Samme model, samme opgaver og tre gange så høj en score
Langt nede i Googles lanceringsindlæg for Gemini 4 Neon fra onsdag 18. november står et tal, der er mere interessant end selve modellen. På testen SWE-sweep løser Neon 12,8 procent af opgaverne, når den kører i en enkel standardopsætning. Sættes den samme model ind i Googles eget udviklingsværktøj Antigravity, stiger tallet til 39,0 procent.
Google bruger selv tallet til at vise, hvad Antigravity kan. Vi læser det lidt bredere. Det er et af de tydeligste eksempler på, at det, der omgiver en kodemodel, kan betyde lige så meget som modellen selv, og det kommer fra en af de virksomheder, der har mest interesse i at sælge modellen.

Neon lægger sig mellem Hydrogen og Carbon
Neon er Googles nye mellemmodel og placerer sig mellem den hurtige Hydrogen og den store Carbon. I Gemini-appen tager den pladsen fra Argon, skriver 9to5Google. Prisen i API’et er 3 dollar pr. million input-tokens og 15 dollar pr. million output-tokens, cachet input koster 0,15 dollar, og modellen kan arbejde med op til en million tokens ad gangen. Modellen kan bruges i Gemini API’et, i Gemini for business og for betalende Pro- og Ultra-abonnenter i både Antigravity og Gemini-appen.
Billig er den ikke i alle sammenligninger. VentureBeat regner ud, at Neon er 50 procent dyrere end Anthropics Claude Sonnet 5.5 og OpenAIs GPT-6.2 Sol, som begge koster 2 og 10 dollar. Den er til gengæld 25 procent billigere end Claude Opus 5.5 og langt fra de 8 og 40 dollar, OpenAI tager for GPT-6.2 Astra. Google lover desuden, at Neon har den laveste andel af opdigtede resultater af selskabets modeller i interne test, men det er Googles egen måling.
Microsoft sælger kodemodeller til en brøkdel af prisen
Dagen før havde Microsoft brugt sin Ignite-konference til at præsentere MAI Code 2 og den mindre MAI Code 2 Flash. Begge ligger allerede i GitHub Copilot. Den store model kan vælges i Pro, Pro+, Max, Business og Enterprise, mens Flash også er med i gratisudgaven og studieabonnementet.
Prisen er hele pointen. Ifølge TechTarget koster MAI Code 2 som standard 1 dollar pr. million input-tokens og 5 dollar for output, mod 2 og 10 dollar for OpenAIs GPT-6.1 og 4 og 20 dollar for Claude Opus 5.5. Microsoft lover 98 procent af kvaliteten fra GPT-6.1 Sol til 40 procent af prisen og 96 procent af Opus 5.5 til 5 procent af prisen. I fodnoten står, at regnestykket bygger på en kampagnepris, der er halveret.

Microsoft skriver selv, hvor modellen ikke rækker
Det ærligste i lanceringen står også hos Microsoft. Selskabet skriver, at modellerne endnu ikke er tunet til de sværeste problemer som grundforskning og meget lange opgaver, hvor en agent arbejder selvstændigt i lang tid. De er bygget til det daglige kodearbejde, der fylder mest i Copilot.
En detalje i fodnoterne er værd at bemærke. Tre af Microsofts fire målinger er kørt gennem GitHub Copilots kommandolinjeværktøj på Microsofts interne testplatform. Ligesom Googles flotteste SWE-sweep-tal er Microsofts tal altså målt i producentens egen opsætning. Har man et Business- eller Enterprise-abonnement, er det også værd at vide, at nye modeller ifølge GitHub bliver slået til automatisk, medmindre en administrator har slået den standard fra.
Prisen pr. token er kun den ene halvdel af regningen
En lav pris pr. token hjælper kun, hvis modellen ikke skal bruge flere tokens, flere forsøg eller mere menneskelig oprydning for at nå i mål. VentureBeat har regnet på, hvad det kræver for Googles nye model: Neon skal bruge omkring en tredjedel færre tokens end Sol eller Sonnet, før den højere pris er tjent hjem.
Analytikeren Mitch Ashley fra Futurum Group siger til TechTarget, at virksomhederne vil bedømme Microsofts modeller på kvaliteten og den samlede pris for det færdige arbejde, og at prisen pr. token “kun er én del af det tal”. Om Microsofts nye sikkerhedsmodel siger han, at billigere ikke er et bedre svar, hvis modellen overser et angreb.
Opsætningen er dér, kvaliteten bliver lavet
Det er den del af arbejdet, der kaldes harness engineering, og det er den, vi bruger mest tid på hos Snilld, når vi udvikler software med kodeagenter. Rammen bestemmer, hvilke filer agenten må røre, hvilke test der kører automatisk, hvad der tæller som en løst opgave, og hvornår et menneske skal se resultatet. En model, der klarer sig godt i én opsætning, kan klare sig meget dårligere i en anden, og Googles egne tal viser, hvor stor forskellen kan være.
Derfor giver det ikke mening at bytte model alene på baggrund af en pris og en procentsats fra en lanceringsside. Det gælder i begge retninger. Den dyre model er ikke automatisk bedre i jeres opsætning, og den billige kan vise sig at være det bedste køb, når den først er testet på jeres egne opgaver. Da OpenAI i tirsdags lancerede GPT-6.2, viste selskabets egne test, at en ny model kan opføre sig anderledes end forgængeren på punkter, man ikke ser i hovedtallet.

Sådan kan I afprøve en billigere model
Overvejer I at skifte til en af de nye modeller, er der nogle ting, der er værd at gøre først:
- Kør jeres egne typiske opgaver gennem den nye model i jeres egen opsætning, og sammenlign med den model, I bruger i dag.
- Mål prisen pr. færdig opgave, inklusive genforsøg og den tid, en udvikler bruger på at rette efter modellen.
- Lad testene og en gennemgang af ændringerne afgøre, om opgaven er løst, og ikke agentens egen opsummering.
- Tjek, hvilke modeller der er slået til i jeres Copilot-abonnement, og om nye modeller kommer automatisk med.
Bundlinjen
Google og Microsoft konkurrerer nu åbent på pris, og det er godt nyt for alle, der betaler for kodemodeller. Den mest brugbare oplysning i ugens lanceringer er alligevel Googles egen sammenligning, hvor samme model fik over tre gange så høj en score i en bedre opsætning. Når modellerne bliver billigere og mere ens, er det rammen om dem, der kommer til at skille de gode løsninger fra de dårlige.
Kilder
- Google: Introducing Gemini 4 Neon (18. november 2026)
- Google Antigravity: Gemini 4 Neon in Google Antigravity (18. november 2026)
- 9to5Google: Google launches Gemini 4 Neon with Carbon quality at Flash speeds, live for AI Pro (18. november 2026)
- VentureBeat: Google launches Gemini 4 Neon with Opus 5.5-level coding performance at 25% lower API token prices (18. november 2026)
- Microsoft AI: MAI Code 2 and Code 2 Flash: Everyday coding at scalable prices (17. november 2026)
- GitHub Changelog: MAI Code 2 and MAI Code 2 Flash in GitHub Copilot (17. november 2026)
- TechTarget: Microsoft unveils AI models to compete on cost and performance (17. november 2026)