
编译 | 杨京丽
编辑 | 李水青
智东西 11 月 19 日消息,刚刚,谷歌发布 Gemini 4 系列新模型Gemini 4 Neon,面向复杂软件工程、知识工作和科学研究,主打在前沿智能水平下,更快、更经济地完成多步骤任务。这是谷歌7 周内发布的第四款Gemini 4 系列模型。

谷歌最近高频发布新模型离不开 RSI 进展,就在 11 月 13 日,谷歌云 AI、谷歌 DeepMind 与美国宾夕法尼亚州立大学的研究团队联合发布论文《自我改进记忆实现持续递归自我改进》(Self-Improvement Memory Enables Continual Recursive Self-Improvement),提出了一种名为自我改进记忆(Self-Improvement Memory,SIM)的新方法。
此外,谷歌此前 10 月 28 日发布的世界模型 Genie 4,今天也已在 Project Genie 中开放。用户可以在体验过程中通过文字提示修改环境,模型支持实时原生音频和对话。
在 Artificial Analysis Intelligence Index 中,Gemini 4 Neon 在 xhigh 推理档位下取得 61 分,整体排名第三,超过 Gemini 4 Carbon(high)、Claude Opus 5.5(max)和 GPT-6.2 Sol(max)等模型,仅落后于 Claude Fable 5.2(max)和 GPT-6.2 Astra(max)。在覆盖企业知识工作的 Vals Index 中,Neon 以 70.9% 的得分排名第二,位列帕累托前沿。

除了提升原始能力,谷歌也提升了模型的使用体验。在新推出的 Agent Arena Index 中,目前 Neon 的整体排名位列第三,仅次于 Claude Fable 5.2(max)和 Claude Opus 5.5(max),可引导性位列第二,仅次于 Claude Fable 5.2(max)能够在任务进行中根据用户的纠正调整行动。在谷歌 Antigravity 内部测试中,Neon 的编造率也降至 Gemini 模型迄今最低。

价格方面,Neon 每百万输入 Token 为3 美元(约合人民币 20 元),每百万输出 Token 为15 美元(约合人民币 100 元)。缓存输入价格优惠 95%,每百万 Token 为 0.15 美元(约合人民币 1 元),支持100 万 Token 上下文窗口。
Neon 现已在 Google AI Studio 的 Gemini API、Gemini for business 中开放。付费 Google AI Pro 和 Ultra 订阅用户可在 Google Antigravity 中使用,Pro 和 Ultra 订阅用户也可在 Gemini 应用中选择该模型。
谷歌称,在 Gemini 4 系列中,Carbon 可负责最困难、耗时最长的项目,Hydrogen 负责快速完成日常任务,Neon 则兼顾推理深度和执行效率,面向复杂且使用频率较高的开发、分析和企业工作流。

一位开发者用相同提示词对比了 Gemini 4 Neon 和 Claude Opus 5.5 的生成效果。Neon 耗时 20 分钟,成本约 3.5 美元,Opus 耗时 18 分钟,成本约 7.2 美元。他认为,Neon 生成的画面细节丰富,是 Gemini 4 系列在这项测试中表现最好的一次,但Opus 的整体效果仍明显更好,谷歌正在快速追赶。

另一位开发者用 Gemini 4 Neon 生成了两款射击游戏。其中,3D 竞技场游戏中的敌人波次、生命值、弹药、换弹、游戏结束和重新开始等功能均能正常运行。他说,Neon在首次构建中因服务器错误中断,第二轮完成了开发。另外一款霓虹峡谷风格的轨道射击游戏节奏快,每次命中都有清晰反馈。

一、综合处理 100 万 Token 上下文,客户称速度达 Carbon 三倍
企业工作中的信息分散在电子表格、PDF、图表、音频和视频中。Neon 可以在 100 万 Token 上下文窗口内综合处理这些资料,生成结构化成果。
Neon 在 Vals Index 榜单中排名第二,并在法律研究测试和税务 Agent 测试中排名第一。
在 Surge AI 的评测中,Neon 在金融、会计、电子表格建模和复杂约束遵循等领域的大多数测试中排名第一。在考察专业图表理解能力的 Chartography 中,Neon 得分 73.5%;在 Agents ’ Last Exam v1.1 中得分 75.8%,与领先模型处于相近水平。
在 Zapier 用于衡量企业自动化任务执行能力的 AutomationBench 中,Neon 以 56.3% 的成绩排名第一。在 Andon Labs 模拟长期经营企业的 Vending-Bench 2 中,Neon 以最终账户余额 16843 美元(约合人民币 11.3 万元)排名第一。
Arena 新推出的 Agent Arena Index 覆盖超过 4200 次真实 Agent 会话,Neon 首次上榜即以 1333 分排名全球第三,仅次于 Claude Fable 5.2 和 Claude Opus 5.5。
科学和数学推理方面,Neon 在 Terminal-Bench Science、RiemannBench 和 HLE-Diamond 中分别取得 70.5%、84.0% 和 71.3% 的成绩。谷歌称,这三项成绩均处于同类模型领先水平。

二、长时间运行 Agent 工作流,指挥多个子 Agent 并行工作
Neon 专为长时间运行的 Agent 工作流设计,可以独立完成复杂、工具调用密集的任务,也可以在 Google Antigravity 中担任协调者,指挥多个 Hydrogen 子 Agent 并行工作。
谷歌称,Neon 减少了重复读取文件的行为,会在执行过程中汇报进度,并能在长会话中可靠地处理上下文压缩。
在 Artificial Analysis Coding Agent Index 中,Neon 以 58.6 分排名第一。它在 Terminal-Bench 4.1 中得分 65.2%,在默认 high 推理档位下,FrontierCode 2.0 得分 46.2%。
面对实际代码库,Neon 可以进行跨文件调试和重构,并针对问题做局部修改。在 SWE-sweep 测试中,Neon 使用 mini-SWE 运行框架时得分 12.8%,在 Google Antigravity 运行环境中则达到 39.0%,超过前者的 3 倍。
此次发布,谷歌也展示了几项官方案例。
Gemini 4 Neon 能够生成具有照片级真实感的 3D 实验台。Neon 通过 Blender MCP 调用 Blender,利用 /swarm 协调多个 Agent,用实验装置呈现 Gemini 4 系列模型对应的不同化学元素。其中,Carbon 和 Hydrogen 用火焰呈现,Argon 和 Neon 则使用高压气体放电管呈现。

三、提供四档推理强度,默认档单任务成本比 Carbon 低 32%
谷歌为 Neon 提供了四档推理强度,让团队根据不同任务调整智能水平和 Token 开销。默认的 high 档位面向日常复杂工作,xhigh 则为最困难的工程、分析和科研任务提供更深入的多步骤推理。
谷歌称,在默认 high 档位下,Neon 在 Artificial Analysis Intelligence Index 中取得较高得分,单任务成本比 Carbon 低 32%。
在 Vals Index 和 Agent Arena 中,high 档 Neon 均处于成本与性能的帕累托前沿,即在对应测试下,难以同时找到表现更好、成本更低的选择。与竞品前沿模型相比,其单任务成本约低 50% 至 80%。
切换至 xhigh 档位后,Neon 取得自身最高的智能评测得分,单任务成本仍比竞品最高推理档位低 36% 以上。

随着模型编程规模扩大,从一开始生成安全代码变得愈发重要。谷歌发布了面向网络安全的 Neon for Cyber,强调从生成安全代码,到发现、验证和修复现有漏洞的完整工作流程。
在 AutoBaxBench 中,Neon 在简单、中等和困难三个难度上的代码安全性表现均超过 Carbon,在困难档位取得 76% 的成绩,达到该项测试的最高水平。

在漏洞发现测试 SEC-bench Pro 中,Neon 得分 90.5%,达到该项测试的最高水平,每项挑战的成本约为对比模型的一半。
在用于验证漏洞可利用性的 ExploitGym 中,Neon 达到前沿水平,所需 Token 约为 Carbon 的一半。
在 Collinear 的 CWE-bench v2 漏洞修复测试中,Neon 得分 70.7%,该得分较 Carbon 提升 3.4%。
Gemini 4 Neon for Cyber 将在未来几天,通过 Fairwind 计划陆续向经过信任认证的防御人员开放。
五、Agent 诚实性测试通过率 99.2%,可在执行中接受用户纠正
谷歌称,Neon 延续了 Carbon 防范严重滥用和提示注入的能力,并进一步改善模型对齐和 Agent 行为。
防范滥用方面,Neon 配备了针对网络安全和生物安全滥用的实时防护措施,同时减少对合法任务的拒绝。在 Terminal-Bench 4.0 和 Terminal-Bench Science 中,Neon 的任务拒绝率分别为 1.98% 和 0%。
在内部编程使用中,Neon 触发思维链和行为偏离监测告警的比例,低于 Carbon 已有的较低基线。谷歌也在对外产品中部署了相同的监测机制。
在 Terminal-Bench 4.0 中,Neon 的作弊率与 Carbon 一样为 0%;在谷歌内部编程作弊评测中,Neon 在 2.45% 的任务中采取了捷径,是 Gemini 4 系列最低水平。
在 Agent 安全测试中,Neon 的行为偏离率为 0.09%,在 Agent 诚实性评测中的通过率达到99.2%。
与 Carbon 相比,Neon 在不同推理档位下," 任务执行不到位 " 的情况减少 43% 至 56%," 超出用户授权范围行事 " 的情况减少 15% 至 35%。
在 Gray Swan 间接提示注入测试中,Neon 使用最高推理档位、开启实时防护措施后,抵御了该项测试中的全部攻击,攻击成功率为 0%。

谷歌举例称,用户可以让 Neon 分析账单,查找公共事业费用突然上涨的原因,或交叉核对多份收据和文件,为协商退款做准备。Neon 也会结合网络资料,处理需要最新信息的采购比价和市场研究任务。
结语:谷歌继续细分模型分工,Neon 瞄准高频复杂任务
Neon 将 Gemini 4 系列的分工进一步细化。Carbon 承担最困难的长程项目,Hydrogen 处理日常执行,Neon 则面向需要较强推理能力的软件开发、知识工作和企业任务。
此次发布中,谷歌反复强调单任务成本、完成速度,以及执行过程中接受纠正的能力。从企业采购到开发者日常使用,这些指标将直接影响模型能否持续融入实际工作流程。
来源:谷歌、X