Gemini 4 Neon 智能指数得分 61
Latent Space 报道,谷歌中档模型 Gemini 4 Neon 在 Intelligence Index 中取得 61 分,并将其视为 Opus 和 Sol 的竞争者。
AI 深度解读
Google DeepMind 在约七周里推出了四款 Gemini 4 模型,最新一款 Neon 定位居中,比 Carbon 更快、更便宜,却在部分评测里追平了 Carbon。对每天用 Cursor 或 GitHub Copilot 改代码的人,这提供了一个重新挑默认模型的理由。
Latent Space 这期汇总里,更有参考价值的是几组分数和成本的对照。Neon 把推理档位从 high 拉到 xhigh,有一项分数反而掉了。它做代码迁移时轮数更少,得分也更低。选模型时,两笔账都得算。一次运行省下的时间和费用,要放在任务最终能否通过验收的前提下看。如果首轮补丁没通过,还要把后续返工用掉的时间和调用一起算进去。
Neon 的价格优势从哪里来?
按 Arena 的统计,从 Argon 到 Carbon 间隔 28 天,从 Carbon 到 Hydrogen 是 15 天,从 Hydrogen 到 Neon 只隔了 6 天。发布时,推出约一个半月的 Argon 已经退役,Gemini 1 至 3 沿用的 Pro、Flash 命名也退出了。新名字同样不能拿来排性能。按原子序数,Neon 是 10,Carbon 是 6,产品线里反而是 Neon 定位居中,速度更快,价格更低。
Neon 每百万 token 的普通输入、缓存输入和输出分别收费 3 美元、0.15 美元和 15 美元。它有 100 万 token 上下文和四档推理强度。Vals 另外报告了 100 万 token 的最大输出上限,实际接入时还要看所用入口是否有同样的输出限制。对会反复读取仓库的编码 Agent,价格表里最值得盯的是同一批输入能命中多少缓存,以及完成一次任务到底要生成多少输出。比如,连续修改同一个模块时,可以从日志里看仓库说明和源码有多少走了缓存计费,再看反复生成补丁花了多少输出。同样是一次改动,账单会随这两部分的用量变化。比较两个模型时,最好都算到补丁通过验收为止。
发布覆盖付费 Gemini API,包括 AI Studio 和 Android Studio,也覆盖 Gemini 商业版。Antigravity 和 Gemini 应用面向 Pro、Ultra 用户推出,应用里通过「Deeper analysis」选择,Tasks 也能用。首日集成还有 Cursor、GitHub Copilot 的应用、CLI 和 VS Code,以及 LangChain Managed Deep Agents。
跑得更快、轮数更少,代码就改得更好吗?
Artificial Analysis 测得 Neon 在 high 档以每任务 3.74 美元拿到 Intelligence Index 60 分,追平 Carbon。但在 GDP.pdf 上,high 得分 33.4%,xhigh 只有 28.0%。这组数据足以提醒你先测再升档,至于分数为什么掉,原文没有提供足够的细节。放到自己的仓库里,可以让两个档位从同一个提交开始,拿同一份需求和测试命令跑。遇到其中一档通过、另一档失败的情况,再看补丁在哪一步出现差异,判断升档对这类任务有没有帮助。
编码相关的结果也得按任务拆开看。CursorBench 4.1 上,Neon 用默认档拿到 63.7%,高于 Hydrogen 的 57.3%。Vals Index 上,Neon 以 70.9% 排第二,距 Fable 5.2 约 0.4 个百分点,每任务成本不到后者一半。但到了 Code Migration,Neon 平均跑 160 轮,比 Carbon 的 234 轮和 Hydrogen 的 574 轮都少,得分也低于这两款。做迁移时,少跑一些轮次能省调用,最后还得看测试和迁移验收能过多少。以跨包依赖迁移为例,可以分别验收依赖声明、调用方和构建测试。模型即使很快交出补丁,只要还有调用方没迁完,剩下的修改就会进入返工。把这些验收项逐一记下来,轮数才有了可比较的交付结果。
Agent Arena 约 4,200 场会话中,Neon 以 1,336 分排第二,任务成本中位数是 2.82 美元,接受用户纠偏的表现也排第二。单独的 Text Arena 仍由 Carbon 领跑。原文把小模型在部分指标上超过大模型与蒸馏、强化学习和评测方式联系起来。蒸馏可以把大模型在部分任务上的能力传给小模型,至于 Neon 的分数有多少来自这些因素,原文没有给拆分实验。
换模型之前,也看一眼它怎么跑
Kimmonismus 记录了 13 场早期 Antigravity 会话,共 762 次工具调用和 93% 的输入缓存命中率。要求 Neon 避开终端时,这批测试里的 shell 命令执行次数为 0。同批日志也有 57 次容量错误和 4 次运行卡住。前一组数字说明它在这批任务里能听从指令,后一组数字关系到任务能否交付。样本来自单个测试者的早期会话,原文没有给跨时段或跨平台的复测。自己试用时,可以记下错误出现在读取文件、生成补丁还是运行测试的阶段。一次中断如果能接着跑,和一次卡住后需要从头重试,对总耗时和费用的影响会不同。
另一条更正把运行环境的影响摆到了台面上。Hugging Face 发现隧道故障影响了 9 次基础模型运行,于是重跑 51 道最难 SWE-bench Pro 题里的受影响任务。Pi adapter 的结果从此前报道的 15 → 32 题,更正为 20 → 33 题,也就是从 39.2% 到 64.7%。同一批题上,关闭思考后,OpenCode adapter 把 Qwen3.8-27B 的成绩从 35.3% 提到 51.0%。适配器负责把模型接进编码工作流,评测时它和运行环境都会影响模型有机会完成哪些步骤。团队如果想比较模型,可以先固定工具权限和测试入口。遇到基础设施故障时,记录受影响的运行,并在恢复后按同样的条件重跑,方便回头核对分数变化来自哪里。
我的判断
Neon 值得进日常编码的候选名单,默认档的 CursorBench 成绩和 Agent Arena 的任务成本给了试用理由。碰到跨包迁移或需要多轮验证的任务,我会优先看自家仓库的完成率。Vals 的迁移结果已经展示了一个具体取舍:调用轮数省下来了,评分也跟着降了。日常写页面、补测试和迁移依赖可以分别选型,统一用排行榜第一名会把这些差异藏起来。
Theo 用 Neon 写文案、Fable 实现改动、Astra 做试玩。另一位开发者让 GPT-6.2 Astra 规划和审查,本地 Qwen3.8-27B 写实现,单次 API 账单从 7.40 美元降到 1.62 美元。这些都是经验之谈,原文没给同一批任务上的质量对照,也没把本地推理和交接时间算进账单。和一个模型从头跑到底相比,分工更适合已经有明确验收条件、能把实现独立交出去的任务。交接时,规划阶段可以写清改动范围、验收条件和测试命令,实现阶段交回补丁与测试结果,审查阶段再按原条件验收。这样,账单上的节省和交接、返工花掉的时间都有据可查。
能拿来做什么
- 从现有仓库抽几条常见的前端改动和 Node 迁移任务,用 Neon 默认档和当前常用模型各跑一遍,固定测试命令和验收条件,记录通过率、耗时及每个通过任务的成本。
- 给需要更强推理的任务留一个升档入口。在同一任务上对比
high和xhigh,看额外开销有没有换来实际通过的测试。 - 给编码 Agent 的运行日志加上缓存命中率、容量错误和卡住次数。任务中途失败时,先分清是工具或服务中断,还是补丁本身没通过验收。