Gemini 4 Neon登顶编程Agent指数,58.6分背后有何玄机

Gemini 4 Neon 登顶编程 Agent 指数,但总分混合多类任务,需结合单项与实际测试选型。
Google 发布 Gemini 4 Neon,在 Artificial Analysis Coding Agent Index 上以 58.6 分排名第一,但该指数混合了代码库理解、代码修改、bug 修复与命令行操作等多类任务,单一总分不能代表全面领先。Google 公布的对比数据也显示,Cloud Opus 5.5 在 Terminal Bench 4.1 和 Frontier Code 2.0 上仍占优势。Neon 支持最高 100 万 token 上下文,可处理文档、图像、音频和视频,并提供四档思考等级以平衡推理深度、响应速度与 token 消耗。API 定价为每百万输入 token 3 美元、每百万输出 token 15 美元,缓存输入更低,但实际任务成本取决于 token 消耗,包括重试开销。文章建议团队用真实任务做小规模测试后再选型。
Google 推出了面向软件工程、分析型工作以及多步骤任务的 AI 模型 Gemini 4 Neon。在 Artificial Analysis Coding Agent Index 上,它以 58.6 分位列第一。这个成绩足够亮眼,但它比“Neon 在编程上击败所有对手”的说法要精确得多——这个指数混合了多种软件工作任务,单一总分并不能说明全部。
一个总分,多种能力维度
Artificial Analysis Coding Agent Index 的设计初衷,是把不同类型的软件工作放在一起衡量。有些任务测试 Agent 能否理解一个代码库;有些要求它修改代码、修复 bug,或者通过命令行界面完成工作。

这就意味着,模型可能在某类任务上表现出色,却在另一类上吃力。评测机构自己也建议,把综合得分和单项结果放在一起阅读,而不是只盯着排名。Google 公布的对比数据恰好印证了这一点:Neon 在部分评测中领先,而 Cloud Opus 5.5 在另外一些项目上仍然占优,包括 Terminal Bench 4.1 和 Frontier Code 2.0。
对开发团队来说,这个区分很有实际意义。理解一个陌生的代码仓库,和成功修复它,虽然是相关的任务,但对 AI Agent 提出的要求并不相同。前者考验的是上下文吸收与代码结构理解,后者考验的是精准定位与改动能力。一个模型在前者强、后者弱,或者反过来,都会直接影响它在真实工作流中的价值。
Artificial Analysis Coding Agent Index 是由独立评测机构 Artificial Analysis 维护的基准,专门评估 AI Agent 在真实软件工程任务上的表现。与传统的代码生成基准(如 HumanEval)不同,它测的不是“补全一段函数”,而是 Agent 在多步骤、带工具调用的场景下能否完成任务。评测通常包含几个子项:代码库理解(在大型仓库中定位相关代码)、代码修改与 bug 修复(精准改动并保持行为正确)、终端操作(Terminal-Bench 类任务,要求在命令行中执行多步操作达成目标),以及端到端的项目级任务(如 Frontier Code)。各子项加权汇总为综合分。因此综合分本质上是一个“平均能力”指标,掩盖了不同任务类型之间的强弱差异——这也是评测机构建议结合单项分数阅读的原因。
百万级上下文与四档思考深度
Gemini 4 Neon 支持最高 100 万 token 的上下文窗口,能够处理大量文本以及其他类型的输入。Google 列出的支持材料包括文档、图像、音频和视频。

大上下文对编程 Agent 的意义在于,它可以一次性吞吐整个代码库、相关文档和对话历史,减少反复截断和拼接带来的信息损失。对于需要跨文件追踪调用链、理解项目结构的任务,这一点尤为关键。
模型还提供四档思考等级(thinking levels),让用户控制它在任务上投入多少推理。这个设计把“思考成本”变成了可调节的旋钮:简单任务用低档快速通过,复杂任务再拉高推理深度。对团队而言,这直接关系到响应速度和 token 消耗之间的平衡。
思考等级(thinking levels) 是近年来推理型模型普遍引入的机制,本质上是让模型在生成最终答案前进行不同长度的内部推理(chain-of-thought)。低档位减少推理 token、响应更快、成本更低,适合格式转换、简单查询等任务;高档位允许模型展开更长的推理链,适合复杂 bug 定位、多约束规划等任务。四档设计把“推理预算”显式交给调用方控制,在 Agent 场景下尤其有用:外层编排逻辑可以根据任务难度动态选择档位,避免简单步骤也消耗大量推理 token。需要注意的是,高档位并不必然带来更好结果,过度推理有时反而引入错误,实际使用中应针对任务类型做 A/B 测试。
定价与获取方式
API 定价为每百万输入 token 3 美元、每百万输出 token 15 美元,缓存输入的价格更低。

需要强调的是,这些是使用费率,不是单次任务的固定价格。完成一项工作的账单取决于 Agent 实际消耗了多少 token,包括额外的重试尝试。在 Agent 场景下,一次任务可能包含多轮工具调用和失败重试,实际成本往往会超出直觉估算,团队在评估时应当把重试开销纳入考量。
Google 通过其开发者与商业服务渠道推出 Neon,符合条件的付费用户也可以在 Anti-Gravity 和 Gemini 应用中访问。
排名之外,更该看什么
Neon 给开发者提供了一个新的竞争选项,这本身就有价值。但正如评测机构所提示的,用团队实际要做的工作去测试它,比看一个单一排名更能说明问题。

如果你的团队主要做大型遗留代码库的理解与维护,百万级上下文和代码库理解类任务的得分更值得关注;如果日常以终端操作和缺陷修复为主,那么 Terminal Bench 4.1、Frontier Code 2.0 这类单项结果,以及 Cloud Opus 5.5 在这些项目上的领先,就不该被综合排名掩盖。
选型的正确姿势,是拿几个真实任务跑一遍:一个需要读懂陌生仓库的任务,一个需要跨文件修复 bug 的任务,再加一个命令行多步骤任务。三场小测试的结果,比任何榜单都更贴近你的实际账单和产出。
背景补充
上下文窗口(context window) 指模型单次请求中能处理的最大 token 总量,涵盖输入(提示、代码、文档)与输出。100 万 token 大致相当于数十万行代码或数百页文档。大窗口的价值在于减少“分块—检索—拼接”的工程复杂度:Agent 可以把整个仓库结构、关键文件和对话历史一次性放入上下文,避免因截断丢失跨文件依赖信息。但大窗口也有代价——输入 token 越多,单次调用费用越高,且模型对超长上下文中部信息的注意力可能衰减(常被称为“lost in the middle”现象)。因此实践中通常仍会配合检索与摘要策略,而非无差别地塞满窗口。
相关推荐

Gemini 4 Neon实测Blender:便宜但非王者
B站UP主实测Gemini 4 Neon在Blender中的建模能力,五轮对比Claude Fable、Opus和GPT。Neon细节接近Fable但动画仍落后,价格44美元低于Fable的52美元,而更便宜的Argon以不到14美元成为性价比惊喜。

Gemini 4 Neon实测:能否挑战Opus 5.5?
谷歌49天连发4款Gemini 4模型,Neon实测能否挑战Opus 5.5?本文从榜单评测、真实视频制作任务和订阅成本三个维度分析Neon的真实水平,指出前沿模型差距已从写代码能力转向审美决策与意图理解。

前罪犯揭秘监狱心理变态比例:每880人约200个
前罪犯Larry Lawton在Lex Fridman播客中分享监狱观察:880名终身监禁犯中约200人是心理变态,比例高达23%。他探讨了善恶界限、监狱中的社交与情感,以及黑暗经历带来的智慧。