Gemini 4 Neon 接入 Copilot,跑分需看配置
文章称 Gemini 4 Neon 已在 GitHub Copilot 正式可用,定位于长时间运行的智能体和多步工具调用。其不同基准采用不同思考档位,比较能力与成本时需同时核对配置和评测框架。
AI 深度解读
Gemini 4 Neon 的卖点,是用比旗舰 Carbon 更少的时间和 token 成本,承担长时间运行、多步骤调用工具的 Agent 任务。原文认为它值得关注,但更重要的提醒是:模型跑分不能直接当成你在 Copilot 里的实际体验。
同一个模型,换一套 Agent 执行系统,成绩就可能接近三倍。对程序员来说,读懂推理档位、工具编排和任务成本,比记住榜单名次更有用。
同一个模型,为什么成绩能差近三倍
按照原文的产品定位,Gemini 4 Neon 处在 Carbon 和 Hydrogen 之间:Carbon 面向最困难的长期任务,Hydrogen 负责快速日常任务,Neon 则瞄准复杂 Agent 工作流。
但「接近旗舰能力」需要拆开看。Neon 在 Artificial Analysis Intelligence Index 上拿到 61 分、总排名第三,用的是 xhigh 推理档位;FrontierCode 2.0 的 46.2%,用的却是默认 high 档位。这两项成绩并非来自同一套固定配置,不能拼成一个统一的能力承诺。
更有解释力的是 SWE-sweep:使用 mini-SWE 执行框架时,成绩为 12.8%;放进 Google Antigravity 后,成绩变成 39.0%。
这里的执行框架(harness),就是围绕模型组织工具调用、任务执行等环节的系统。同一个模型为什么表现不同?因为最终完成任务的是整套系统,模型只是其中一环。
Antigravity 的 39.0%,不能直接当成 Neon 在 Copilot 中的成绩。
这组数据也提醒我们:评估 AI 编程工具时,只问「用了哪个模型」还不够,还要看它如何获得上下文、调用工具并推进任务。
Agent 能不能听进中途修改,比一次做完更重要
原文最看重的是可引导性(steerability):用户在任务中途修改要求后,Agent 能否调整方向。
Neon 在新的 Agent Arena Index 可引导性评估中排名第二,评估覆盖超过 4,200 次真实 Agent 会话。对于多步骤任务,这项能力确实有实际价值。比如你让 Agent 修改一个页面,随后补充「保留现有组件 API」,它需要把新约束带入后续工作,而不是继续执行旧方案。
不过,排名与证据强度是两回事。原文明确指出,Google 尚未公布详细评估方法,因此无法据此判断任务如何选取、纠正如何计分,以及结果能否迁移到其他工具里。
作者把它视为最值得观察的指标,这是作者的判断;现有信息支持「值得测试」,还不足以支持「已经证明可靠」。
价格、长上下文和子 Agent,都有适用边界
Google 宣称,在 high 档位下,Neon 每项任务的成本比 Carbon 低 32%;在部分评估指标上,比顶级竞品前沿模型低 50–80%。原文给出的 token 单价是:
- 输入为 $3 / 百万 token。
- 缓存输入为 $0.15 / 百万 token。
- 输出为 $15 / 百万 token。
单价可以用于估算,但厂商给出的节省比例不能直接用于团队预算。任务消耗多少 token、需要重试几次、结果是否可用,都会影响最终支出。公告缺少足够的底层细节,无法把这些百分比换算成你的账单。
功能也需要区分模型能力与产品开放范围。原文称,Neon 提供 1M-token 上下文窗口,可以综合处理电子表格、PDF、图表、音频和视频,并生成结构化输出;Chartography 图表理解成绩为 73.5%。这个成绩只对应特定评测,不能推导出它能稳定读懂所有上传文档。
在 Antigravity 中,Neon 可以编排并行的 Hydrogen 子 Agent。这是已有文档描述的工作流,但原文没有说 Copilot 也开放了相同控制能力。
至于接入,原文称 Neon 已在 GitHub Copilot 正式可用,同时正向 Pro+、Max、Business 和 Enterprise 逐步推送。采用默认模型启用设置、且管理员没有禁用它的组织,会看到模型自动出现。正式可用与所有账号立即可见,并不是同一件事。
我的判断
我认同原文的评估顺序:先看工具里的任务表现,再看榜单。它给出的 SWE-sweep 差异,足以说明执行框架会显著影响结果;不同推理档位的成绩,也确实应该分别阅读。
但作者把可引导性称为最值得关注的指标,仍然带有价值取舍。实际开发还需要同时考虑完成质量、耗时和成本。一个很听指令、却经常改错代码的 Agent,同样难以交付。
原文没有给出 Neon 与 Carbon、Hydrogen 或其他模型在同一团队、同一工具中的完整对照测试,也没有作者自己的实测记录。因此,「Neon 是否更划算」目前仍是待验证的问题。相比直接更换默认模型,拿现有方案作对照更有判断价值。
能拿来做什么
- 在 Copilot 可选到 Neon 后,用同一个真实修改任务对比现有模型,记录完成质量、耗时和返工次数;能控制推理档位时,也把档位记下来。
- 在日常 AI 编程测试中加入一次中途纠正,例如补充组件兼容约束,检查 Agent 后续修改是否遵守新要求。
- 估算 API 成本时,分别计算输入、缓存输入和输出,再结合任务重试情况核算,不要直接套用「便宜 32%」。
- 需要并行子 Agent 或多模态文档处理时,先核对所在产品实际开放的能力,再设计工作流,避免把 Antigravity 的功能默认算到 Copilot 上。