Gemini 4 Neon 登顶编程智能体榜单
据报道,谷歌发布的 Gemini 4 Neon 支持 100 万 token 上下文,每百万输入和输出 token 分别收费 3 美元和 15 美元。它在 Artificial Analysis 的综合智能指数上得 61 分,并在编程智能体指数上排名第一。
AI 深度解读
Google DeepMind 把 Gemini 4 Neon 放在 Carbon 和 Hydrogen 之间,瞄准需要长时间读代码、调用工具和推进任务的编程 Agent。最抢眼的成绩是 AA Coding Agent Index 第一,以及在 256K 到 1M 上下文的 GraphWalks 上拿到 95.2%。但它的 token 单价高于 GPT-6.2 Sol。对开发团队来说,真正要验证的是,它能否少读几遍文件、少重试几轮,从而降低完成一次任务的成本。
1M 上下文对长任务有什么用
Gemini 4 Neon 由 Gemini 4 Carbon 改造而来。按 Google 的定位,Carbon 负责最难的长周期项目,Hydrogen 承担日常快速执行,Neon 在两者之间平衡推理深度和效率。Google 未披露 Neon 的参数量和架构。模型支持文本、图像、音频和视频输入,知识截止到 2026 年 3 月。
Neon 的统一上下文窗口是 1M token,默认输出上限是 64K。要把输出上限提高到 1M,得用后台长解码(background long decode)。评估大仓库任务时,这两个规格得分开看。上下文窗口关系到一次任务能纳入多少代码、日志和工具结果,输出上限决定单次能生成多长的内容。
Neon 默认用 high 思考档位,xhigh 面向最难的工程、分析和科学任务。长时间运行时,它支持上下文压缩,也就是把前面累积的记录整理成更短的上下文,留出空间继续执行。原文称它会减少重复读文件,但没有量化减少了多少。在 Google Antigravity 里,Neon 还能负责拆解任务,调度多个 Gemini 4 Hydrogen 子 Agent 并行处理小任务。
编程榜第一,优势集中在哪些测试
Neon 在 AA Coding Agent Index 上以 58.6 排第一。AA Intelligence Index 则是另一张榜,Neon 得 61,Claude Opus 5.5 得 59,GPT-6.2 Sol 得 57。SWE-sweep 使用模型提供商的运行框架(provider harness)时,三者分别是 39.0%、10.1% 和 8.3%。这组结果值得连同运行框架一起看,因为编程 Agent 的工具配置和执行流程也会影响成绩。
长上下文是原文里差距最大的一项。GraphWalks 在 256K 到 1M 的上下文里考查模型找回并串联信息的能力,Neon 拿到 95.2%,GPT-6.2 Sol 为 80.1%,Claude Opus 5.5 为 66.8%。但同样做工程题,Claude Opus 5.5 在 Terminal-bench 4.1 以 65.8% 领先 Neon 的 65.2%,在 FrontierCode 2.0 也以 47.3% 领先 Neon 的 46.2%。Chartography 则由 GPT-6.2 Sol 以 75.1% 领先 Neon 的 73.5%。Neon 在 Vals Index v2.2 和 Agent Arena 都排第二,成绩分别为 70.9% 和 1336。
为什么 token 更贵,单任务仍可能更便宜
Neon 每 1M token 的输入、缓存输入和输出价格分别是 $3、$0.15 和 $15。GPT-6.2 Sol 的输入和输出价格是 $2/$10,Claude Opus 5.5 是 $4/$20。原文列出的 Carbon 价格是 11 月 30 日前 $2/$10,之后 $4/$20。
Google 称,Neon 用 high 档时,单任务成本比 Carbon 低 32%,在 Vals Index 和 Agent Arena 上比竞品低 50% 到 80%。用 xhigh 与竞品最高档比较时,Google 给出的降幅为 36% 以上。两套价格可以同时成立。每百万 token 更贵的模型,如果一次跑完消耗的 token 足够少,仍可能花得更少。原文没有拆出这些测试里具体省在输入、输出还是重试。
开发者可以通过付费 Gemini API 使用 Neon,原文列出的入口还有 Google AI Studio、Android Studio,以及 Gemini for business 的 API 和模型下拉菜单。Google Antigravity 和 Gemini app 面向 Google AI Pro、Ultra 订阅者开放。模型权重封闭,仅由 Google 托管,本地 GPU、量化版和边缘部署都没有对应选项。
我的判断
GraphWalks 的成绩足以让 Neon 进入大仓库任务的候选名单。仓库里的跨文件调用、类型定义和测试日志都可能挤在一次任务里,能在长上下文中找回相关信息确实有用。但找得到线索和改得对是两件事,Terminal-bench 4.1 和 FrontierCode 2.0 的结果已经显示,换一套题,领先顺序就可能变。原文转述的是 Google 公布的成绩,作者没有独立复测。其中两款竞品的 AA 分数与 Artificial Analysis 一致,其他发布对比数据仍要按厂商报告看。
如果团队已经能靠代码搜索、目录约定和明确的任务范围把输入收窄,原文没有提供对照数据说明,扩大上下文或引入子 Agent 会更划算。安全数字也有同样的边界。Google 报告的 0.09% 偏离目标动作率、99.2% Agent 诚实性通过率、最高思考档下 Gray Swan 提示注入测试的 0.0% 攻击成功率,以及编码作弊测试的 2.45% 走捷径率,都对应各自的测评条件。团队仍应按自己的工具权限和任务数据来验收。
能拿来做什么
- 从前端或 Node 仓库挑几条已经修完的跨文件问题,固定代码版本、工具权限和验收测试,用 Neon 和现有模型重跑,比较测试通过率、重复读文件次数和总账单。
- 先用默认
high跑长任务,只对卡住的复杂任务复跑xhigh。把普通输入、缓存输入、输出和失败重跑都计入每个通过验收的任务成本。 - 如果已经在用 Google Antigravity,可以把依赖梳理和失败测试归因分别交给 Hydrogen 子 Agent,由 Neon 汇总,再对照单 Agent 跑同一任务的耗时和结果。