Gemini 4 Neon é o novo #1 no Models Engineering Index

Gemini 4 Neon, o mais recente modelo de IA flagship da Google, está chamando atenção após liderar um “Models Engineering Index” independente e apresentar desempenho forte em vários benchmarks externos. Muitos desenvolvedores relatam que o Neon agora rivaliza ou supera o Opus 5.5 da Anthropic e os principais modelos da OpenAI em codificação, documentação e resolução de problemas técnicos, muitas vezes com melhor qualidade de prosa e, nas assinaturas de nível mais alto da Google, economia favorável de tokens. Ao mesmo tempo, comentaristas destacam ressalvas sobre a metodologia do benchmark, acesso e rollout desiguais, ferramentas e permissões complicadas no harness Antigravity da Google, além de preocupações persistentes com alucinações, recusas de segurança e a estratégia de produto da Google.

Benchmarks e o Models Engineering Index

  • Vários comentaristas questionam a metodologia do índice: o Neon é pontuado em apenas ~3 de 8 benchmarks, enquanto concorrentes têm mais cobertura, mas são comparados como se fosse igual.
  • Dados ausentes do Neon aparentemente não são penalizados, o que faz o ranking parecer enviesado; alguns o chamam de “baseado em vibes”.
  • Outros dizem que o índice é secundário; o uso no mundo real e suítes de benchmarks mais amplas (TerminalBench, vals.ai, SlopCop, etc.) importam mais.

Qualidade percebida do modelo (vs Opus/GPT/antigos Gemini)

  • Muitos relatam o Neon como o primeiro modelo da Google que parece competitivo com Opus 5.5/Fable e GPT-6 Sol/Astra, especialmente para codificação e tarefas de engenharia.
  • O Neon é frequentemente descrito como:
    • Próximo ou ligeiramente abaixo do Opus 5.5 em qualidade, mas mais rápido e mais barato.
    • Muito mais legível e conciso do que os modelos da Anthropic, com prosa significativamente melhor.
    • Forte em refatoração de código, trabalho em grandes monorepos, edição de documentação, design de mapas de jogos, design de RF/hardware e arte procedural.
  • Alguns usuários ainda consideram os modelos da Google ruins ou decepcionantes, citando:
    • Alto número de tokens por tarefa e fluxo de trabalho interativo mais fraco.
    • Erros sérios de matemática/física (sinais de menos perdidos, pressupostos inconsistentes) em que os modelos frontier da Anthropic/OpenAI agora se saem melhor.
    • Um relato detalhado de o Neon introduzir múltiplas regressões e falhas de teste em uma refatoração de bridge de gráficos.
  • Alucinação e “temperatura” são debatidas: um benchmark externo mostra alucinação muito baixa; outros percebem taxas de erro mais altas, mas linguagem mais natural.

Preço, cotas e custo-benefício

  • A Google oferece vários níveis (AI Pro, níveis “Ultra” mais altos, complementos do Workspace) com limites confusos; a disponibilidade do Neon varia conforme plano, região e promoção.
  • As experiências diferem:
    • Alguns acham o Neon 5 a 10 vezes mais custo-efetivo do que assinaturas da Anthropic para codificação pesada.
    • Outros esgotam a cota semanal do Neon mais rápido do que um plano Claude equivalente, especialmente em níveis de preço mais baixos.
  • O pacote com benefícios parecidos com o YouTube Premium e armazenamento torna o plano de US$ 20 atraente para alguns; planos de US$ 200+ são vistos como de nicho.

Acesso, ferramentas e UX

  • O Neon pode ser usado via Antigravity CLI/TUI, AI Studio, OpenRouter, IDEs (Cursor) e outros harnesses (Herdr, Pi), mas:
    • O Antigravity é criticado por solicitações constantes de permissão, a menos que seja executado em modos “perigosos”.
    • Os consoles da Google, a nomenclatura (Hydrogen/Argon/Carbon/Neon) e a estratégia de rollout são vistos como confusos e lentos.
  • A integração em produtos da Google (por exemplo, automação do Gmail) é percebida como mais fraca do que poderia ser.

Confiança, segurança e posicionamento

  • Alguns evitam os modelos da Google por medo de banimentos de conta ou filtros de segurança excessivamente rigorosos, especialmente para trabalho de segurança/auditoria.
  • Outros observam o marketing fraco para desenvolvedores da Google e a reputação de “morto pela Google” como razões para a baixa adoção, apesar da aparente qualidade do Neon.
  • Vários veem rápida rotatividade de modelos entre fornecedores; LLMs são tratados como semicommodities, em que os usuários vão migrar para quem tiver a melhor combinação de capacidade, custo e harness.