DeepMind 推出 Gemini 4 Neon
Google DeepMind 公布了 Gemini 4 Neon,现有材料仅提供发布标题。
AI 深度解读
Google DeepMind 把 Gemini 4 Neon 放在 Carbon 和 Hydrogen 之间,主打复杂、又要频繁跑的任务。它想解决的是团队选模型时绕不开的问题:一次代码修改、一次资料分析,从交代需求到拿到可用结果,要花多久、多少钱,中途改要求又得返多少工。
发布稿里,最能帮程序员做判断的是 SWE-sweep 的两组分数。同一个 Neon,换一套代理运行环境,成绩从 12.8% 到 39.0%。如果你正打算给日常 AI 编程换模型,这个差距和榜单名次一样值得看。
选 high 还是 xhigh,先看每个任务花多少钱
Neon 有四档思考深度。发布稿重点给了两档的数据。默认的 high 在 Artificial Analysis 的评测中,单任务成本比 Carbon 低 32%。同一档在 Vals Index 和 Agent Arena 上进入帕累托前沿,也就是在这两项评测的比较范围内,没有另一个模型能同时比它更便宜、得分更高。相较头部竞品,它的单任务成本约低 50%–80%。
升到 xhigh,Neon 在 Artificial Analysis Intelligence Index 拿到 61 分,排名第 3,前面是体量更大、速度更慢的模型。Google 报告称,这一档的单任务成本比竞品各自的最高档低至少 36%。不过,发布稿没有给出足以推算团队实际用时的端到端延迟数据。你可以用这些数字决定先测哪一档,实际要等多久得跑自己的任务。
API 每百万输入 token 收费 3 美元,命中缓存的输入是 0.15 美元,折扣 95%,每百万输出 token 是 15 美元,上下文窗口为 100 万 token。对要反复读仓库规范、接口文档和构建日志的任务,输入能否命中缓存、每轮生成多少输出,都会影响账单。Gemini API 付费档的入口包括 Google AI Studio 和 Android Studio,企业可从 Gemini for business 的 API 或模型下拉菜单使用。发布稿也列出了 Google Antigravity,以及 Gemini app 内面向 Google AI Pro 和 Ultra 订阅者的入口。
编程得分为什么会随运行环境变化
Neon 在 Artificial Analysis Coding Agent Index 拿到 58.6 分,排名第 1。它在 Terminal-Bench 4.1 拿到 65.2%,在 FrontierCode 2.0 用默认 high 拿到 46.2%。同一个模型在 SWE-sweep 上,用 mini-SWE 运行框架是 12.8%,到了 Google Antigravity 是 39.0%,超过三倍。运行框架负责把模型和读文件、执行工具、管理会话这些能力接起来。发布稿没有拆分各项配置对分差的贡献,因此很难判断换到自己的 IDE 或命令行代理里能复现多少。
Google 把长任务体验也纳入了评测。按发布稿的描述,Neon 会减少重复读文件、同步进度,长会话需要压缩上下文时也能继续工作。在 Google Antigravity 中,它可以担任 Orchestrator,调度并行的 Hydrogen 子代理。Agent Arena Index 基于 4,200 多个真实代理会话,Neon 以 1336 分排全球第 2,中途接受用户纠正的能力也排第 2。对重构来说,这对应一个很具体的场景:做到一半,开发者收紧改动范围,代理得按新约束继续做。
演示里最贴近前端的是从零写的第一人称 WebGL2 滑雪模拟器。它用 Mont Blanc 和 Chamonix 的真实地形,实现 10,200 行自定义着色器、120 Hz 滑雪物理、六条滑雪线路,以及动态雪痕、雪崩和空间 Web Audio,未使用预制素材。它展示了一次任务能整合哪些技术。发布稿没有交代人工介入次数、完成时间或后续维护情况。
长上下文适合把哪些资料放在一起处理
Neon 可以在同一个 100 万 token 窗口里处理表格、PDF、图表、音频和视频,再组织成结构化交付物。它在 Vals Index 排第 2,得分 70.9%,Legal Research Bench 和 Tax Agent Bench 均排第 1。Chartography 测的是读专业图表的能力,Neon 得分 73.5%。Zapier 的 AutomationBench 上,它以 56.3% 排第 1。科学推理方面,Terminal-Bench Science、RiemannBench 和 HLE-Diamond 分别是 70.5%、84.0% 和 71.3%。
Google 的一项演示把单张图片做成了 10 万单元格的 Google Sheet,里面没有嵌入图片,也没用 Apps Script。超过 50 万条实时公式负责边缘检测、深度映射和重新打光,共做出六种交互模式。这个例子展示了代理如何把视觉输入变成可操作的表格。放到日常开发里,更相近的任务是给它报表、接口文档和日志,让它整理成一份逐项可核对的分析,省掉在几个文件之间来回找线索的时间。
安全分数能说明什么
安全方面,Google 报告称 Neon 的内部虚构率是其历次 Google Antigravity 测试中最低的,发布稿没有给出具体比率。内部代理诚实评测通过率是 99.2%,越界行为相关评测也有改善。在 Gray Swan 的间接提示注入评测中,最高思考档配合实时防护,攻击成功率为 0.0%。这项结果对应的是该评测、该档位和这套防护的组合。
面向安全防御人员的 Gemini 4 Neon for cyber 有单独的开放安排,由 Fairwind Program 向符合条件的人员陆续提供。发布稿给出的防御评测中,SEC-bench Pro 的漏洞发现得分是 90.5%,Collinear 的 CWE-bench v2 修复得分是 70.7%,原文称比 Carbon 提升 3.4%。
我的判断
我更看重这次发布把单任务成本、中途纠偏和运行框架都摆上了台面。只比每百万 token 的单价,很容易漏掉重复读文件和返工。只比一次生成的代码,也看不出代理能否完成跨文件修改并跑完验证。SWE-sweep 的对照至少告诉团队,做选型时应该把模型和实际使用的工具链放在一起测。
「Neon 适合高频复杂任务」是个可以验证的选型假设。榜单给出了特定任务上的成绩,发布演示给出了成品。至于普通团队能省下多少时间、多少人工复核,原文没有同仓库、同工具、同验收条件的对照数据。和全程开 xhigh 相比,先用 high 跑常见任务,再按失败情况升档,更容易看清额外推理到底解决了什么。至于需求边界很清楚的局部改动,单轮补全加现有测试也值得作为对照。
能拿来做什么
- 选几条已经验收过的前端或 Node 任务,例如跨文件重构、构建回归排查和类型错误修复,让现用模型和 Neon
high在同一套工具里重跑,记录测试结果、人工修改量、耗时和单任务费用。 - 把
xhigh留给high多次失败、且失败原因需要跨文件推理的任务。复跑时沿用同一份需求和验收条件,比较多花的钱有没有换来更少的返工。 - 在一次多文件修改进行到一半时,补上一条像「保留公开 API 签名」这样的纠正,检查最终 diff 和测试结果,确认代理有没有把新约束落实到已经改过的文件里。
- 用混合资料做分析时,让模型在交付物里给每项结论附上 PDF 页码、表格单元格或日志时间戳,抽查几项再把结果用于排查或交接。