TLDR
Gemini 4 e AlphaEvolve sono tecnologie distinte. Google ha confermato che Gemini 4 è in fase di pre-addestramento, ma non ha pubblicato la scheda del modello, i benchmark, i prezzi o i dettagli dell'API.
AlphaEvolve è già disponibile su Google Cloud. Utilizza i modelli Gemini per generare programmi candidati, li valuta tramite test automatizzati e ricerca iterativamente algoritmi migliori. Google non ha confermato che Gemini 4 alimenti AlphaEvolve o che AlphaEvolve abbia contribuito all’addestramento di Gemini 4.
Punti chiave
- AlphaEvolve trasforma la generazione di codice in un processo di ricerca ripetibile basato su esecuzione e feedback misurabile. Le sue applicazioni pubblicate includono infrastrutture Google, matematica, genomica, calcolo quantistico, logistica e machine learning.
- Gemini 4 potrebbe migliorare la generazione dei candidati se offrirà un migliore ragionamento sul codice e uso degli strumenti, ma questa connessione resta non confermata.
- AlphaEvolve necessita di un programma seme funzionante, di un valutatore affidabile e di un ambiente di esecuzione isolato.
- Si tratta di ottimizzazione algoritmica vincolata, non di auto-miglioramento ricorsivo autonomo.
Gemini 4 + AlphaEvolve: perché considerarli insieme?
Mettere Gemini 4 e AlphaEvolve nella stessa discussione può creare l’impressione che Google abbia già costruito un sistema capace di progettare il proprio successore. Le prove disponibili non supportano questa conclusione.
Google ha divulgato relativamente poco su Gemini 4. L’azienda ha confermato che il pre-addestramento è in corso e lo ha descritto come il suo run di pre-addestramento più ambizioso finora. Non ha rilasciato la documentazione tecnica necessaria per valutare il modello finito.
AlphaEvolve è più avanti. Google DeepMind ha presentato AlphaEvolve a maggio 2025 e Google Cloud lo ha reso generalmente disponibile a luglio 2026. Ora dispone di documentazione pubblica per sviluppatori, di un workflow API e di applicazioni documentate.
Gemini 4 + AlphaEvolve va dunque inteso come una possibile direzione tecnica piuttosto che come un pacchetto di prodotto confermato. Gemini 4 rappresenta lo sviluppo continuo delle capacità dei modelli generalisti. AlphaEvolve mostra come i programmi generati dai modelli possano essere testati all’interno di un processo misurabile di ricerca algoritmica.
Cosa rappresenta Gemini 4
Gemini è nato come famiglia di modelli multimodali per testo, immagini, audio, video e codice. Il suo ruolo si è poi esteso a ricerca, ambienti di coding, software di produttività, browser e servizi cloud.
La domanda rilevante per Gemini 4 non è più limitata alla qualità delle risposte. È se il modello può rimanere affidabile su attività di lunga durata, grandi basi di codice, chiamate agli strumenti e feedback ripetuto.
Google ha confermato il run di pre-addestramento di Gemini 4, ma non ha pubblicato il numero di parametri, la finestra di contesto, i benchmark, i prezzi o la specifica dell’API pubblica del modello. Le affermazioni su questi dettagli dovrebbero essere considerate non verificate finché Google non rilascerà la documentazione ufficiale.
Cos’è AlphaEvolve
Un normale assistente di programmazione produce codice per una richiesta. AlphaEvolve ricerca tra molte implementazioni funzionanti per trovarne una che performi meglio secondo criteri misurabili.
I modelli Gemini propongono programmi candidati. Un valutatore ne testa correttezza e prestazioni. Un sistema evolutivo determina quali candidati dovrebbero influenzare il round successivo.
Questo rende AlphaEvolve adatto alla scoperta di algoritmi, alla ricerca matematica e all’ottimizzazione combinatoria. Non è progettato per lo sviluppo applicativo di routine, il linting o la pulizia dello stile di codice.
Il terreno comune: l’IA entra nel ciclo chiuso Esplora-Verifica-Ottimizza
Un modello linguistico normalmente si ferma dopo aver prodotto una risposta. AlphaEvolve aggiunge feedback esterno compilando, eseguendo e valutando il programma generato.
Il processo ripete tre attività:
- Esplorare nuovi algoritmi e strutture di programma.
- Verificare i candidati tramite esecuzione e test oggettivi.
- Ottimizzare i candidati successivi usando risultati misurati.
Gemini fornisce ragionamento e generazione dei candidati. AlphaEvolve organizza queste capacità in un esperimento che può proseguire attraverso centinaia o migliaia di programmi.
Dal LLM allo scienziato IA: dove avviene esattamente lo spostamento?
AlphaEvolve non sceglie la propria agenda di ricerca né decide quali obiettivi perseguire. Lo spostamento risiede nella posizione del modello all’interno del processo di ricerca.
Invece di limitarsi a spiegare un problema o scrivere codice isolato, il modello partecipa nel proporre, testare e rivedere soluzioni. I ricercatori definiscono ancora il compito, costruiscono il valutatore, interpretano i risultati e decidono cosa entra in produzione o in una pubblicazione scientifica.
In matematica, l’evidenza computazionale non sostituisce la dimostrazione. Nella progettazione di chip, un circuito insolito deve comunque superare la verifica formale. Nel software di produzione, un’implementazione più veloce necessita comunque di revisione di sicurezza e manutenibilità.
Il passaggio da LLM a scienziato IA non è dunque un trasferimento dell’autorità scientifica. È il movimento dei modelli all’interno del loop sperimentale.
Cosa sappiamo e non sappiamo attualmente su Gemini 4
C’è un segnale recente da osservare. Il 17 settembre 2026, un utente Gemini ha pubblicato un confronto side-by-side su Arena suggerendo che le richieste etichettate Gemini 3.8 Flash venissero instradate a un nuovo modello Gemini Pro, descritto nel post come Gemini 4 Pro.
Fonte: @TimJayas su X
Per AlphaEvolve, la connessione potenziale è diretta. Migliore ragionamento sul codice, pianificazione e uso degli strumenti potrebbero migliorare la qualità dei programmi candidati. Google non ha confermato che l’attuale servizio AlphaEvolve utilizzi Gemini 4.
Sappiamo con certezza
Google ha confermato l’avvio del pre-addestramento di Gemini 4. I dettagli su checkpoint Pro e instradamento su Arena provengono da segnalazioni della community, non da documentazione ufficiale del modello.
| Test | Risultato segnalato | Stato |
|---|---|---|
| Argon 160 | Associato presumibilmente a Gemini 3.8 Flash su Arena | Mappatura non verificata |
| Argon checkpoint | Ha mostrato un limite di output di 256k e modalità di ragionamento elevata | Screenshot non ufficiale |
| SVG generation | Ha generato un SVG dettagliato di un pavone in circa 2,4 minuti | Output osservato; modello non verificato |
| Arena routing | Gemini 3.8 Flash presumibilmente instradato a un nuovo checkpoint Gemini Pro | Riportato dalla community |
| Public benchmarks | Non sono disponibili punteggi riproducibili di Gemini 4 | Non pubblicato |
Cosa resta da sapere
Diversi dettagli restano non documentati o non confermati. Le ottimizzazioni di addestramento pubblicate di AlphaEvolve dovrebbero inoltre essere distinte dalle affermazioni sul suo coinvolgimento in Gemini 4.
| Domanda | Stato al 17 set 2026 |
|---|---|
| Il pre-addestramento di Gemini 4 è iniziato? | Confermato da Google |
| Gemini 4 pubblicato? | Non documentato ufficialmente |
| Scheda del modello di Gemini 4? | Non pubblicata |
| Specifiche API di Gemini 4? | Non pubblicate |
| Prezzi di Gemini 4? | Not pubblicati |
| Gemini 4 alimenta AlphaEvolve? | Non confermato |
| AlphaEvolve ha contribuito a Gemini 4? | Non confermato |
| AlphaEvolve ha migliorato l’addestramento dell’IA? | Confermato |
L’annuncio di AlphaEvolve di DeepMind documenta miglioramenti alle computazioni utilizzate nell’addestramento di Gemini. Ciò supporta un’affermazione più ristretta e consolidata sull’efficienza di addestramento, non una connessione confermata a Gemini 4.
Come funziona AlphaEvolve: evoluzione degli algoritmi e principi
AlphaEvolve combina generazione di programmi con ricerca evolutiva e valutazione automatizzata. Un programma funzionante entra nel sistema, Gemini propone modifiche e un valutatore misura ogni candidato. I programmi che performano meglio diventano materiale per i round successivi.
Ricerca evolutiva
AlphaEvolve mantiene un database di programmi candidati e dei loro punteggi. I programmi selezionati vengono inclusi nei prompt successivi in modo che Gemini possa modificarli o combinarli. Nuovi candidati entrano nel database quando aggiungono prestazioni o utile diversità.
Il sistema non preserva un solo vincitore. Mantenere diverse famiglie di programmi riduce il rischio di convergere troppo presto su un ottimo locale. Può anche bilanciare diverse metriche, tra cui velocità, uso di memoria, accuratezza e stabilità.
Programmi seme
Un programma seme è la baseline funzionante fornita ad AlphaEvolve. Necessita di input e output chiari, esecuzione ripetibile, test superati e un punteggio misurabile.
Gli sviluppatori specificano anche quale codice AlphaEvolve può modificare affinché interfacce, controlli di sicurezza e comportamenti fissi restino protetti.
Secondo la panoramica per sviluppatori di AlphaEvolve, il codice di partenza dovrebbe già essere funzionalmente corretto. AlphaEvolve non è pensato per trasformare una richiesta in linguaggio naturale incompleta in un’intera applicazione.
Valutatore
Il valutatore compila, esegue, testa e assegna un punteggio a ogni candidato. A seconda del compito, può misurare correttezza, latenza, uso di memoria, errore numerico, qualità della soluzione o vincoli di business.
Il suo design determina ciò che la ricerca ottimizza realmente. Un valutatore solo sulla velocità può premiare codice inaccurato, mentre una suite di test incompleta può esporre scappatoie. I progetti affidabili usano dunque diversi test e metriche invece di un benchmark conveniente.
Generazione di programmi candidati
I modelli Gemini generano candidati a partire dal codice seme, dalla descrizione del problema, dai vincoli, dai programmi precedenti, dai punteggi e dai report di errore. Le modifiche possono essere locali o estendersi a più componenti connesse.
La descrizione originale di AlphaEvolve di Google utilizzava modelli Gemini più veloci per ampliare l’esplorazione e modelli più capaci per proporre revisioni più profonde. Google non ha confermato quali versioni esatte di Gemini alimentino il servizio attuale.
Esecuzione e filtraggio
I candidati passano prima attraverso analisi sintattica, compilazione e controlli di correttezza. I programmi validi procedono alla valutazione delle prestazioni. I risultati con punteggio elevato possono alimentare i round successivi, mentre i fallimenti forniscono segnali su approcci da evitare.
Google Cloud consente al valutatore di essere eseguito nell’ambiente del cliente. Ciò supporta codice proprietario, dati privati, hardware specializzato e sistemi di calcolo ad alte prestazioni.
Un programma con punteggio elevato dovrebbe comunque sottoporsi a revisione del codice, test di sicurezza, distribuzione graduale e pianificazione del rollback.
AlphaEvolve vs generazione di codice ordinaria
La generazione di codice ordinaria aiuta a completare attività di sviluppo. AlphaEvolve cerca un’implementazione migliore tra molte possibilità valide.
Un assistente di programmazione può partire da una richiesta scritta e produrre alcuni output per revisione umana. AlphaEvolve di solito parte da codice funzionante e si affida a un valutatore per processare molti candidati.
I due approcci possono essere combinati. Un assistente di programmazione può aiutare a costruire la baseline, mentre AlphaEvolve ottimizza componenti selezionate dopo che test e benchmark sono in atto.
Quali risultati pubblici ha già fornito AlphaEvolve?
Gli esempi pubblicati da Google coprono infrastrutture, scienza e deployment commerciali. Le cifre qui sotto provengono principalmente da Google DeepMind, Google Cloud e organizzazioni partecipanti.
Ogni progetto ha utilizzato hardware, dataset, baseline e budget di ricerca differenti. Le percentuali non dovrebbero essere trattate come punteggi di benchmark direttamente comparabili.
Infrastrutture di calcolo Google
AlphaEvolve ha scoperto un’euristica di scheduling per Borg che, secondo Google, recupera in media circa lo 0,7% delle sue risorse di calcolo a livello mondiale.
Ha anche accelerato del 23% un kernel di moltiplicazione di matrici usato in Gemini, riducendo il tempo complessivo di addestramento di circa l’1%. Altri risultati riportati includono:
- Fino al 32,5% di speedup per un’implementazione di FlashAttention
- Un circuito incorporato in un design TPU successivo
- Una riduzione del 20% dell’amplificazione di scrittura in Google Spanner
- Idee per il compilatore che hanno ridotto l’impronta di archiviazione del software di quasi il 9%
Questi esempi mostrano AlphaEvolve andare oltre il codice applicativo verso scheduling, storage, compilatori, kernel GPU e progettazione di chip.
Matematica e ricerca scientifica
Per 4 × 4 matrici complesse, AlphaEvolve ha trovato un algoritmo che utilizza 48 moltiplicazioni scalari.
Attraverso esperimenti che coprono più di 50 problemi matematici, Google ha riportato che AlphaEvolve ha riscoperto risultati allo stato dell’arte in circa il 75% dei casi e migliorato il miglior risultato noto in circa il 20%.
Il rapporto di impatto 2026 su AlphaEvolve di Google descrive inoltre:
- Una riduzione del 30% degli errori di rilevamento di varianti per DeepConsensus
- Un aumento delle soluzioni fattibili per un modello di AC Optimal Power Flow dal 14% a oltre l’88%
- Un miglioramento del 5% nell’accuratezza aggregata della previsione di disastri naturali
- Circuiti quantistici con errori dieci volte inferiori rispetto a baseline ottimizzate convenzionalmente
AlphaEvolve ha inoltre contribuito con risultati computazionali per problemi di Erdős, il Problema del commesso viaggiatore, numeri di Ramsey e il problema del numero di baci in 11 dimensioni.
Questi risultati possono supportare la ricerca scientifica, ma le scoperte computazionali richiedono comunque revisione di dominio e, ove applicabile, dimostrazione matematica.
Applicazioni enterprise
I deployment commerciali applicano lo stesso metodo a sistemi maturi:
- Klarna ha riportato un raddoppio della throughput di addestramento migliorando la qualità del modello dopo aver esplorato quasi 6.000 programmi candidati.
- FM Logistic ha migliorato il routing di magazzino del 10,4%, riducendo il tragitto annuale del personale di oltre 15.000 chilometri.
- JetBrains ha riportato guadagni di circa il 15%–20% per algoritmi selezionati nelle IDE.
- Kinaxis ha migliorato metriche chiave di previsione di oltre il 22% riducendo il runtime del benchmark di oltre il 90%.
- Schrödinger ha ottenuto un’accelerazione di circa quattro volte nell’addestramento e inferenza di force-field appresi.
- WPP ha riportato guadagni di accuratezza intorno al 5%–10% su casi d’uso pubblicitari.
AlphaEvolve non ha costruito questi sistemi da zero. Ogni organizzazione ha fornito software funzionante, competenza di dominio e un processo di valutazione misurabile.
Come Gemini 4 e AlphaEvolve potrebbero lavorare insieme
Google non ha confermato che Gemini 4 alimenti AlphaEvolve o che AlphaEvolve abbia contribuito direttamente a Gemini 4. Il workflow sotto è una proiezione basata sul design pubblicato di AlphaEvolve, non un’integrazione annunciata da Google.
Passo 1: Gemini comprende il problema e genera soluzioni candidate
Gemini può analizzare codice seme, vincoli del compito, risultati dei test e candidati precedenti prima di proporre modifiche ad algoritmi, strutture dati, accesso alla memoria o componenti di modello.
Se Gemini 4 migliora la comprensione di grandi basi di codice e l’uso prolungato degli strumenti, potrebbe innalzare la qualità dei candidati di AlphaEvolve. Le modifiche proposte richiederebbero comunque test esterni.
Passo 2: AlphaEvolve gestisce esplorazione e iterazione
AlphaEvolve gestisce quali programmi storici influenzano i nuovi candidati e quanta diversità resta nella ricerca. Bilancia l’esplorazione continua con lavoro più approfondito su rami promettenti.
Un ragionamento migliore del modello può migliorare singole proposte, ma il processo evolutivo resta necessario perché codice plausibile non è sempre più veloce o corretto.
Passo 3: Valutatori automatizzati filtrano le soluzioni efficaci
Il valutatore fornisce evidenza dall’esecuzione reale. Per compiti di sviluppo di modelli, può misurare:
- Throughput di addestramento
- Latenza di inferenza
- Uso di memoria
- Qualità del modello
- Stabilità
- Utilizzo dell’hardware
- Riproducibilità
Compiti costosi possono utilizzare diverse fasi di valutazione. Test economici rimuovono prima i candidati invalidi, mentre i candidati più forti avanzano a run più lunghi o suite di benchmark più ampie.
Passo 4: Le soluzioni di successo ritornano al modello per ulteriore ottimizzazione
I programmi ad alte prestazioni ritornano nei prompt successivi insieme ai loro punteggi e alla storia delle mutazioni.
Il loop diventa:
Generate → Execute → Evaluate → Select → Generate Again
Si tratta di ottimizzazione continua entro confini definiti dall’uomo. Resta una domanda aperta se Google lo utilizzerà per progettare architetture di Gemini, metodi di addestramento o pipeline di dati.
Scenari applicabili e limitazioni di AlphaEvolve
AlphaEvolve funziona al meglio quando il compito può essere espresso in codice, i candidati possono essere eseguiti automaticamente e i risultati possono essere misurati in modo affidabile.
Attività adatte
Buoni candidati includono:
- Kernel GPU e algoritmi numerici
- Strategie di compilatore e politiche di cache
- Scheduling di cluster e euristiche di database
- Logistica e pianificazione dei percorsi
- Progettazione di chip e ottimizzazione di reti elettriche
- Ricerca matematica
- Componenti selezionati di machine learning
Un progetto adatto di solito dispone di una baseline funzionante, un valutatore affidabile, obiettivi quantificabili, un ampio spazio di ricerca, un ambiente di esecuzione isolato e sufficiente calcolo per testare molti candidati.
Attività non adatte
AlphaEvolve si adatta poco a progetti che hanno solo una richiesta verbale e nessun programma funzionante.
Formattazione di routine, documentazione, refactoring ordinario e decisioni di design soggettive offrono poco valore per la ricerca evolutiva.
Solver esatti esistenti possono restare migliori per l’ottimizzazione lineare o convessa standard. I progetti che non possono eseguire codice generato in sicurezza non dovrebbero usare un loop automatizzato di candidati senza prima costruire un ambiente ristretto.
Limitazioni e colli di bottiglia attesi
Il costo di valutazione è il primo vincolo. Un piccolo algoritmo può richiedere secondi per il test, mentre l’addestramento di un modello o una simulazione scientifica possono richiedere ore. Ricerche ampie possono diventare più costose dell’ottimizzazione manuale.
La progettazione dell’obiettivo è un’altra limitazione. Il sistema perseguirà ciò che il valutatore misura, incluse scappatoie accidentali. Rumore dell’hardware, semi casuali e caching possono anche rendere poco affidabili guadagni di piccola entità.
Manutenibilità e sicurezza restano responsabilità umane. Codice scoperto automaticamente può essere difficile da comprendere o legato a una sola piattaforma hardware. I programmi candidati dovrebbero essere eseguiti con accesso ristretto a rete, storage, tempo e calcolo.
Cosa significano Gemini 4 e AlphaEvolve per gli sviluppatori ordinari?
La maggior parte degli sviluppatori non userà AlphaEvolve per ogni funzionalità. Siti web, applicazioni mobili, API e strumenti interni restano più adatti ad assistenti di programmazione regolari e workflow di test consolidati.
L’impatto immediato sarà maggiore nell’ingegneria delle prestazioni, nella progettazione di algoritmi e nel machine learning. Gli sviluppatori potrebbero passare meno tempo a testare manualmente un’ottimizzazione alla volta e più tempo a costruire ambienti in grado di valutare molte alternative.
Competenze rilevanti includono:
- Scrivere benchmark riproducibili
- Progettare valutatori per correttezza e prestazioni
- Definire confini di codice sicuri
- Tracciare storie di esperimenti
- Revisionare il codice generato per sicurezza e manutenibilità
- Pianificare distribuzione graduale e rollback
La conoscenza della programmazione resta necessaria. Gli ingegneri devono ancora rilevare sfruttamento dei benchmark, comportamenti indefiniti, instabilità numeriche e assunzioni specifiche dell’hardware.
A cosa dovrebbero prestare attenzione i lettori di CometAPI
Per gli utenti di CometAPI, l’accesso al modello è solo uno strato di un sistema in stile AlphaEvolve. Il resto dello stack include esecuzione del codice, valutazione, tracciamento degli esperimenti, controlli di sicurezza e gestione dei costi.
I team dovrebbero registrare:
- La versione esatta del modello e le impostazioni di generazione
- Prompt e programmi candidati
- Versioni del valutatore e dei dati di test
- Ambienti di esecuzione
- Punteggi e motivi di fallimento
- Costi del modello e del calcolo
Il codice generato dovrebbe essere eseguito in container isolati senza credenziali di produzione. Accesso alla rete, accesso ai file, tempo di esecuzione e uso del calcolo dovrebbero essere ristretti.
Quando Gemini 4 riceverà un’API pubblica, gli sviluppatori dovrebbero verificare il suo ID modello ufficiale, i prezzi, i limiti e la disponibilità su CometAPI. Il codice di produzione non dovrebbe fare affidamento su nomi o specifiche prese da segnalazioni non confermate.
Metriche di osservazione future per Gemini 4 e AlphaEvolve
Diverse divulgazioni chiarirebbero se Gemini 4 e AlphaEvolve stanno diventando un workflow combinato reale:
- Una scheda del modello ufficiale di Gemini 4 e specifica dell’API
- Conferma di quali modelli Gemini alimentano AlphaEvolve
- Evidenza che AlphaEvolve ha contribuito a un componente di Gemini rilasciato
- Dettagli pubblici su conteggi dei candidati, budget di ricerca e run falliti
- Riproduzione indipendente al di fuori di Google e dei suoi partner
- Confronti di costo che coprano chiamate al modello, esecuzione, revisione e manutenzione
L’evidenza più chiara sarebbe un miglioramento documentato proposto da un modello Gemini, validato tramite AlphaEvolve e incorporato in un rilascio successivo di Gemini.
Fino ad allora, l’auto-miglioramento è più accuratamente descritto come automazione ingegneristica vincolata.
FAQ
Gemini 4 è stato rilasciato?
Non ufficialmente. Al 17 settembre 2026, Gemini 4.0 sembra essere apparso silenziosamente su Arena. Una segnalazione della community suggerisce che le richieste etichettate Gemini 3.8 Flash possano essere instradate a un nuovo modello Gemini Pro all’interno di Arena.
Dovrebbe essere considerato come un possibile test di pre-release piuttosto che un lancio ufficiale di Gemini 4.
Cos’è AlphaEvolve?
AlphaEvolve è un agente di scoperta di algoritmi e ottimizzazione del codice sviluppato da Google DeepMind. I modelli Gemini generano programmi candidati, i valutatori li eseguono e assegnano punteggi, e la ricerca evolutiva utilizza i risultati per guidare i candidati successivi.
AlphaEvolve è generalmente disponibile?
Google Cloud ha annunciato la disponibilità generale a luglio 2026. Condizioni di accesso, regioni, quote e prezzi vanno verificati nella documentazione attuale di Google Cloud.
AlphaEvolve utilizza Gemini 4?
Google non ha confermato pubblicamente che AlphaEvolve utilizzi Gemini 4. Il sistema originale usava modelli della famiglia Gemini, ma ciò non identifica i modelli dietro il servizio attuale.
In cosa AlphaEvolve è diverso da un assistente di programmazione?
Un assistente di programmazione genera o modifica codice in risposta a una richiesta. AlphaEvolve parte da un programma funzionante ed esegue esperimenti ripetuti per trovare implementazioni con prestazioni misurabili migliori.
Quali tipi di codice può ottimizzare AlphaEvolve?
Le applicazioni pubblicate includono kernel GPU, algoritmi CPU, strategie di compilatore, politiche di cache, sistemi di scheduling, euristiche di database, algoritmi di routing, componenti di modello, metodi numerici e circuiti hardware.
Gli sviluppatori ordinari possono usare AlphaEvolve?
Gli sviluppatori possono esplorare l’accesso tramite Google Cloud, soggetto ai requisiti di account e disponibilità correnti. Il sistema è più utile per progetti con una baseline funzionante, un valutatore affidabile e sufficiente calcolo per test ripetuti.
Gemini 4 può essere accessibile tramite CometAPI?
Ciò dovrebbe essere verificato dopo che Gemini 4 riceverà un rilascio API ufficiale e apparirà nella documentazione dei modelli supportati da CometAPI. Gli sviluppatori non dovrebbero assumere un ID modello, prezzo o data di rilascio basandosi su report di terze parti.