Salta al contenuto

Blog

Gemini 4 Neon: il nuovo modello di Google eguaglia Claude Opus 5.5 nel coding con prezzi API più bassi del 25%

Scritto da Giuseppe Cristofaro

Gemini 4 Neon: il nuovo modello di Google eguaglia Claude Opus 5.5 nel coding con prezzi API più bassi del 25%

Gemini 4 Neon è il nuovo modello di fascia media lanciato da Google il 18 novembre 2026, disponibile su Gemini API, Google AI Studio, Android Studio, app Gemini e Google Antigravity. Costa 3 dollari per milione di token in input e 15 dollari per milione in output: il 25% in meno delle tariffe standard di Claude Opus 5.5 (4$/20$), pur ottenendo punteggi pari o superiori su indici di valutazione come l'Artificial Analysis Intelligence Index e il Vals Index.

In breve

  • Gemini 4 Neon costa 3$/milione di token in input e 15$/milione in output, il 25% in meno di Claude Opus 5.5 (4$/20$).
  • Sull'Artificial Analysis Intelligence Index Neon ottiene 61 punti (impostazione xhigh) contro i 59 di Opus 5.5; sul Vals Index 70,9% contro 70,14%.
  • Google colloca Neon tra Hydrogen (modello veloce ed economico per volumi alti) e Carbon (per i progetti più estesi e complessi).
  • Un cliente citato nell'annuncio, Glean, riporta che Neon eguaglia la qualità di Carbon a 3 volte la velocità e il 60% del costo.
  • Rispetto a GPT-6.2 Sol e Claude Sonnet 5.5, Neon costa circa il 50% in più sulle tariffe standard, ma Google dichiara punteggi superiori su entrambi gli indici alla massima impostazione di ragionamento.

Cos'è Gemini 4 Neon e dove si può usare?

Gemini 4 Neon è un modello linguistico di grandi dimensioni (LLM, large language model) pensato per occupare la fascia intermedia nella famiglia Gemini 4 di Google. È raggiungibile tramite l'API Gemini a pagamento, dentro Google AI Studio, in Android Studio, nell'app Gemini e in Google Antigravity, la piattaforma di sviluppo assistito da AI di Google riservata agli abbonati Gemini AI Pro e Ultra. Non si tratta quindi di uno strumento sperimentale isolato, ma di un modello integrato negli ambienti che sviluppatori e team tecnici già usano per scrivere, testare e correggere codice.

Google lo presenta come il punto di equilibrio tra due estremi della propria offerta: Hydrogen, pensato per compiti ad alto volume dove contano velocità e costo contenuto, e Carbon, riservato ai progetti estesi e più complessi. Neon nasce per i lavori che richiedono più ragionamento di quanto basti un modello leggero, ma che si ripetono con una frequenza tale da rendere insostenibile il costo di un modello di punta su ogni singola richiesta.

Quanto costa rispetto a Claude Opus 5.5 e agli altri modelli?

Neon costa 3 dollari per milione di token in input e 15 dollari per milione in output, contro i 4$ e 20$ delle tariffe standard di Claude Opus 5.5: una differenza del 25% a favore di Google. Il confronto cambia però guardando ad altri modelli concorrenti di fascia simile: le tariffe standard di Claude Sonnet 5.5 e di GPT-6.2 Sol (il modello intermedio di OpenAI) sono circa il 50% più basse di quelle di Neon.

Su questo fronte Google gioca una carta diversa: non promette il prezzo più basso in assoluto, ma dichiara che Neon supera sia Sonnet 5.5 sia Sol sull'Artificial Analysis Intelligence Index quando viene impostato al livello di ragionamento più alto disponibile. È un punto importante per chi deve scegliere un modello: il prezzo per token non basta da solo a stabilire quale sia la soluzione più conveniente, perché un modello più economico per token può comunque costare di più a parità di compito se impiega più tempo o più passaggi per completarlo.

Come si misurano le prestazioni di un modello AI?

Le prestazioni di un modello linguistico si valutano attraverso benchmark pubblici che sottopongono lo stesso insieme di domande o compiti a più modelli, in condizioni comparabili. Nel caso di Neon, Google cita due indici: l'Artificial Analysis Intelligence Index, una classifica indipendente che misura capacità di ragionamento generale, e il Vals Index, che aggrega compiti professionali di finanza, software, diritto e fiscalità pesati in base al loro peso nell'economia statunitense.

Su questi due indici Neon ottiene 61 punti (impostazione xhigh) e 70,9%, contro i 59 punti e il 70,14% di Claude Opus 5.5. Le differenze sono contenute, spesso entro un paio di punti percentuali, e lo stesso vale confrontando Neon con gli altri modelli Gemini 4: su Vals, Neon, Carbon e Sonnet 5.5 finiscono entro circa 2,5 punti percentuali l'uno dall'altro. Un dettaglio utile per chi legge questi numeri: le impostazioni di ragionamento (come "high" o "xhigh") non sono standardizzate tra i diversi fornitori, quindi due modelli impostati entrambi al "massimo livello" possono comunque spendere tempo e costi molto diversi per rispondere alla stessa domanda.

Perché la velocità di risposta conta quanto il prezzo?

La velocità di generazione del testo incide direttamente sul tempo di attesa dell'utente finale e, di conseguenza, sul costo reale di un'applicazione che usa l'AI. Secondo le rilevazioni del benchmark tracker Priors al lancio, Neon genera circa 110 token al secondo nell'impostazione xhigh, contro i 59 token al secondo di Carbon nella sua impostazione più alta: una differenza di circa 1,9 volte. Google riporta inoltre una riduzione del costo per singolo compito del 32% rispetto a Carbon nell'impostazione predefinita "high", che scende a circa il 17% nell'impostazione xhigh.

Questi numeri spiegano perché un cliente citato nell'annuncio di Google, Glean, abbia descritto Neon come capace di eguagliare la qualità di Carbon a 3 volte la velocità e al 60% del costo. Per chi sviluppa applicazioni che gli utenti usano in tempo reale — una chat, un assistente che risponde al telefono, un agente che elabora documenti — la velocità di prima risposta e il ritmo di generazione del testo possono pesare quanto il prezzo per token nella scelta del modello.

Per quali compiti conviene un modello come Neon?

Google ed alcuni primi utilizzatori indicano alcuni ambiti concreti in cui Neon si distingue: ricostruire una contestazione su una bolletta incrociando fatture e scontrini in formati diversi, orientarsi dentro un software sconosciuto per individuare un difetto, verificare ipotesi di ricerca passo dopo passo, costruire fogli di calcolo che un collega può poi aprire e modificare. Il tratto comune di questi compiti è che richiedono di seguire più passaggi collegati tra loro e di produrre un risultato verificabile da una persona, non solo una risposta diretta a una domanda semplice.

Sul fronte della programmazione, su un benchmark chiamato FrontierCode 2.0 — che valuta le modifiche al codice secondo criteri fissati da revisori umani — Neon ottiene 46,2% contro il 47,3% di Opus 5.5, un distacco minimo. Su un altro test, SWE-sweep, il punteggio di Neon passa dal 12,8% ottenuto con un agente software semplice al 39% quando lavora dentro Google Antigravity, dove può dividere un progetto tra più agenti Hydrogen in parallelo: lo stesso modello, risultati molto diversi a seconda del software che lo circonda. È un promemoria utile: il punteggio di un modello su un singolo test dice meno di quanto sembri sull'esito reale di un progetto.

Come scegliere il modello giusto per un'applicazione

Scegliere un modello AI per un'applicazione significa confrontare almeno tre elementi insieme: il prezzo per token, il punteggio sui benchmark pertinenti al compito, e il comportamento reale nel flusso di lavoro scelto. Il prezzo per milione di token, da solo, può essere ingannevole: un modello con tariffe più basse per token può comunque costare di più se richiede più passaggi, più revisioni umane o più tempo per arrivare a un risultato utilizzabile. Lo stesso report che descrive Neon segnala che, a parità di tariffe standard, Neon dovrebbe usare circa un terzo di token in meno rispetto a Sol o Sonnet 5.5 per compensare la sua tariffa più alta del 50%.

Un altro elemento da valutare è la finestra di contesto, cioè quanta informazione il modello può ricevere in una sola richiesta: Neon lavora con una finestra fino a un milione di token e può elaborare insieme video, audio, grafici, fogli di calcolo e PDF, una capacità utile quando i dati di partenza arrivano in formati diversi e non si vuole prima trascriverli in un unico documento. Infine, per compiti che si ripetono spesso con lo stesso schema — come l'analisi di documenti, le risposte ai clienti o l'automazione di processi interni — conviene testare il modello scelto sul flusso di lavoro reale, non solo sul punteggio di un benchmark, perché software e configurazione intorno al modello possono cambiare il risultato finale più del modello stesso.

Domande frequenti

Cosa significa che un modello costa "3 dollari per milione di token in input"? Significa che il fornitore addebita 3 dollari ogni milione di unità di testo elaborate in ingresso (i token), e una tariffa separata, solitamente più alta, per il testo generato in uscita. Nel caso di Neon, l'output costa 15 dollari per milione di token.

Un punteggio più alto su un benchmark garantisce risultati migliori nella pratica? Non necessariamente. I benchmark come l'Artificial Analysis Intelligence Index o il Vals Index misurano prestazioni su compiti standardizzati, ma il software che circonda il modello e il tipo di compito reale possono far variare molto il risultato, come mostra il caso di Neon che passa dal 12,8% al 39% sullo stesso test cambiando solo l'ambiente in cui opera.

Conviene scegliere sempre il modello più economico per token? Non sempre: un modello con tariffa per token più bassa può risultare più costoso nel complesso se richiede più passaggi o più revisione umana per completare lo stesso compito. Il confronto corretto riguarda il costo per ottenere un risultato finito e utilizzabile, non solo il prezzo per token.

Fonti


Se stai valutando quale modello AI inserire in un'applicazione per la tua azienda e vuoi confrontare prezzo, prestazioni e flusso di lavoro reale, puoi richiedere un confronto con iNexus.

← Tutti gli articoli