🔥 Black Friday AI API deals are live· New drops every MondayEnds in--d --:--:--See deals →

Google Gemini 4 Neon: AI Large Language Models

Nutzen Sie Google Gemini 4 Neon per API: Reasoning mit hohem Anfragevolumen für Programmierung, Analyse und Recherche mit 1M Kontext. Kostenlos testen – pro Generierung zahlen, ohne Abonnement.

Interaktive Steuerung laden

Nutzen Sie Google Gemini 4 Neon per API: Reasoning mit hohem Anfragevolumen für Programmierung, Analyse und Recherche mit 1M Kontext. Kostenlos testen – pro Generierung zahlen, ohne Abonnement.

📝

Übersicht

Über dieses Modell

Gemini 4 Neon ist Googles Gemini-4-Modell mit hohem Anfragevolumen für anspruchsvolle Aufgaben wie Programmierung, Analyse und Recherche. Es liegt zwischen Gemini 4 Hydrogen und Gemini 4 Carbon. Es unterstützt ein Kontextfenster mit 1M Token, das Eingabe, Denken und Ausgabe gemeinsam nutzen, sowie vier Denkstufen (low, medium, high, xhigh; Standard: high). Als Eingabe akzeptiert es Text und optional ein Bild sowie einen System-Prompt.

1Komplexe Programmieraufgaben: Schreiben, überprüfen und refaktorieren Sie Code mit gründlichem Reasoning.
2Analyse und Recherche: Arbeiten Sie umfangreiche Berichte und Dokumente mit dem Kontextfenster von 1M Token durch.
3Reasoning für Agenten: Nutzen Sie das Modell als Planer in mehrstufigen Agenten und [Workflows](/workflows).
4Fragen und Antworten zu visuellen Inhalten: Übergeben Sie eine image_url, um Fragen zu Screenshots, Diagrammen oder gescannten Dokumenten zu stellen.
💰

Preise und Wert

Kostenanalyse

muapiapp$4.00/M input, $20.00/M output

Token-based billing at Google's official rates. Minimum $0.0004 per call.

Fal.aiNicht verfügbar

No dedicated Gemini 4 Neon endpoint at this time.

ReplicateNicht verfügbar

No dedicated Gemini 4 Neon endpoint at this time.

** Die Preise der Mitbewerber werden auf der Grundlage ähnlicher Modellarchitekturen und Nutzungsstufen geschätzt.

⚙️

Technische Details

Konfigurationsschema

Aufforderungstring

.

StandardwertAudit this function for memory-safety and injection vulnerabilities, then propose a patch.
Bild-URLstring

EintragBildURL.

Standardwertundefined
Systemaufforderungstring

, .

StandardwertYou are a helpful assistant that responds concisely.
ArgumentationsaufwandEnum (4 Optionen)

How much reasoning the model applies before answering. Higher effort is slower and uses more output tokens.

Standardwerthigh
📖

Implementierungsleitfaden

Entwicklerdokumentation

Gemini 4 Neon verwenden

  1. Prompt formulieren: Hinterlegen Sie die Aufgabe in prompt. Ergänzen Sie optional system_prompt , um Rolle, Ton oder Ausgabeformat festzulegen.

  2. Reasoning-Aufwand wählen: Setzen Sie reasoning_effort auf low, medium, high (Standard) oder xhigh. Bei höherem Aufwand denkt das Modell länger nach und es fallen mehr Ausgabetoken an.

  3. Bild hinzufügen (optional): Geben Sie image_url auf include an image in the request.

  4. Anfrage senden und Ergebnis abrufen: POST gibt eine request_id zurück. Fragen Sie /api/v1/predictions/{request_id}/result ab oder übergeben Sie eine webhook-URL.

cURL-Beispiel

curl -X POST "https://api.muapi.ai/api/v1/gemini-4-neon" \
  -H "x-api-key: $MUAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "Refactor this function to remove the nested loops and explain the change.",
    "system_prompt": "You are a senior software engineer. Be concise.",
    "reasoning_effort": "high"
  }'
❓

Häufige Fragen

Häufig gefragt

Was ist Gemini 4 Neon?

Gemini 4 Neon ist Googles Gemini-4-Modell für anspruchsvolle Aufgaben mit hohem Anfragevolumen (Programmierung, Analyse, Recherche), angesiedelt zwischen Hydrogen und Carbon.

Wie wird Gemini 4 Neon abgerechnet?

Die Abrechnung erfolgt pro Token mit $4.00 pro Million Eingabetoken und $20.00 pro Million Ausgabetoken, bei einer Mindestgebühr von $0.0004 pro Aufruf. Reasoning-Token zählen als Ausgabetoken.

Akzeptiert Gemini 4 Neon Bilder?

Ja. Übergeben Sie zusammen mit Ihrem Prompt eine image_url, um Fragen zu einem Screenshot, Diagramm oder fotografierten Dokument zu stellen.

Was bewirkt reasoning_effort?

Damit legen Sie fest, wie intensiv das Modell vor der Antwort nachdenkt: low, medium, high (Standard) oder xhigh. Ein höherer Wert ermöglicht mehr Tiefe bei schwierigen Aufgaben, dauert aber länger und verbraucht mehr Ausgabetoken.

Wie groß ist das Kontextfenster?

Bis zu 1M Token, wobei Eingabe und Ausgabe dasselbe Fenster nutzen.

Wie erhalte ich das Ergebnis?

Der Endpunkt ist asynchron: Sie erhalten sofort eine request_id und fragen dann den Predictions-Ergebnis-Endpunkt ab oder geben eine Webhook-URL an, um benachrichtigt zu werden, sobald der Text bereitsteht.