencia y buena escritura, pero señalan compensaciones: Carbon sigue siendo mejor para tareas de horizonte muy largo o de mucho sobrepensamiento, y los límites de uso y niveles de precio pueden ser restrictivos. Un tema dominante es la frustración con la línea de modelos opaca y de cambios rápidos de Google y con el esquema de nombres basado en elementos, que muchos encuentran confuso frente a los niveles de tamaño más claros de Anthropic y OpenAI.
Rendimiento del modelo, rol y benchmarks
- Neon se presenta como el nuevo modelo de gama media/“M+” de Gemini 4, aproximadamente en la clase Opus/Sol, por debajo de Carbon/Fable/Astra.
- Múltiples suites de benchmarks (Vals, Artificial Analysis, Surge, Andon, etc.) sitúan a Neon cerca del frente:
- A menudo justo por debajo o alrededor de Claude Fable 5.2 y Astra 6.2, ligeramente por encima o comparable con Opus 5.5 y Sol 6.2.
- Algunos afirman una posición en la frontera de Pareto para calidad frente a coste/latencia; otros señalan que todavía queda por detrás de lo mejor de OpenAI en coste por tarea.
- Las primeras pruebas independientes discrepan: algunas ven a Neon igualando o superando a Carbon en muchas tareas; otras informan que Neon es notablemente más tonto que Carbon, pero ~3–4x más rápido y barato por tarea.
Carbon, Argon, Hydrogen y compensaciones de “largo horizonte”
- Argon parece estar efectivamente obsoleto en la app y parcialmente en Antigravity; algunos dicen que Carbon es “Argon con pensamiento extendido”.
- Los materiales de Google y las pruebas de usuarios sugieren:
- Hydrogen ≈ “el nuevo Flash”: pequeño, barato y muy rápido para tareas sencillas.
- Neon: modelo “inteligente” por defecto; buen generalista, fuerte en trabajo de horizonte corto/medio.
- Carbon: más lento, más caro, mejor en razonamiento profundo, de largo horizonte y proyectos grandes y de varios pasos, pero piensa de más y consume muchos tokens.
Confusión con el esquema de nombres
- Los nombres de elementos (Hydrogen, Neon, Argon, Carbon) no siguen de forma consistente:
- número atómico, densidad, coste o capacidad.
- Teorías en el hilo: orden de la tabla periódica, familia de gases nobles, densidad, lanzamientos alfabéticos, metáfora de “ligero vs sólido”, o simplemente “suena bien”.
- Consenso: el esquema es opaco; muchos prefieren niveles simples de tamaño (pequeño/medio/grande/XL) o las metáforas más obviamente ordenadas de Anthropic/OpenAI.
Acceso, cuotas y herramientas
- La matriz de acceso se considera ampliamente confusa:
- Pro vs Ultra vs “Pro” para estudiantes difieren en qué modelos aparecen en Gemini, Antigravity y la API.
- Algunos planes Pro para estudiantes y promocionales solo ven 3.8 Flash en Antigravity, a pesar de que el marketing afirma acceso a 4.x.
- Usar tokens de suscripción a través de agentes de terceros no está “soportado” oficialmente, aunque la aplicación y la redacción han cambiado.
- Varios se quejan de que las cuotas de Pro son demasiado bajas comparadas con Anthropic, y de que los precios y límites de tasa están mal expuestos (incluso la página de precios de Antigravity no muestra cifras).
Experiencias de usuarios y comparaciones
- Muchos elogian Hydrogen como un motor diario sorprendentemente fuerte y barato; algunos dicen que rivaliza con modelos “Pro” antiguos para tareas típicas.
- Neon recibe reseñas tempranas positivas por la calidad de escritura, la capacidad de respuesta y la ejecución “ansiosa” de tareas; algunos ya lo prefieren como modelo por defecto para programación/revisión por encima de Sol.
- Otros encuentran:
- Carbon sigue por delante en tareas muy complejas, mal especificadas o de estilo “gestión de proyectos”, a un alto coste de tiempo y tokens.
- Neon y otros modelos de Gemini 4 son propensos a trazas visibles de “razonamiento” verbosas, a veces absurdas, y a cuestionarse a sí mismos, lo que a algunos les resulta desagradable.
- Varios usuarios siguen prefiriendo claramente Claude Opus/Fable para trabajo agéntico de largo horizonte y colaboración “humana”, y afirman que Gemini se siente más como una herramienta que como un compañero de trabajo.
Carrera de IA, estrategia de producto y escepticismo
- Muchos ven Neon como prueba de que Google ha “vuelto a la frontera” junto a Anthropic y OpenAI después de un periodo más débil.
- Otros señalan que los lanzamientos rápidos, las descontinuaciones (Argon, 3.1 Pro) y la nomenclatura/UX confusas socavan la confianza para flujos de trabajo de producción.
- Hay debate sobre si los precios de Google están impulsados por la demanda y los benchmarks en lugar del coste, y sobre si los catálogos ambiguos son intencionales para empujar enrutadores/orquestadores automáticos.
- Surgen preocupaciones más amplias sobre:
- el cambio constante de modelos y la pérdida de estabilidad,
- la privacidad (Google usando chats de consumidores y datos de Workspace para entrenamiento frente a los opt-out declarados por competidores),
- y la dirección social general de la carrera de modelos en escalada.