AI Pulse

谷歌Gemini 4 Neon发布:同样的多步任务,成本比顶级模型省一半以上

谷歌Gemini 4 Neon发布:同样的多步任务,成本比顶级模型省一半以上

谷歌今天发布 Gemini 4 Neon。官方给的定位是“前沿级智能”,覆盖复杂软件工程、知识工作和科学工作流。多步骤任务交出去,它自己跑完,最后交结构化结果,不用人一步步盯着。

在 Gemini 4 家族里,Neon 站中间。Carbon 啃最难的长期项目,Hydrogen 做快速的日常执行,Neon 在深度和效率之间取平衡。

上下文窗口 100 万 token。电子表格、PDF、图表、音频、视频都能一起塞进去,输出成结构化交付物。它专为长时间运行的代理工作流设计:少读冗余文件,把进度在会话里共享,长会话里做上下文压缩也稳。它还能单独跑,或者在 Google Antigravity 里当编排器,指挥并行的 Hydrogen 子代理。100 万 token 窗口在实际使用里还有没有别的限制,谷歌没说。

在 Gemini 应用里,Neon 吃的是写作和知识工作。读上传的电子表格、PDF、照片更准;能把密集材料压成报告和摘要;也能从 Gmail 和 Docs 里拉相关细节。它会引入网络上的实时信息,适合变化快的话题。大额采购前比几家供应商的报价,或者拼一份带最新市场数据的简报,都属于这类。复杂的多步任务同样能交出去,比如分析账单找水电费飙升的原因,或者把多张收据和文档交叉核对去谈退款。

基准

代码是 Neon 最突出的地方。Artificial Analysis Coding Agent Index 排第 1,58.6 分。Terminal-Bench 4.1 得 65.2%,FrontierCode 2.0 得 46.2%(默认高设置)。SWE-sweep 上,mini-SWE harness 只有 12.8%,换到 Google Antigravity 里是 39.0%。同一个模型,换个 harness,分数三倍多。

科学和数学推理也靠前。Terminal-Bench Science 70.5%,RiemannBench 84.0%,HLE-Diamond 71.3%,都是同类最好。读密集专业图表的 Chartography 是 73.5%。Agents' Last Exam v1.1 得 75.8%,跟领先模型持平。Legal Research Bench 和 Tax Agent Bench 都是第 1。Surge AI 的金融、会计、电子表格建模、复杂约束遵循,多数基准也是第 1。

代理任务:Zapier 的 AutomationBench 第 1,56.3%。Andon Labs 的 Vending-Bench 2 也是第 1,测试模拟长期经营一门生意,Neon 在里面做到 16,843 美元。Agent Arena Index 上,4200 多个真实代理会话,Neon 全球第 2,1336 分。

整体看,Artificial Analysis Intelligence Index 上它排第 3,61 分(xhigh 思考级别),前面是更大更慢的模型。Vals Index 第 2,70.9%,站在帕累托前沿。可控性第 2——中途改主意,它能干净地接住。

成本

每百万输入 token 3 美元,缓存输入 0.15 美元(95% 折扣),每百万输出 15 美元,上下文窗口 100 万 token。四个思考级别,团队自己调智能程度和 token 支出的比例。

落到任务上:默认高思考级别,比 Carbon 每任务便宜 32%。Vals 和 Agent Arena 上,比顶级竞争模型每任务便宜约 50% 到 80%。xhigh 级别做更深的多步推理,每任务成本仍比对手的最高设置低 36% 以上。

账单的体感分人。企业按量付费,钱跟着 token 走。订阅的人看的是配额——跑在 Neon 上的任务,能把用量额度撑得更久。

可靠性

捏造率是迄今最低的,出自内部 Google Antigravity 测试,具体数字没公布。拒绝合法任务很少:Terminal-Bench 4.0 上只拒 1.98%,Terminal-Bench-Science 上一个没拒。

也不走捷径。Terminal-Bench 4.0 作弊率 0.0%,编码作弊评估里走捷径 2.45%,Gemini 4 模型里最低。代理安全套件里错位行动率 0.09%,代理诚实评估通过率 99.2%。跟 Carbon 比,该做没做的“服务不足”少了 43% 到 56%。越权行为少了 15% 到 35%。内部编码使用中,链式思维和行动错位监控的警报率低于 Carbon 的基线。

外部攻击先说间接提示注入。恶意指令藏在网页、邮件、文档或代码里,诱导模型执行。Gray Swan 的 IPI 基准上,Neon 在最高思考级别挡住了所有攻击,成功率 0.0%。严重滥用和提示注入防护维持在 Carbon 那一档。

给防御者的版本

同时发布的还有网络安全版 Neon for cyber。AutoBaxBench 上生成的代码比 Carbon 更安全,困难级别做到最先进的 76%。WebExploitBench v1.2 最先进,51.26%,成本是竞争大模型的一半。SEC-bench Pro 90.5%,每个挑战成本约一半。ExploitGym 用一半 token 达到前沿性能。CWE-bench v2 70.7%,比 Carbon 高 3.4%。

现在就能用

开发者在 Gemini API、Google AI Studio、Android Studio 里调用。付费的 Google AI Pro 和 Ultra 订阅者可以在 Google Antigravity 里试用;Pro 和 Ultra 订阅者在 AI Studio 里也能试。企业走 Gemini for business 的 API 或模型下拉框。消费者在 Gemini 应用的模型下拉框里选。Fairwind 计划的防御者这几天陆续拿到 Neon for cyber。

同一个模型同时推向开发者、企业、消费者和防御者。渠道从 API、订阅端一直铺到网络安全计划。每任务成本比顶级模型低一半以上。把整段复杂任务交出去,门槛确实在往下走。

关键事实

阅读原文
📚 相关主题 大模型产品发布

订阅 AI Pulse

每天 08:00 · 12:30 · 18:30 · 23:50 更新