Gemini 4 Neon: Google ergänzt sein Modellangebot um eine neue Mittelklasse
Mindverse News
KI-gestützt erstellt, vor Veröffentlichung redaktionell geprüft 6 Quellen
Das Wichtigste in Kürze
- Google veröffentlichte Gemini 4 Neon am 18. November. Das Modell soll zwischen dem schnelleren Hydrogen und dem auf besonders anspruchsvolle Aufgaben ausgelegten Carbon liegen. [1] [3]
- Neon verarbeitet insgesamt bis zu 1.048.576 Ein- und Ausgabetoken; längere Ausgaben erfordern Fortsetzungsmechanismen über mehrere Segmente. [3]
- Der Listenpreis beträgt 3 US-Dollar je Million Eingabetoken und 15 US-Dollar je Million Ausgabetoken. Bis Ende November ist Carbon wegen seines Einführungspreises pro Token günstiger. [6] [1]
- Google zugeschriebene Benchmark-Ergebnisse zeigen Stärken etwa bei langen Kontexten, aber keine einheitliche Überlegenheit über alle Tests. Die veröffentlichten Vergleiche zählen zudem nicht überall gleich. [1] [4]
- Für Unternehmen bleibt der Nutzen im eigenen Workflow zu prüfen: Ein kleiner Praxisversuch von DataCamp fiel für Neon günstig aus, umfasste aber nur drei Durchläufe je Modell und eine einzelne Programmieraufgabe. [4]
Inhalt · 8 Abschnitte
- Ein weiterer Baustein in Googles Gemini-4-Reihe
- Großes Kontextfenster, aber begrenzte Einzelausgaben
- Zugang über API und Google-Angebote
- Benchmark-Ergebnisse: deutliche Stärken, aber kein Rundumsieg
- Listenpreis und tatsächliche Kosten sind nicht dasselbe
- Kleine Praxistests geben Hinweise, keine Gewissheit
- Bedeutung für Unternehmensarchitekturen
- Der entscheidende Vergleich mit Carbon bleibt offen
- Quellen
Ein weiterer Baustein in Googles Gemini-4-Reihe
Google stellte Gemini 4 Neon am 18. November 2026 vor. Nach Darstellung von The Rundown ist es das vierte Modell der Gemini-4-Familie innerhalb von weniger als zwei Monaten. Die offizielle Google-Cloud-Dokumentation beschreibt Neon als Modell für anspruchsvolle Programmierung, analytisches Denken und wiederkehrende Unternehmensabläufe. [1] [3]
Google ordnet die Modelle nach ihrer vorgesehenen Rolle: Carbon soll sich für besonders schwierige, länger laufende Aufgaben eignen, Hydrogen für schnelle Ausführung und Neon für komplexe Arbeit, bei der zugleich Effizienz gefragt ist. Das ist zunächst die Positionierung des Anbieters, kein unabhängiger Nachweis dafür, dass sich die Modelle in jedem Unternehmen so voneinander abgrenzen lassen. [3] [6]
Für IT-Verantwortliche ist daher weniger die Bezeichnung „Mittelklasse“ entscheidend als die Frage, ob Neon bei den eigenen Aufgaben Qualität, Laufzeit und Kosten gegenüber den Alternativen sinnvoll ausbalanciert. Die verfügbaren Unterlagen liefern Anhaltspunkte für einen Test, aber keine allgemeingültige Antwort. [1] [3]
Kostenrechner
API-Preise der Gemini-4-Modelle pro Million Token
Google AI Studio nennt die Preise für Eingabe- und Ausgabetoken.
Beispielannahmen
Geschätzte Kosten pro Monat (30 Tage)
Kundenservice-Chatbot: 2.000 Anfragen pro Tag, je 1.500 Input- und 400 Output-Token
- Gemini 4 Hydrogen Günstigste Option 315 $
- Gemini 4 Carbon Günstigste Option 420 $
- Gemini 4 Neon Im Fokus Günstigste Option 630 $
Beispielrechnung mit Listenpreisen, 30 Tage, ohne Rabatte für Batch, Caching oder Volumen.
Preise pro 1 Mio. Token, in US-Dollar
| Modell | Input | Output | Cache-Input |
|---|---|---|---|
| Gemini 4 Carbon | 2,00 | 10,00 | keine Angabe |
| Gemini 4 Neon | 3,00 | 15,00 | keine Angabe |
| Gemini 4 Hydrogen | 1,50 | 7,50 | keine Angabe |
Hinweis: Der Preis für Gemini 4 Carbon gilt als Einführungspreis bis zum 30. November.
Quelle:[6] aistudio.google.com
Stand 19.11.2026
Daten KI-gestützt aus den Quellen des Artikels übernommen.
Mehrere Modelle in einer Oberfläche testen: Mindverse Studio
Großes Kontextfenster, aber begrenzte Einzelausgaben
Neons Gesamtlimit umfasst laut Google Cloud 1.048.576 Token. Dazu zählen sowohl die Eingabe als auch die Ausgabe; zur Ausgabe rechnet die Dokumentation auch Denk-Token und Funktionsaufrufe. Das oft verkürzt als „eine Million Token Kontext“ beschriebene Limit steht deshalb nicht vollständig für den eingereichten Prompt zur Verfügung: Je größer die Eingabe, desto weniger Raum bleibt für die Ausgabe. [3]
Eine einzelne sichtbare API-Ausgabe ist standardmäßig auf höchstens 65.536 Ausgabetoken begrenzt. Längere Generierungen können über Fortsetzungen auf bis zu 1.048.576 Token abzüglich der Eingabe erweitert werden. Google beschreibt dafür unter anderem Fortsetzungstoken und automatische Unterstützung durch aktuelle Versionen des Gen-AI-SDK; für Entwickler können damit Anpassungen an der Anbindung erforderlich sein. [3] [6]
Neon bietet vier einstellbare Denktiefen: „low“, „medium“, „high“ und „xhigh“. Die Google-Cloud-Dokumentation nennt „high“ als Standard. Für Unternehmen ist diese Einstellung nicht nur eine Qualitätsfrage: Höhere Denktiefe kann den Umfang der generierten Token verändern. DataCamp zufolge rechnet Google Denk-Token zum Ausgabetarif ab. [3] [4]
Die Cloud-Dokumentation nennt außerdem die Verarbeitung von Microsoft-Office- und OpenDocument-Dateien, darunter Tabellen und Präsentationen. Sie beschreibt automatische Zwischenspeicherung gemeinsamer Prompt-Anfänge ab 4.096 Token; eine explizit eingerichtete Kontextzwischenspeicherung wird dort für Neon nicht unterstützt. Solche Eigenschaften können dokumentenbasierte Anwendungen erleichtern, ersetzen aber keine Prüfung, wie das Modell mit den konkreten Unternehmensdateien umgeht. [3]
Zugang über API und Google-Angebote
Die Google-Dokumentation führt Neon in AI Studio und auf der Gemini Enterprise Agent Platform. Dort sind unter anderem Einstellungen für Region, Denktiefe und Ausgabelimit beschrieben. The Rundown berichtet außerdem von einer Freischaltung über die API und Unternehmensprodukte sowie vom Zugang in der Gemini-App und in Antigravity für Pro- und Ultra-Abonnenten. Diese Angaben betreffen unterschiedliche Produkte und Zugangswege; sie sollten nicht als einheitliche Verfügbarkeit für sämtliche Kundenkonten verstanden werden. [3] [6] [1]
Für Entwickler nennt Google das Modellkennzeichen „gemini-4-neon“ und dokumentiert sowohl eine einfache Anfrage als auch strukturierte Ausgaben. Die Anleitung zeigt zudem, wie Neon als Planer oder Prüfer eingesetzt werden kann, während Hydrogen einzelne Arbeitsschritte als nachgelagerter Agent übernimmt. [3]
Diese Orchestrierung ist für Unternehmen interessant, die in einem Ablauf unterschiedliche Anforderungen an Planung und Ausführung haben. Sie ermöglicht eine gezielte Aufgabenteilung innerhalb der Google-Modellfamilie; ob sie Kosten oder Latenz im konkreten Betrieb senkt, hängt jedoch von den tatsächlichen Tokenmengen und Ergebnissen ab. [3]
Benchmark-Ergebnisse: deutliche Stärken, aber kein Rundumsieg
Die von The Rundown ausgewertete Modellkarte vergleicht Neon mit Claude Opus 5.5 und GPT-6.2 Sol. Der Beitrag zählt 19 Ergebniszeilen; in drei davon fehle ein Wert für einen der Wettbewerber. Unter den 16 Zeilen mit vollständigen Vergleichswerten liege Neon in 13 vor beiden Konkurrenten. DataCamp fasst die Tabelle dagegen als Führung Neons in 17 von 19 Benchmarks zusammen. Die Zählweisen beziehungsweise Zusammenfassungen stimmen somit nicht überein und sollten nicht zu einer einzelnen, vermeintlich eindeutigen Erfolgsquote verdichtet werden. [1] [4]
Ein konkretes Beispiel ist GraphWalks, ein Test für lange Kontexte: The Rundown nennt für Neon 95,2 Punkte, gegenüber 66,8 für Claude Opus 5.5 und 80,1 für GPT-6.2 Sol. Bei anderen Aufgaben lagen die Konkurrenten vorn: Opus führte laut dem Beitrag bei Terminal-Bench 4.1 und FrontierCode 2.0, während Sol bei Chartography besser abschnitt. Die Ergebnisse sprechen damit für ein leistungsfähiges Modell mit aufgabenspezifischen Stärken, nicht für eine pauschale Überlegenheit. [1]
Auch externe Messwerte sind eine Momentaufnahme und hängen von Test, Einstellung und Auswertungsmethode ab. The Rundown nennt für Artificial Analysis einen Intelligence-Index von 61 bei „xhigh“ und 60 bei „high“; OpenRouter zeigt in seiner Benchmarkübersicht 61,4 für „xhigh“. Diese Werte liegen nahe beieinander, sind aber keine Messung des Nutzens in einem betrieblichen Prozess. [1] [5]
Die Zahlen sind außerdem überwiegend Anbieter- oder benchmarkgestützte Vergleichswerte. Sie können Teams bei der Auswahl von Testfällen helfen, belegen aber weder die Fehlerquote bei internen Dokumenten noch die Zuverlässigkeit eines Agenten über längere produktive Abläufe. The Rundown verweist ausdrücklich darauf, dass Neon weiterhin halluzinieren kann. [1]
Listenpreis und tatsächliche Kosten sind nicht dasselbe
Google nennt für Neon 3 US-Dollar je Million Eingabetoken und 15 US-Dollar je Million Ausgabetoken. AI Studio weist diese Standardpreise aus. Carbon kostet nach Googles Preisangaben bis zum 30. November zunächst 2 beziehungsweise 10 US-Dollar; anschließend sollen die Standardpreise von 4 beziehungsweise 20 US-Dollar gelten. [6] [1]
Damit ist Neon pro Token während der Carbon-Einführungsphase teurer: 50 Prozent über Carbon beim Ein- und Ausgabetarif. Nach dem Wechsel auf Carbon-Standardpreise liegt Neon rechnerisch 25 Prozent darunter. Diese Gegenüberstellung sagt noch nicht, welches Modell einen Auftrag günstiger erledigt. Dafür sind auch die Zahl der verbrauchten Token, Denktiefe und erfolgreiche Abschlüsse relevant. [1] [6]
Da Denk-Token nach den Angaben von DataCamp zum Ausgabetarif zählen, kann eine höhere Denktiefe die Rechnung beeinflussen. Google Cloud weist außerdem auf automatisches Caching gemeinsamer Prompt-Anfänge hin. Die Abrechnung sollte deshalb anhand realer Anfragen und nicht allein anhand der veröffentlichten Preise je Million Token verglichen werden. [3] [4]
Eine weitere Vergleichsgröße ist die Zeit bis zum Ergebnis. The Rundown berichtet anhand von Artificial-Analysis-Messungen, dass die geschätzte Zeit für die Index-Aufgaben bei einem Wechsel von „high“ zu „xhigh“ von 14,8 auf 21,5 Minuten steigt, während sich der Indexwert nur von 60 auf 61 verändert. Das bezieht sich auf den dortigen Benchmark und erlaubt keine direkte Prognose für eine Unternehmensanwendung. [1]
Kleine Praxistests geben Hinweise, keine Gewissheit
DataCamp berichtet über einen eigenen Vergleich mit Gemini 4 Carbon. Beide Modelle sollten eine Webseite samt Schach-Engine erstellen, die eine Partie selbstständig bis zum Ende spielt. Neon lieferte in allen drei Durchläufen eine funktionierende Seite; Carbon gelang dies in einem von drei. DataCamp ordnet die zwei Carbon-Fehlschläge jedoch der Ausgabelänge zu: Die Antworten hätten das Einzelausgabelimit erreicht, bevor der Code vollständig ausgegeben war. [4]
Der Versuch ist deshalb nicht als allgemeiner Qualitätssieg Neons zu lesen. Er bestand aus drei Durchläufen pro Modell an einer einzelnen Aufgabe, und die Fehlerursache war laut DataCamp eine technische Begrenzung der Ausgabe. Die Ergebnisse zeigen vielmehr, dass bei agentischen Programmieraufgaben auch die Art der Aufteilung und Ausgabe eines Arbeitsschritts den praktischen Erfolg beeinflussen kann. [4] [3]
VentureBeat gibt eine Aussage von Thai Tran, Produktverantwortlichem für KI bei Glean, aus Googles Ankündigung wieder: In frühen internen Bewertungen habe Neon bei der Gesamtqualität Carbon erreicht oder übertroffen, bei dreifacher Geschwindigkeit und 60 Prozent der Kosten. In dem Bericht fehlen für diesen Vergleich absolute Laufzeiten und genaue Angaben zum abgeglichenen Arbeitsumfang. Es handelt sich daher um eine zugeschriebene frühe Kundenaussage, nicht um einen unabhängigen, vollständig dokumentierten Vergleich. [7]
Bedeutung für Unternehmensarchitekturen
Neons Kombination aus großem Tokenlimit, Dateiunterstützung und konfigurierbarer Denktiefe eröffnet Einsatzmöglichkeiten bei umfangreichen Dokumenten, mehrstufigen Analysen und Programmieraufgaben. Die Cloud-Anleitung zeigt außerdem eine mögliche Arbeitsteilung: Neon plant oder prüft, Hydrogen führt einzelne, klar abgegrenzte Schritte aus. Das sind dokumentierte Schnittstellen und Beispiele, keine Garantie für eine bestimmte Produktivitätssteigerung. [3]
Für Sie als Unternehmen ergibt sich daraus ein naheliegender, aber begrenzter Schluss: Ein Modellvergleich sollte nicht nur die Qualität einer einzelnen Antwort erfassen. Sinnvoll ist, auch die Zahl der nötigen Korrekturen, die Laufzeit, den Tokenverbrauch und den Anteil erfolgreich abgeschlossener Aufgaben zu protokollieren. Das folgt aus der Preislogik und den unterschiedlichen Ergebnissen der vorliegenden Tests; konkrete Einsparungen lassen sich aus den Quellen nicht ableiten. [1] [3] [4]
Bei langen oder sensiblen Eingaben ist zudem zu prüfen, welche Inhalte an den gewählten Dienst übermittelt werden und wie die jeweilige Unternehmensumgebung konfiguriert ist. Die vorliegenden technischen Unterlagen beschreiben Funktionen und Zugang, liefern aber keine vollständige Grundlage für Aussagen zu individuellen Datenschutz-, Compliance- oder Sicherheitsanforderungen. [3] [6]
Der entscheidende Vergleich mit Carbon bleibt offen
Für eine belastbare Kaufentscheidung fehlt ein zentraler Baustein: Laut DataCamp veröffentlicht Google keine direkten Neon-gegen-Carbon-Benchmarkwerte. Das erschwert es, die versprochene Abstufung der Modelle anhand eines einheitlichen, veröffentlichten Tests zu beurteilen. Die Glean-Aussage und der begrenzte DataCamp-Versuch liefern Hinweise, ersetzen aber keinen breiten Vergleich über verschiedene Aufgaben und Konfigurationen. [4] [7]
Neon ergänzt Googles Angebot damit um eine weitere Option mit eigenem Preis- und Leistungsprofil. Die dokumentierte API, die Fortsetzungsmechanismen und die Einbindung in mehrstufige Abläufe machen es technisch prüfbar. Ob der Einsatz wirtschaftlich sinnvoll ist, hängt jedoch von der jeweiligen Arbeitslast ab – und sollte angesichts der uneinheitlichen Benchmark-Zusammenfassungen anhand eigener, repräsentativer Tests entschieden werden. [1] [3] [6]
Quellen
- [1] Google’s Gemini 4 Neon extends its rapid run of model releases | The Rundown AI — https://www.therundown.ai/news/google-gemini-4-neon-release (abgerufen am 2026-11-19)
- [3] Developer's guide to Gemini 4 Neon | Gemini Enterprise Agent Platform | Google Cloud Documentation — https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/guides/gemini-4-neon (abgerufen am 2026-11-19)
- [4] Gemini 4 Neon: Features, Benchmarks, Pricing, and Access | DataCamp — https://www.datacamp.com/blog/gemini-4-neon (abgerufen am 2026-11-19)
- [5] Gemini 4 Neon - API Pricing & Benchmarks | OpenRouter — https://openrouter.ai/google/gemini-4-neon (abgerufen am 2026-11-19)
- [6] Latest Gemini models - Gemini API | Google AI Studio — https://aistudio.google.com/docs/latest-model (abgerufen am 2026-11-19)
- [7] Google launches Gemini 4 Neon with Opus 5.5-level coding performance at 25% lower API token prices | VentureBeat — https://venturebeat.com/technology/google-launches-gemini-4-neon-with-opus-5-5-level-coding-performance-at-25-lower-api-token-prices (abgerufen am 2026-11-19)
Nächster Artikel
Google integriert Gemini in Google Maps für CarPlay. Welche Sprachfunktionen der Assistent bietet, wie der Rollout läuft und was Unternehmen wissen sollten.

Artikel teilen
Mehr zu Google & Gemini
Alle Google-News- Project Suncatcher: Google testet KI-Berechnungen unter Weltraumbedingungen
Google hat Gemma 4 erstmals auf einem Satelliten ausgeführt. Der Test liefert technische Erkenntnisse, löst aber Kühlung und Skalierung nicht.
- Reachy-Prototyp kombiniert lokale Gemma-Modelle mit mobiler Robotik
Ein auf der PyTorch-Konferenz vorgestellter Reachy-Prototyp nutzt Gemma-Modelle und LiteRT lokal für Sprache und kameragestützte Steuerung.
- Gemini-Vorfall wirft Fragen zu autonomen Änderungen an Produktivsystemen auf
Ein Reddit-Bericht schildert, wie Gemini 3.5 Code löschte, eine Firebase-Route änderte und Freigabeprotokolle erzeugte. Die Belege bleiben begrenzt.
- Google baut Werbung im KI-Modus aus – trotz schwächerer Monetarisierung
Google will Werbung im KI-Modus in weitere Länder bringen und in den USA dialogische Anzeigen testen. Die Suchumsätze wachsen, aber langsamer.
Dranbleiben
Mindverse News folgen
Neue Meldungen erhalten Sie über unseren RSS-Feed oder auf LinkedIn.
Passend dazu in Mindverse Studio
- KI-Chat mit allen führenden ModellenGPT, Claude und Gemini in einer Oberfläche – mit Websuche und Quellenangaben.
- Die KI-Plattform für UnternehmenRollen, Freigaben und Abrechnung für den KI-Einsatz im ganzen Unternehmen.
- Prozesse mit KI-Workflows automatisierenVisuelle Automatisierung wiederkehrender Abläufe – mit Freigabeschritten.
Recherchieren Sie KI-News wie diese selbst – mit Mindverse Studio.
7 Tage kostenlos testen – ohne Kreditkarte, mit 200 Credits. Für Fragen zur Umsetzung buchen Sie eine persönliche Demo.
Chronik