基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
9.0
重磅
AI SCORE
模型发布2026-11-19 11:29

谷歌推出面向编程代理的 Gemini 4 Neon

dev.to · AI#谷歌#编程智能体#模型评测
Editor brief · 编辑速览

据报道,Gemini 4 Neon 面向编程、知识工作和智能体任务,已接入 Gemini CLI、Gemini API 和 Vertex AI。报道援引的 Artificial Analysis 发布数据中,该模型在编程智能体指数上以 58.6 分排名第一。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

原文报道,Google DeepMind 在 2026 年 11 月 18 日发布了 Gemini 4 Neon,主打编程、知识工作和需要模型分步执行的智能体任务。它在 Artificial Analysis 的编程智能体榜上拿到第一,综合榜排第三。

对用 AI 改代码的开发者,更值得看的是它做完一项任务要花多少钱、等多久。Neon 支持四档推理强度,而原文引用的成本和耗时优势来自最高档 xhigh。如果你直接用 API 默认配置,跑的是 high。

编程榜第一和综合榜第三,各说明什么?

Gemini 4 Neon 是 Gemini 4 系列的第四款模型,也是该系列的旗舰。Google 称它是自家迄今最擅长智能体任务的模型。Artificial Analysis 的发布数据给出了更具体的参照。Neon 在 Coding Agent Index 上以 58.6 分排第一,在 Intelligence Index v5.0.1 的 50 个模型中以 61.4 分排第三。原文导语把综合分简写为 61,详细数据对应 xhigh。综合榜首 Claude Fable 5.2 得分为 64.6。

这两项成绩回答的是不同问题。编程智能体榜更贴近让模型分步处理编码任务的用法,综合榜给出的是跨任务的总体位置。原文没有拆出前端改动、测试修复等具体场景的成绩,团队需要用自己的任务补上这一层证据。

单价固定,为什么还要看每项任务的成本?

Gemini API 的模型 ID 是 gemini-4-neon,上下文窗口为 100 万 token。Gemini、Vertex AI、Gemini API 和 Gemini CLI 均可使用。Gemini API 文档列出 low、medium、high、xhigh 四档推理强度,默认 high。Artificial Analysis 主要列出 high 和 xhigh,也提供低两档的补充数据。推理档位越高,通常越有机会提高准确率,也可能多消耗 token、增加等待时间。

各档的输入和输出单价相同,每百万 token 输入 $3、缓存 $0.15、输出 $15。原文还说,Gemini 4 Carbon 的促销将于 12 月 1 日结束,届时输入和输出单价分别升至每百万 token $4 和 $20。

Artificial Analysis 给出的 Neon xhigh 成本约为每项任务 $6.44,较 Carbon 的 $7.76 低 17%。Neon 完成一项任务约需 21 分钟,原文称速度比 Carbon 快约 40%。这些数字来自 Artificial Analysis 的评估,报道方 IA Compa 没有自行实测。原文也没交代 Carbon 对照使用的推理档位和任务构成,两个百分比适合用来理解这组评估。

我的判断

我认同用完成任务的成本来选模型。改一个跨模块问题,模型可能需要读多轮代码,再根据测试结果返工。单看 token 单价,很难知道最终要花多少钱。对只补一个类型定义或修一条测试的任务,实际等待时间和人工复核量往往更容易测,也更贴近日常使用。

榜单足够支持把 Neon 放进候选名单。至于日常该开哪档,原文没有给出 high 和 xhigh 在同一批任务上的成功率、成本与耗时对照。「复杂任务该上最高档」目前只能当作待验证的经验判断。和所有任务固定用一档相比,按任务难度分档有机会省下等待时间,但要先确认低档失败后重跑的成本。

能拿来做什么

  • 从现有前端或 Node 仓库挑几项有验收标准的任务,例如修复失败测试或完成跨文件重构,用 Gemini CLI 跑一轮,记录测试结果、耗时和人工返工。
  • 通过 Gemini API 接入 gemini-4-neon 时,先用默认 high 建立基线,再用同一批任务复测 xhigh,看额外开销能否换来更高的验收通过率。
  • 用 Neon 和 Carbon 做选型时,按各自适用的价格计算整项任务成本,把重复输入、输出和失败重试都计进去。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
禁止读取 .env 为何仍可能泄密
下一篇
编程助手成本怎么比:按用量和额外计费算

资讯速览

dev.to · AI · 2026-11-19 11:29

AI 评分 9.0 / 10

相关标签

#谷歌#编程智能体#模型评测

继续阅读

  • Lambda 托管实例新增 GPU 推理支持
  • 禁止读取 .env 为何仍可能泄密
  • 编程助手成本怎么比:按用量和额外计费算
  • Gemini 4 Neon 支持百万令牌上下文
  • 金融智能体的日志要能回答哪些审计问题