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

Google Gemini 4 Neon: Modelos de lenguaje grandes con IA

Usa Google Gemini 4 Neon por API: razonamiento de alta frecuencia para programación, análisis e investigación con contexto de 1M. Pruébalo gratis: paga por generación, sin suscripción.

Controles interactivos del modelo

Usa Google Gemini 4 Neon por API: razonamiento de alta frecuencia para programación, análisis e investigación con contexto de 1M. Pruébalo gratis: paga por generación, sin suscripción.

📝

Descripción general

Acerca de este modelo

Gemini 4 Neon es el modelo de alta frecuencia de Google de la serie Gemini 4 para tareas complejas, como programación, análisis e investigación, y se sitúa entre Gemini 4 Hydrogen y Gemini 4 Carbon. Admite una ventana de contexto de 1M de tokens (compartida entre la entrada, el razonamiento y la salida) y cuatro niveles de razonamiento (low, medium, high, xhigh; predeterminado: high). Acepta texto y, de forma opcional, una imagen y un prompt de sistema.

1Programación compleja: escribe, revisa y refactoriza código con un razonamiento profundo.
2Análisis e investigación: analiza informes y documentos extensos con la ventana de contexto de 1M de tokens.
3Razonamiento para agentes: úsalo como modelo planificador en agentes de varios pasos y [flujos de trabajo](/workflows).
4Preguntas y respuestas visuales: pasa image_url para hacer preguntas sobre capturas de pantalla, diagramas o documentos escaneados.
💰

Precios y tarifas

Análisis de costes

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

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

Fal.aiNo disponible

No dedicated Gemini 4 Neon endpoint at this time.

ReplicateNo disponible

No dedicated Gemini 4 Neon endpoint at this time.

** Los precios de competidores son estimaciones basadas en arquitecturas de modelos y niveles de uso similares.

⚙️

Especificaciones técnicas

Esquema de configuración

Promptstring

.

Valor por defectoAudit this function for memory-safety and injection vulnerabilities, then propose a patch.
URL de imagenstring

entradaimagen URL.

Valor por defectoundefined
Prompt del sistemastring

, .

Valor por defectoYou are a helpful assistant that responds concisely.
Reasoning EffortOpciones permitidas (4)

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

Valor por defectohigh
📖

Guía de integración

Documentación para desarrolladores

Cómo usar Gemini 4 Neon

  1. Escribe tu prompt: Describe la tarea en prompt. Puedes añadir system_prompt para definir el rol, el tono o el formato de salida.

  2. Elige el nivel de razonamiento: Configura reasoning_effort como low, medium, high (predeterminado) o xhigh. Un nivel más alto permite razonar durante más tiempo y consume más tokens de salida.

  3. Añade una imagen (opcional): Proporciona image_url para incluir una imagen en la solicitud.

  4. Envía la solicitud y obtén el resultado: POST devuelve un request_id; consulta /api/v1/predictions/{request_id}/result o proporciona una URL de webhook.

Ejemplo de cURL

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"
  }'
❓

Preguntas frecuentes

Preguntas frecuentes

¿Qué es Gemini 4 Neon?

Gemini 4 Neon es el modelo de Google de la serie Gemini 4 para tareas complejas de alta frecuencia (programación, análisis e investigación), situado entre Hydrogen y Carbon.

¿Qué precio tiene Gemini 4 Neon?

El precio se calcula por token: $4.00 por millón de tokens de entrada y $20.00 por millón de tokens de salida, con un cargo mínimo de $0.0004 por llamada. Los tokens de razonamiento cuentan como tokens de salida.

¿Gemini 4 Neon acepta imágenes?

Sí. Pasa image_url junto con tu prompt para hacer preguntas sobre una captura de pantalla, un diagrama o un documento fotografiado.

¿Qué hace reasoning_effort?

Define cuánto razona el modelo antes de responder: low, medium, high (predeterminado) o xhigh. Un nivel más alto permite profundizar en problemas difíciles, pero tarda más y consume más tokens de salida.

¿Cuál es el tamaño de la ventana de contexto?

Hasta 1M de tokens, con la entrada y la salida compartiendo la ventana.

¿Cómo obtengo el resultado?

El endpoint es asíncrono: recibes un request_id de inmediato y luego consultas el endpoint de resultados de predictions o proporcionas una URL de webhook para recibir una notificación cuando el texto esté listo.