No Intelligence Index v5.0.1 da Artificial Analysis, se o gasto de tokens de saída do índice completo ficar entre 110 e 124 milhões, os modelos Gemini 4 se ordenam assim: Argon (high) 50, Hydrogen (high) 51, Carbon (medium) 58 e Neon (high) 60. Os quatro têm o mesmo corte de conhecimento, março de 2026. Segundo os cartões de modelo do Google, o Carbon é baseado no Argon, e Hydrogen e Neon são adaptações do Carbon. No ambiente padrão do ARC‑AGI‑3, o Carbon supera o Argon em 15,3 pontos percentuais no mesmo ajuste low; no FrontierMath Tier 4, a Epoch AI registra uma diferença de 17 pontos. Sete semanas, quatro lançamentos e um único corte de conhecimento: a série Gemini 4 se parece com um experimento público sobre pós-treinamento e orçamento de raciocínio. Ela também lembra que comparar com o mesmo orçamento e comparar com o mesmo nome de ajuste produz dois rankings diferentes. Avaliação de lançamento do Neon na Artificial Analysis · Resultados verificados do Carbon no ARC Prize · Dados do Carbon na Epoch

O Google anunciou o Argon em 30 de setembro e o Carbon em 28 de outubro; o Carbon foi liberado para todos em 10 de novembro, e depois vieram o Hydrogen, em 12 de novembro, e o Neon, no dia 18. Este artigo usa os resultados públicos disponíveis em 19 de novembro e é uma análise secundária da Folkbench. As pontuações dos cartões de modelo e dos anúncios são informadas pelo Google; nessas tabelas, algumas pontuações de modelos de comparação foram executadas pelo Google e outras aparecem como execuções de terceiros. Os resultados de Artificial Analysis, Epoch AI, ARC Prize e Terminal-Bench pertencem a cada avaliador. A Folkbench não executou nenhum modelo novamente para este texto. Os percentuais seguem a definição de cada ranking, e qualquer conclusão que dependa do nível de raciocínio, do ambiente de execução ou de quem rodou a avaliação vale apenas nessas condições. Anúncio do Argon · Google: Carbon disponível · Anúncio do Neon

Uma base, quatro rodadas de pós-treinamento

ModeloAnúncioPosicionamento oficialOrigem segundo o cartãoPreço da API (entrada / saída por 1M tokens)Melhor AA Index v5.0.1
Gemini 4 Argon30 setProgramação, trabalho de conhecimento corporativo, ciberdefesaModelo MoE esparso treinado do zeroUS$ 2 / 10 promocional, depois US$ 4 / 2050 (high)
Gemini 4 Carbon28 out, liberado para todos em 10 novTarefas de longo horizonte e cibersegurançaBaseado no ArgonUS$ 2 / 10 até 30 nov, depois US$ 4 / 2060 (high)
Gemini 4 Hydrogen12 novExecução rápida do dia a diaAdaptado do CarbonUS$ 1,50 / 7,5054 (xhigh)
Gemini 4 Neon18 novEquilíbrio entre profundidade e eficiênciaAdaptado do CarbonUS$ 3 / 1561 (xhigh)

Cartão do Argon · Cartão do Carbon · Cartão do Hydrogen · Cartão do Neon

O cartão do Argon traz a única descrição de arquitetura desta geração: um Transformer de mistura de especialistas (MoE) esparso e de grande escala, com entrada nativa de texto, visão e áudio, treinado como modelo novo e não como ajuste fino de um modelo anterior. Ele foi treinado em TPUs com JAX e ML Pathways, e o pós-treinamento incluiu ajuste por instruções, dados de preferência humana e aprendizado por reforço com dados de raciocínio em várias etapas, resolução de problemas e prova de teoremas. O cartão do Carbon remete ao Argon para arquitetura, dados e hardware. Os do Hydrogen e do Neon dizem que ambos foram adaptados do Carbon (adapted from) e remetem ao Carbon. Os quatro aceitam até 1 milhão de tokens de contexto, somando entrada e saída. Cartão do Argon

Essa estrutura define como ler os avanços dentro da família. Como o corte de conhecimento não mudou, o ganho do Argon para o Carbon não pode vir de conhecimento novo sobre o mundo; é mais provável que venha de mudanças nos dados de pós-treinamento, no aprendizado por reforço e na configuração de inferência. O Google não divulgou o número de parâmetros nem explicou se "adaptar" significa destilação, treinamento continuado ou outro método, então o tamanho e o caminho de treinamento do Hydrogen e do Neon não podem ser inferidos do material público. O que está claro é que a maior parte das diferenças de capacidade dentro desta geração surge depois do pré-treinamento.

Inteligência: o mesmo nome de ajuste não é o mesmo orçamento de raciocínio

Quando foi anunciado, em 28 de outubro, o Carbon liderava o índice v5.0 com 59. Três semanas depois, a reavaliação v5.0.1 lhe dá 60, mas o primeiro lugar já é do Claude Fable 5.2, com 65, seguido pelo GPT‑6.2 Astra, com 62, e pelo Neon, com 61; o Claude Opus 5.5 tem 59 e o GPT‑6.2 Sol, 57. O ECI da Epoch AI coloca o Carbon em posição parecida: 170, terceiro entre 241 modelos acompanhados, contra 167 do Argon, 174 do Fable 5.2 e 169 do GPT‑6 Astra. Os dois índices usam métodos diferentes, mas ambos põem o Carbon no grupo de frente, um pouco abaixo dos líderes atuais. Em 19 de novembro, a Epoch ainda não havia publicado dados do Neon, e o Hydrogen tem resultados individuais, mas ainda não tem ECI. Rankings compostos mudam de uma semana para outra, então um único "primeiro lugar" pesa pouco. Anúncio do Carbon · Avaliação de lançamento do GPT‑6.2 na Artificial Analysis · Cartão do Neon · Dados do Carbon na Epoch

A curva por nível de raciocínio diz mais. Entre parênteses, os tokens de saída usados para rodar o índice completo.

AA Index v5.0.1NeonHydrogenCarbonArgon
low44 (28,3M)27 (20,3M)54 (83,9M)não publicado
medium55 (62,9M)41 (54,4M)58 (124M)48 (81,7M)
high (padrão)60 (123M)51 (110M)60 (205M)50 (113M)
xhigh61 (283M)54 (304M)não disponívelnão disponível

Neon por nível · Hydrogen por nível · Carbon por nível · Argon por nível

Primeiro, os retornos caem depressa. Levar o Neon de high para xhigh multiplica os tokens de saída por 2,3 em troca de um ponto, e o tempo por tarefa sobe de 14,8 para 21,5 minutos; o mesmo passo custa ao Hydrogen 2,8 vezes os tokens por três pontos. Segundo, nomes de ajuste não são unidades de orçamento. O ajuste low do Carbon gasta 83,9 milhões de tokens, mais que o medium do Neon. Com orçamento total semelhante, a ordem é Argon 50, Hydrogen 51, Carbon 58 e Neon 60, o que diz mais sobre o efeito do pós-treinamento do que comparar todos no ajuste padrão. A comparação tem limites: os tokens são totais do índice, não pareados por tarefa, e as velocidades de saída diferem. O Neon em high gera cerca de 101 tokens por segundo e o Carbon, de 55 a 58, então a mesma quantidade de tokens significa esperas diferentes.

Terceiro, o modelo menor é mais sensível ao orçamento. Do low ao high, o Hydrogen percorre 24 pontos, o Neon 16 e o Carbon só 6. Num modelo rápido como o Hydrogen, escolher o nível errado pode custar mais do que trocar de modelo.

Raciocínio abstrato: no ARC‑AGI‑3, pensar mais nem sempre é melhor

Resultados verificados do ARC PrizeGemini 4 ArgonGemini 4 Carbon
ARC‑AGI‑2, low / medium / high42,1% / 87,1% / 91,3%49,6% / 94,2% / 92,1%
ARC‑AGI‑3 ambiente padrão, low / medium49,8% / 46,3%65,1% / 63,9%
ARC‑AGI‑3 ambiente padrão, highsem pontuação (19 de 55 jogos concluídos)sem pontuação (30 de 55 jogos concluídos)
ARC‑AGI‑3 Provider Adapter, low / medium / high97,5% / 97,3% / 97,3%97,7% / 99,1% / 96,9%

Resultados verificados do Argon no ARC Prize · Resultados verificados do Carbon no ARC Prize

Três pontos se destacam. Primeiro, a pontuação não cresce de forma monotônica com o nível de raciocínio: no ARC‑AGI‑2, o Carbon vai melhor em medium do que em high; no ambiente padrão do ARC‑AGI‑3, melhor em low do que em medium, e o melhor resultado do Argon no ARC‑AGI‑3 também está em low. Segundo, o ajuste mais alto pode falhar por completo num ambiente interativo. Em high, o Carbon demorou tanto entre uma ação e outra que as sessões de jogo expiraram, e ele concluiu só 30 jogos; o Argon em high concluiu apenas 19 por problemas de API. Em perguntas estáticas, pensar mais só custa dinheiro; num ambiente interativo, também consome tempo do ambiente. Terceiro, a diferença entre ambientes de execução é muito maior que a diferença entre gerações. O Carbon chega a 99,1% com o Provider Adapter e no máximo a 65,1% no ambiente padrão, uma distância de cerca de 34 pontos. Segundo o ARC Prize, o ambiente padrão só deixa o modelo levar adiante as anotações que ele decide guardar, enquanto o Provider Adapter preserva um estado de raciocínio opaco entre requisições e compacta conversas longas.

Jogo a jogo, as perdas se concentram. No ambiente padrão, o G50T marca 0,0% para Argon e Carbon em low e medium, o BP35 não passa de 1,0% e o TU93 não passa de 5,3%; com o Provider Adapter, esses três jogos ficam quase todos em 100%. A pontuação total subiu 15 pontos, mas esses jogos quase não se moveram. Uma leitura plausível, mas não verificada, é que eles dependem de manter estado entre etapas, e não de raciocinar numa única etapa, e que o ganho de geração aconteceu sobretudo em ambientes que já eram parcialmente resolvíveis. Como referência, o GPT‑6.2 Astra marca 70,3% no ambiente padrão em max e o GPT‑6.2 Sol, 54,9%; o Carbon fica no meio. Resultados verificados do GPT‑6.2 no ARC Prize

Capacidade acadêmica: calibração do conhecimento, matemática e execução científica

Resultados da Epoch AIGemini 4 ArgonGemini 4 CarbonGemini 4 HydrogenGPT‑6 AstraClaude Fable 5.2
GPQA Diamond96%97%97%96%96%
SimpleQA Verified76%78%71%76%94%
FrontierMath Tiers 1–3 (v2)86%91%88%94%95%
FrontierMath Tier 4 (v2)78%95%88%98%100%
FrontierMath Erdős1%3%não testado3%não testado
Chess Puzzles59%78%60%76%79%
EBR‑bench (Earthborne Rangers)65%88%70%76%90%

Dados do Carbon na Epoch · Dados do Hydrogen na Epoch

Conhecimento e calibração. O GPQA Diamond já não diferencia modelos de fronteira: os cinco da tabela estão entre 96% e 97%. O que mais os separa é a memória factual e o que o modelo faz quando não sabe. No SimpleQA Verified da Epoch, o Carbon marca 78%, 16 pontos abaixo do Fable 5.2. Já no AA‑Omniscience v1.1 da Artificial Analysis, Carbon (medium) e Argon (high) têm taxa de alucinação de 4%, e o Carbon é o mais baixo do ranking. O denominador dessa métrica são todas as respostas que não estão totalmente corretas, e o numerador, as que estão claramente erradas; como referência, GPT‑6.2 Astra e Sol em max ficam em 59% e 55%. Os dois resultados vêm de conjuntos de perguntas diferentes e não podem ser somados, mas apontam na mesma direção: o Gemini 4 não necessariamente lembra mais, mas, quando não sabe, tende a se abster ou dar uma resposta parcial em vez de inventar. Pelo menos nesse tipo de pergunta de conhecimento, suas respostas taxativas erram menos; em revisões de literatura, a cobertura ainda depende da busca. Definições e ranking do AA‑Omniscience

O HLE‑Diamond foi uma das quatro avaliações do índice v5.0 em que o Carbon ficou em primeiro. O Google informa 71,3% para o Neon, 67,9% para o Opus 5.5, 64,0% para o GPT‑6.2 Sol e 58,8% para o Hydrogen; todos esses números vêm dos cartões do Google. Resumo da DeepLearning.AI sobre os resultados v5.0 · Cartão do Neon

Matemática. Do Argon para o Carbon, o FrontierMath Tier 4 sobe 17 pontos, o maior salto de geração nestes dados, deixando o Carbon perto do GPT‑6 Astra e do Fable 5.2. O FrontierMath Erdős, porém, só vai de 1% para 3%. Seus 68 problemas estavam em aberto quando o benchmark foi criado, e as provas ou refutações enviadas são verificadas em Lean; o melhor resultado atual é o 10% do GPT‑6.2 Astra. Problemas de nível de pesquisa com resposta conhecida estão saturando, enquanto os problemas em aberto seguem quase intocados. O RiemannBench informado pelo Google sobe de 76,0% no Argon e 80,0% no Carbon para 84,0% no Neon, na mesma direção, mas medido pelo próprio fornecedor. As avaliações de quebra-cabeças da Epoch mostram ganhos de pós-treinamento parecidos: problemas de xadrez passam de 59% para 78% e o EBR‑bench, de 65% para 88%. São tarefas que exigem busca em várias etapas sob regras, em linha com o ganho no ambiente padrão do ARC‑AGI‑3. O rápido Hydrogen marca 88% no Tier 4, 10 pontos acima do Argon, mas fica perto do Argon nos quebra-cabeças e tem só 71% de memória factual no SimpleQA Verified. Uma explicação possível é que capacidades com respostas verificáveis automaticamente, como a matemática, se preservam melhor quando um modelo é adaptado para ser rápido, enquanto o conhecimento memorizado depende mais da capacidade do modelo; o material público não basta para confirmar isso. Metodologia do FrontierMath Erdős

Execução científica. O Terminal‑Bench‑Science 0.1 pede que o modelo entregue, num terminal, produtos de pesquisa que possam ser verificados por testes. No cartão do Carbon, com execuções da Artificial Analysis, o Carbon marca 64,8%, o Argon 52,9%, o GPT‑6 Astra 63,3% e o Opus 5.5 59,0%. O cartão do Neon informa 70,5% para o Neon, acima do GPT‑6.2 Sol (68,0%) e do Opus 5.5 (63,3%). O Google diz que o Neon é o melhor da categoria, o que vale dentro do grupo de comparação que ele escolheu; no ranking completo da Artificial Analysis, o GPT‑6.2 Astra em xhigh marca 78,6%, ainda 8,1 pontos acima. O Hydrogen marca 51,4%, abaixo de sua referência, o Claude Sonnet 5.5 (59,9%). Ranking do Terminal‑Bench‑Science · Cartão do Carbon

Engenharia e agentes: o ambiente de execução decide metade da resposta

No ranking oficial do Terminal‑Bench 4.1, o Carbon (high, Antigravity CLI) marca 64,5% ± 3,2%, com custo aproximado de US$ 1.400 por rodada completa; Claude Opus 5.5 e Fable 5.2 empatam em 65,8%, e o GPT‑6.2 Astra marca 62,1%. A distância do Carbon para o primeiro está dentro do intervalo de confiança. Mais interessante é a comparação interna: o Hydrogen marca 56,4% ± 3,0% por cerca de US$ 800, e o Argon 55,5% ± 2,8% por cerca de US$ 1.100, ou seja, o modelo rápido empata com o carro-chefe de seis semanas antes gastando cerca de três quartos. Os 65,2% do Neon vêm do cartão do Google e, em 19 de novembro, ainda não apareciam no ranking oficial. Ranking do Terminal‑Bench 4.1

Ao comparar cartões, primeiro é preciso ver quem executou a avaliação. A linha de Terminal‑bench 4.0 no cartão do Argon dá 57,4% ao Argon e 66,4% ao Opus 5.5; duas semanas depois, o cartão do Carbon passa a usar o Terminal‑Bench 4.0 executado pela Artificial Analysis e dá 57,1% ao Argon e 59,6% ao Opus 5.5. O mesmo modelo de comparação varia 6,8 pontos num benchmark com o mesmo nome, enquanto a pontuação do próprio Argon quase não muda. Com os 66,4% do Opus no cartão do Argon, os 65,2% do Carbon não liderariam, e no ranking oficial 4.1 o Carbon também fica um pouco abaixo do Opus. O Terminal‑Bench‑Science mostra o mesmo padrão: o GPT‑6 Astra tem 68,1% no cartão do Argon e 63,3% pelos números da AA no cartão do Carbon. Cartão do Argon · Cartão do Carbon

SWE‑sweep (cartão do Neon)Ambiente neutro mini‑SWEAmbiente próprio de cada fornecedor
Gemini 4 Neon12,8%39,0%
Claude Opus 5.53,6%10,1%
GPT‑6.2 Sol11,6%8,3%

No ambiente neutro mini‑SWE, o Neon supera o GPT‑6.2 Sol por apenas 1,2 ponto; no ambiente próprio de cada fornecedor, a diferença sobe para 30,7 pontos. No Antigravity, o Neon faz cerca do triplo do que faz no mini‑SWE; o Opus 5.5 sobe cerca de 2,8 vezes no próprio ambiente, e o Sol até cai. O ambiente de um fornecedor faz parte do produto, então esses números medem o modelo junto com sua cadeia de ferramentas, não o modelo sozinho. A linha de SWE‑sweep no cartão do Carbon tem uma única coluna, sem indicar o ambiente (Carbon 9,6%, Argon 4,3%). Os 3,6% do Opus 5.5 nela coincidem com o valor de mini‑SWE do cartão do Neon, o que sugere a mesma configuração; se for isso, a série avança 4,3%, 9,6% e 12,8% no mini‑SWE. Cartão do Neon

Outras avaliações de programação dão um quadro mais contido. No FrontierSWE 2, os 61,2% do Carbon ficam atrás dos 65,5% do GPT‑6 Astra e dos 62,3% do Opus 5.5; no FrontierCode 2.0, os 46,2% do Neon ficam logo abaixo dos 47,3% do Opus 5.5. No Coding Agent Index da Artificial Analysis, o Neon (xhigh, Antigravity CLI) lidera com 59, e Fable 5.2 (xhigh) e Opus 5.5 (max) têm 58, com custo médio por tarefa de US$ 6,86, 15,47 e 12,61; a vantagem do Neon está sobretudo no custo. O uso de computador é um ponto fraco constante na série: no subconjunto offline do OSWorld‑2.1, os 81,5% do Carbon ficam atrás dos 87,2% do Opus 5.5, e os 77,6% do Hydrogen atrás dos 83,9% do Claude Sonnet 5.5. Avaliação de lançamento do Neon na Artificial Analysis · Cartão do Hydrogen

Em trabalho de conhecimento, o AutomationBench da Zapier sobe de 51,3% no Argon e 53,9% no Carbon para 56,3% no Neon, e o saldo do negócio simulado no Vending‑Bench 2 cresce de US$ 13.718 para US$ 16.843. O Argon marca 19,6% no benchmark de agentes jurídicos da Harvey, enquanto nenhum modelo de comparação passa de 6,7%; a vantagem é grande, mas o nível absoluto mostra que essas tarefas jurídicas ainda estão longe de ser entregáveis. Atenção também aos nomes: o AutomationBench‑AA do cartão do Hydrogen (76,1%) é a versão da Artificial Analysis e não pode ser comparado com o da Zapier.

Contexto longo e multimodalidade: vantagem em tarefas sintéticas, material real exige teste próprio

O GraphWalks (de 256K a 1M de tokens, busca em largura, F1), segundo o Google, é onde a série abre a maior vantagem: Argon 84,2%, Carbon 96,2% e Neon 95,2%, contra 66,8% do Opus 5.5, 71,8% do GPT‑6 Astra e 80,1% do GPT‑6.2 Sol; até 128K, o Argon já chega a 99,7%. O GraphWalks espalha as arestas de um grafo por uma entrada longa e pede ao modelo que as percorra, medindo a capacidade de localizar e encadear informações distantes. A vantagem mostra recuperação e ligação muito fortes em entradas muito longas, mas uma tarefa sintética de grafos não tem conflitos semânticos, versões de documentos nem premissas implícitas; para revisão de contratos ou síntese de vários artigos, é preciso testar com material próprio. São resultados do próprio Google, ainda sem reprodução independente. Neon e Hydrogen geram por padrão até 64K tokens de forma síncrona, e até 1 milhão por decodificação longa em segundo plano. Cartão do Argon · Cartão do Neon

Na multimodalidade há um retrocesso. No LVBench, de compreensão de vídeos longos, o Argon marca 91,7% e o Neon, adaptado do Carbon, 89,0%: ainda acima do Opus 5.5 (83,7%) e do GPT‑6.2 Sol (87,6%), mas 2,7 pontos abaixo do próprio antecessor. No Chartography, os 73,5% do Neon ficam atrás dos 75,1% do Sol. A avaliação de raciocínio visual GDP.pdf da Artificial Analysis volta a ser não monotônica em relação ao nível de raciocínio: o Neon marca 33,4% em high, mas cai para 28,0% em xhigh, enquanto o Carbon em high marca 28,4%. Avaliação de lançamento do Neon na Artificial Analysis

Segurança e alinhamento: mais capacidade cibernética, lançamentos mais escalonados

Cibersegurança é a capacidade que o Google mais destaca e o motivo dos lançamentos escalonados. No SEC‑bench Pro, de descoberta de vulnerabilidades, as pontuações sobem de 83,4% no Argon e 88,2% no Carbon para 90,5% no Neon; no ExploitGym, de exploração, o Carbon marca 54,8% contra 42,0% do Argon. Argon e Carbon chegaram primeiro a ciberdefensores de confiança pelo programa Fairwind, e o Google também oferece a esses defensores e a suas equipes internas versões sem as proteções de cibersegurança. Anúncio do Argon · Anúncio do Carbon

O cartão do Argon traz determinações com base no Frontier Safety Framework de abril de 2026: os Níveis de Capacidade Crítica (CCL) de nível 1 em biologia e cibersegurança não podem ser descartados, então o Google construiu casos de segurança e avaliou o modelo como abaixo do CCL com salvaguardas; os domínios químico, radiológico e nuclear não atingiram o limite de acompanhamento, e nem a aceleração nem a automação de P&D em aprendizado de máquina atingiram seu CCL. Depois de testes direcionados, o Hydrogen não atingiu o CCL em CBRN nem em cibersegurança, mas atingiu os limites de alerta nos dois. O cartão do Neon diz que o ganho de capacidade geral em relação ao Argon ficou abaixo do limite de "mudança material de capacidade", por isso a avaliação completa de capacidades críticas não foi refeita e as determinações do Argon foram mantidas. Vale notar que o Neon fica 11 pontos acima do Argon no índice da Artificial Analysis; como o Google define esse limite não pode ser verificado com o material público. Cartão do Argon · Cartão do Hydrogen · Cartão do Neon

No comportamento, Carbon e Neon têm taxa de trapaça bem-sucedida de 0,0% no Terminal‑Bench 4.0 e taxa de sucesso de ataque de 0,0% no teste de injeção indireta de prompt da Gray Swan (o Neon em seu nível de raciocínio mais alto), contra 0,7% do Argon. Na avaliação de honestidade de agentes do Google, o Carbon passa em 92% das tarefas e o Argon em 70%; Neon e Hydrogen informam 99,2% e 94%, mas os anúncios não dizem se o conjunto de tarefas é o mesmo. O cartão do Hydrogen também revela um custo: em comparação com o Gemini 3.8 Flash, as recusas injustificadas sobem 5,57 pontos, sobretudo com prompts multimodais. Google: Carbon disponível · Anúncio do Neon · Anúncio do Hydrogen

Custo e escolha: dar preço às tarefas que passam na validação

O Hydrogen custa US$ 1,50 por milhão de tokens de entrada e US$ 7,50 por milhão de saída, com tarifa única em toda a janela de 1M; o Neon custa US$ 3 / 15, com entrada em cache a US$ 0,15; o preço promocional do Carbon, US$ 2 / 10, vale até 30 de novembro e depois passa a US$ 4 / 20. A entrada em cache de Argon, Carbon e Neon custa 5% do preço de entrada. Pelo custo por tarefa da Artificial Analysis, o Hydrogen em xhigh marca 54 por US$ 3,16, o Argon em high 50 por US$ 4,97 (no preço promocional), o Neon em xhigh 61 por US$ 6,44 e o Carbon em high 60 por US$ 7,76 (no preço padrão). O Neon em high empata com os 60 pontos do Carbon em high por menos da metade do custo por tarefa. Anúncio do Hydrogen · Avaliação de lançamento do Neon na Artificial Analysis

Um exemplo que dá para recalcular: uma requisição com 100.000 tokens de entrada sem cache e 10.000 de saída, sem tarifas de ferramentas, custa US$ 0,225 no Hydrogen, US$ 0,45 no Neon e US$ 0,30 no Carbon durante o período promocional, ou US$ 0,60 no preço padrão. Agora considere um roteamento que usa primeiro o Hydrogen e encaminha as falhas ao Neon. Com uma relação de custo por chamada fixa de 1:2, o gasto puro com modelos fica abaixo de usar o Neon direto enquanto menos de 50% das tarefas forem escaladas; com o custo por tarefa da Artificial Analysis em xhigh (US$ 3,16 contra 6,44), o ponto de equilíbrio fica em torno de 51%. Uma comparação real também precisa incluir novas tentativas, latência e taxa final de aprovação. Este exemplo só ilustra a estrutura de custos; os números não são medições da Folkbench.

Para tarefas em lote com validação automática, o Hydrogen é o primeiro modelo a testar: ele empata com o Argon ou o supera tanto no índice da AA quanto no Terminal‑Bench, com preço menor. Para programação e trabalho de conhecimento do dia a dia, o Neon empata com o Carbon ou fica um pouco acima na maioria das avaliações que os dois cartões compartilham (fica um pouco abaixo no Agents' Last Exam e no GraphWalks), e a partir de 30 de novembro seu preço unitário também é menor. O Carbon continua sendo o modelo com mais evidências para engenharia de longo horizonte, cibersegurança e tarefas interativas como o ARC‑AGI‑3. Seja qual for a escolha, meça os níveis de raciocínio nas suas próprias tarefas: no ARC‑AGI e no GDP.pdf, o nível mais alto nem sempre foi o melhor.

O valor do Gemini 4 no lançamento não está em um primeiro lugar isolado. Em sete semanas e com um único corte de conhecimento, ele mostra até onde o pós-treinamento e a configuração de inferência conseguem levar a capacidade: 11 pontos no índice da AA, 15 no ambiente padrão do ARC‑AGI‑3 e 17 no FrontierMath Tier 4. Também mostra o que esse caminho ainda não conseguiu mover: problemas matemáticos em aberto continuam em um dígito, o uso de computador fica atrás do Claude e vários jogos do ARC‑AGI‑3 no ambiente padrão seguem em zero. Os cartões dos fornecedores escolhem com quem se comparar e quem executa os testes, e os rankings independentes reavaliam e mudam de versão. Se essas pontuações vão se converter em resultado depende, no fim, de como as suas tarefas são validadas.