谷歌18日发布 Gemini 4 Neon。按谷歌 DeepMind 高级副总裁、谷歌首席 AI 架构师 Koray Kavukcuoglu 的说法,这一代的目标不是单纯堆高分数,而是“以更低的单任务成本,端到端完成任务”——覆盖复杂软件工程、知识工作与科研流程。

发布即上线:Gemini API(Google AI Studio)、Gemini for business(API 与模型下拉菜单)、面向付费 Google AI Pro 与 Ultra 订阅者的 Google Antigravity,以及 Gemini 应用中的 Pro 与 Ultra 订阅者,当天起可选用。

定价与规格

Neon 定价为每百万输入 token 3 美元,缓存输入每百万 token 0.15 美元(官方称相当于 95% 折扣),输出每百万 token 15 美元,上下文窗口 100 万 token。四档思考等级可按工作负载调节智能与 token 开销。

官方给出的成绩单

谷歌称,Neon 在 Artificial Analysis 智能指数上、以 xhigh 思考档得 61 分,在同类模型中领先,总排名第三,仅次于规模更大、速度更慢的模型;在 Vals 指数上排名第二并位于帕累托前沿。在新推出的 Agent Arena 指数上,Neon 的可控性(steerability,即中途接受用户纠正的能力)排名第二;在 4200 多场真实智能体会话中首次亮相即列全球第二,得分 1336。谷歌还称其在 Google Antigravity 内部测试中录得迄今最低的“编造率”。

企业场景方面,官方给出的数字包括:Vals 指数 70.9%(第二)、Legal Research Bench 与 Tax Agent Bench 均列第一、Surge AI 在金融、会计、表格建模与复杂约束遵循等多数基准上第一、Chartography 读取密集专业图表 73.5%、Agents’ Last Exam v1.1 为 75.8%、Zapier AutomationBench 56.3% 列第一、Andon Labs 的 Vending-Bench 2 以 16843 美元列第一(长周期经营模拟)。科学与数学推理上,Terminal-Bench Science 70.5%、RiemannBench 84.0%、HLE-Diamond 71.3%。

编码方面,Neon 在 Artificial Analysis Coding Agent Index 上以 58.6 列第一,Terminal-Bench 4.1 为 65.2%,FrontierCode 2.0 在默认高档下为 46.2%。谷歌特别提到“harness 效应”:在 mini-SWE 测试框架上 Neon 为 12.8%,而在 Google Antigravity 中升至 39.0% 的当前最优水平——同一模型在不同脚手架下的差距被放大到三倍。

成本曲线是这次的重点

谷歌称,在默认高档思考下,Neon 的智能指数得分较高,同时单位任务成本比 Carbon 低 32%;在 Vals 指数与 Agent Arena 的高档设置上均位于帕累托前沿,单位任务成本比顶级竞争模型低约 50% 至 80%。开启 xhigh 后,它为最难工程、分析与科研任务提供更深的逐步推理,智能得分最高,同时单位任务成本仍比对手在最高设置下低 36% 以上。

单独拆出的“网络版”

发布中一个不太寻常的安排是:Neon 另有一个面向网络安全的版本,在同一代模型里单独强调。官方数据称,Neon for cyber 在 AutoBaxBench 的易、中、难三档上生成的代码都比 Carbon 更安全,难档达到 76% 的当前最优;在 WebExploitBench v1.2 上以 51.26% 取得当前最优,成本约为同类大模型的一半;SEC-bench Pro 90.5%;ExploitGym 上用 Carbon 一半的 token 达到前沿水平;Collinear 的 CWE-bench v2 为 70.7%,比 Carbon 提升 3.4 个百分点。该版本将在未来几天内通过 Fairwind 计划,逐步开放给受信任的防守方。

安全与“不过度执行”

谷歌称 Neon 沿用 Gemini 4 的安全栈,在对严重滥用与提示注入的防护上与 Carbon 同级,同时在模型对齐与智能体行为上更进一步。官方公布的指标包括:在 Terminal-Bench 4.0 上拒答合法任务的比例为 1.98%、在 Terminal-Bench-Science 上为 0%;Terminal-Bench 4.0 作弊率 0.0%;编码作弊评测中“走捷径”比例 2.45%(谷歌称是 Gemini 4 系列中最低);智能体安全套件中错位行动率 0.09%;智能体诚实度评测通过率 99.2%。与 Carbon 相比,“服务不足”降低 43% 至 56%,“越界”降低 15% 至 35%。在 Gray Swan 的间接提示注入基准上,配合最高思考档的实时防护,Neon 抵御了全部攻击。

演示与定位

谷歌给出的演示包括:在 Antigravity 中通过 /swarm 驱动 Blender MCP,搭建可视化模型名称的 3D 实验台;从零写出基于勃朗峰与霞慕尼真实高程的第一人称 WebGL2 滑雪模拟器,包含 10200 行自定义着色器与 120Hz 滑雪物理;复原图灵 1936 年在剑桥国王学院的研究室;以及把一张图片转成 10 万个单元格、含 50 多万条实时公式的 Google 表格。在 Gemini 4 家族中,Carbon 承担最难的长周期项目,Hydrogen 负责快速日常执行,Neon 则试图在深度与效率之间取平衡。

观察

把“单位任务成本”放在标题位置,说明前沿模型的竞争叙事正在从能力榜单转向能力/成本比:绝对分数仍重要,但决定企业是否把智能体放进生产流程的,往往是每次任务的实际开销与失败率。Neon 公布的 32%、50%–80%、36% 这几个折扣区间,本质上是在向“把长流程任务交给模型”的客户报价。

需要提醒的是,上述基准绝大多数由谷歌自行选择并报告,其中不少是厂商或第三方新近推出的评测,横向可比性有待独立复现;发布中未列出与具体竞品的逐项对照。此外,网络防御版本以近乎独立产品的形式出现,也引出一个治理问题:同一代模型的攻防能力差异如何评估、受信任防守方的准入标准是什么,谷歌此次只给出了“Fairwind 计划”这一渠道名,未披露细则。

本文依据谷歌官方博客 Koray Kavukcuoglu 的发布文章(2026年11月18日)编译,所有数据均引自原文;文末“观察”部分为本刊分析。原文链接:Google Blog。经由 Techmeme 发现。