
Google 在 11 月 18 日推出 Gemini 4 Neon,同日發布模型卡。依模型卡的說明,Gemini 4 Carbon 處理最困難、長時程的專案,Gemini 4 Hydrogen 負責快速的日常工作,Neon 介於兩者之間,兼顧深度與效率。Google 的公告主打 Neon 能以較快的速度、較低的每任務成本,完成複雜的程式、知識工作與科學任務。
模型卡的基準表只拿 Neon 和 Anthropic 的 Claude Opus 5.5、OpenAI 的 GPT-6.2 Sol 比較。19 列分數中,Neon 有 16 列最高;落後的三列是 Terminal-bench 4.1 與 FrontierCode 2.0(輸給 Opus 5.5),以及 Chartography(輸給 GPT-6.2 Sol)。領先幅度最大的 SWE-sweep,Neon 跑在 Google 自家的執行框架(harness)上;三個模型改用同一個框架時,Neon 只比 GPT-6.2 Sol 高 1.2 個百分點。Google 判定 Neon 的能力增幅沒有超過需要重做完整評估的門檻,前沿安全的判定沿用較早推出的 Gemini 4 Argon 的結果;Neon 完整的安全與資安報告要再過幾天才發布。
Neon 是什麼模型?
模型卡的「模型依賴」(Model dependencies)一欄寫著,Neon「由 Gemini 4 Carbon 改編」(adapted from Gemini 4 Carbon)。架構、訓練資料與資料處理、硬體與軟體各欄都只重複這句話,再指向 Carbon 的模型卡,沒有說明怎麼改編。Carbon 以 Argon 為基礎,11 月 10 日開放給付費開發者,詳見〈新聞|Google 把 Gemini 4 Carbon 開放給付費開發者:以 Argon 為基礎、推理更久的模型〉。
Neon 接受文字、圖片、音訊與影片輸入,上下文長度以輸入加輸出合計,最多 100 萬 token。同步輸出預設最多 64K token,改用背景長解碼(background long decode)時最多 100 萬 token。知識截止於 2026 年 3 月,模型卡說某些領域的知識可能更舊。依公告,Neon 有 low、medium、high 與 xhigh 四個推理等級,預設為 high;xhigh 加入更深的多步驟推理,用於最困難的工程、分析與科學工作。
模型卡說 Neon 特別適合長時間執行的 agent 工作流程、大量呼叫工具的複雜任務、反覆修改程式庫的除錯,以及資安防禦(安全的程式碼生成、滲透測試、找出、驗證與修補漏洞)。Neon 可以單獨執行,也可以當子 agent,與前沿模型搭配使用;公告則舉 Google Antigravity 為例,Neon 在其中擔任協調者,指揮多個平行的 Hydrogen 子 agent。
依公告,API 價格是每百萬輸入 token 3 美元、輸出 token 15 美元,快取輸入每百萬 token 0.15 美元,比一般輸入便宜 95%。公告的 Gemini 4 比較圖也列出 Carbon 的價格:每百萬輸入、輸出 token 4 美元與 20 美元,優惠價 2 美元與 10 美元適用到 11 月 30 日。
開發者可以透過 Gemini API 的付費方案,在 Google AI Studio 與 Android Studio 使用;企業可以在 Gemini for business(API 或模型選單)與 Antigravity 使用;Google AI Pro 與 Ultra 訂閱者可以在 Gemini 應用程式選用,付費的 Pro 與 Ultra 訂閱者也能在 Antigravity 使用。資安版本「Gemini 4 Neon for cyber」透過 Google 的 Fairwind 計畫提供給受信任的資安防禦方,計畫中符合資格的成員會在接下來幾天陸續取得使用權。
基準結果如何?
模型卡的基準表
模型卡列出截至 2026 年 11 月的結果:
| 項目 | Neon | Claude Opus 5.5 | GPT-6.2 Sol |
|---|---|---|---|
| AA Index v5.0.1 | 61 | 59 | 57 |
| Vals Index v2.2 | 70.9% | 70.1% | 66.1% |
| CursorBench 4.1 | 65.4% | 58.1% | — |
| Terminal-bench 4.1(依作弊情況調整的正確率) | 65.2% | 65.8% | 61.5% |
| FrontierCode 2.0(主分數) | 46.2% | 47.3% | 43.8% |
| SWE-sweep(各家自己的框架) | 39.0% | 10.1% | 8.3% |
| SWE-sweep(mini-SWE 框架) | 12.8% | 3.6% | 11.6% |
| AutomationBench | 56.3% | 42.5% | 41.3% |
| Agents’ Last Exam v1.1 | 75.8% | 71.6% | 73.0% |
| RiemannBench | 84.0% | 80.0% | 80.0% |
| Terminal-Bench-Science 0.1 | 70.5% | 63.3% | 68.0% |
| HLE-Diamond | 71.3% | 67.9% | 64.0% |
| MKA(多模態知識 agent) | 56.5% | 53.0% | 52.7% |
| Chartography | 73.5% | 66.3% | 75.1% |
| LVBench | 89.0% | 83.7% | 87.6% |
| GraphWalks(256k 至 1M token 長上下文) | 95.2% | 66.8% | 80.1% |
| CWE-Bench v2 | 70.7% | 67.1% | 66.0% |
| SEC-bench Pro | 90.5% | — | 88.3% |
| WebExploitBench v1.2 | 51.3% | 37.1% | — |
「—」表示模型卡沒有列出分數,AA Index 是 Artificial Analysis 的智力指數。Neon 領先的幅度,除了 SWE-sweep,以測長上下文的 GraphWalks 最大,比 GPT-6.2 Sol 高 15.1 個百分點;三項落後都不到 2 個百分點。
依 Google 的評測方法說明,Neon 的分數除另有註明,都用 Gemini API 最高的推理設定,FrontierCode 2.0 則用預設的 high;Opus 5.5 與 GPT-6.2 Sol 的分數除另有註明,取自兩家自報的數字,預設採用最高的推理設定,沒有相應數字時改用能取得的最佳結果。Neon 的資安評測分數在關閉安全過濾器時測得,其他項目都開著過濾器。
SWE-sweep 的兩種執行框架
SWE-sweep 有兩列。在各家框架那一列,各模型跑在自家公司的執行框架上:Neon 用 Google 的 Antigravity-CLI 1.5.9 版,Opus 5.5 用 Claude Code,GPT-6.2 Sol 用 Codex。評測方法說明寫到,Antigravity-CLI 內建一個能派出子 agent、分頭搜尋整個程式庫的工具,特別適合 SWE-sweep 這類找錯誤的任務。這一列 Neon 得 39.0%,接近 Opus 5.5(10.1%)的四倍。在 mini-SWE 那一列,三個模型都用 mini-SWE-agent 框架,Neon 是 12.8%,GPT-6.2 Sol 是 11.6%,Opus 5.5 是 3.6%。兩列的分數都由 Google 自己計算。公告說,Neon 換到 Antigravity 後分數增為三倍以上,顯示這個框架能發揮的效果。
Google 引用的外部排名
Neon 在 xhigh 等級以 61 分排 Artificial Analysis 智力指數總榜第三,Google 說排在前面的都是較大、較慢的模型。Neon 在 Vals Index 排第二;在 Arena 新推出的 Agent Arena Index 以 1336 分排第二,這項指數依據 4,200 多個真實的 agent 工作階段。Zapier 的 AutomationBench 與 Andon Labs 的 Vending-Bench 2(模擬長期經營一門生意,Neon 的成績是 16,843 美元),Neon 都排第一。以上排名都是 Google 的說法。
每任務成本的說法
公告說,在預設的 high 等級,Neon 的 AA 智力指數分數很高,每任務成本比 Carbon 低 32%;同樣在 high 等級,Neon 在 Vals Index 與 Agent Arena 上的每任務成本比頂尖的其他公司前沿模型低約 50% 到 80%。換到 xhigh,Neon 拿到它最高的智力指數分數,Google 說每任務成本仍比其他公司模型在最高設定下低 36% 以上。公告附的 AA 成本圖列出 Carbon、Opus 5.5 與 GPT-6.2 Sol,但沒有標出 Carbon 各點的推理等級,也沒有說明以什麼價格計算;Vals Index 與 Agent Arena 的成本比較,公告沒有附圖。
安全評估看到什麼?
前沿安全的判定沿用 Argon
Google 的前沿安全框架(Frontier Safety Framework,FSF)用兩種能力門檻判定風險。關鍵能力等級(Critical Capability Level,CCL)是模型在沒有防護時,可能帶來嚴重(severe)傷害風險的能力門檻;追蹤能力等級(Tracked Capability Level,TCL)是 FSF 3.1 版(2026 年 4 月)定義的較低門檻,對應重大(significant)但未達嚴重的傷害。
依模型卡,Google 先做「重大能力變化」(Material Capability Change,MCC)評估,拿 Neon 和最近一個做過關鍵能力評估的模型比較,也就是 Argon。Neon 的綜合能力比 Argon 高,增幅沒有超過 MCC 門檻,所以依 FSF 不必重做完整的關鍵能力評估。
Neon 因此沿用 Argon 的能力評估結果與門檻判定。生物攻擊協助與資安攻擊協助的關鍵能力等級,以及失控風險中隱匿與情境覺察的追蹤能力等級,Google 都判定不能排除。化學、放射與核子攻擊協助的追蹤能力等級、有害操縱的關鍵能力等級,以及失控風險中加速與自動化機器學習研發的關鍵能力等級,則都判定未達到。濫用風險各項,模型卡都寫 Google 持續部署防護措施;失控風險三項則適用基本的 AI 控制與模型安全措施。模型卡另寫到,Google 加強了防範化學、生物、放射、核子與資安濫用的防護。Carbon 的判定同樣沿用 Argon,Neon 的完整評估結果則要等它的安全與資安報告發布。
內容安全與公告的其他安全數字
模型卡列出五項開發期間的內部安全評測,都是自動化評測,並非人工評測或紅隊測試。比較的對象是 Hydrogen,以 Neon 相對 Hydrogen 增減的百分點表示:純文字輸入的安全 0.00,多語安全 −0.40,圖文輸入的安全 +1.90,拒答語氣 +1.25,以上越高越好;不當拒答 −3.00,越低越好。模型卡說,前三項內容安全的差異都在信賴區間內,拒答語氣和 Hydrogen 相近,不當拒答則減少,多模態提示尤其明顯。
公告另外列了幾項安全數字。Google 說,Neon 搭配防範資安與生物濫用的即時防護,在這兩個領域拒絕的正當工作少得多,例如 Terminal-Bench 4.0 的任務拒絕 1.98%,Terminal-Bench-Science 拒絕 0%。在 Google 自家的 agent 誠實性評測上,Neon 的通過率是 99.2%。在 Gray Swan 評測的間接提示注入基準上,Neon 搭配即時防護、使用最高推理等級時,攻擊成功率是 0.0%。
限制
- 所有數字都經 Google 整理。其他公司模型的分數多半取自各家自報或公開排行榜;Neon 有不少項目由 Google 自己計算,包括 SWE-sweep、Agents’ Last Exam v1.1、Terminal-Bench-Science 0.1、Chartography、LVBench、GraphWalks、SEC-bench Pro,以及經 AgentCyberRange 驗證的 WebExploitBench v1.2。
- 對照組只有 Opus 5.5 與 GPT-6.2 Sol,沒有 Carbon,也沒有 Anthropic 的 Claude Fable 5.2 與 OpenAI 的 GPT-6.2 Astra。表中的最高分,只代表 Neon 在這三個模型中的位置。
- 三個模型的推理設定不完全一致,細節見基準表後的說明。
- 前沿安全的判定沿用 Argon,Google 沒有對 Neon 重做完整的關鍵能力評估,Neon 自己的安全與資安報告也還沒發布。