[控场AI]
· 9 分钟阅读· 4,779 字

Gemini 4 Neon发布:前沿智能与高效任务执行的平衡之作

Gemini 4 Neon发布:前沿智能与高效任务执行的平衡之作

Gemini 4 Neon 发布,主打前沿智能与成本效率平衡,编程与 agent 场景表现突出。

Google DeepMind 发布 Gemini 4 Neon,定位介于深度推理的 Carbon 与轻快的 Hydrogen 之间,填补「高频、复杂、又不能太贵」的空白。它在 Artificial Analysis Intelligence Index 上以 61 分排名第三,Vals Index 排名第二并落在帕累托前沿。定价为每百万输入 token 3 美元、缓存输入 0.15 美元、输出 15 美元,上下文窗口 100 万 token,默认 high 等级每任务成本比 Carbon 低 32%。编程与 agent 场景表现突出,Coding Agent Index 排名第一,SWE-sweep 在 Antigravity 中达 39.0%。安全对齐数据亮眼,拒绝率 1.98%、作弊率 0.0%。另有面向可信防御者的 Neon for cyber 版本。

Google DeepMind 正式发布 Gemini 4 Neon,一款定位在「前沿智能 + 快速端到端任务完成」之间的新模型。与同家族中偏重超长周期复杂项目的 Carbon、主打日常快速执行的 Hydrogen 不同,Neon 试图在深度推理与成本效率之间找到新的平衡点,覆盖复杂软件工程、知识工作与科学工作流。

Gemini 4 Neon 发布公告

一、性能定位:挤进第一梯队,但主打「够快够便宜」

据 Google DeepMind 高级副总裁兼首席 AI 架构师 Koray Kavukcuoglu 介绍,Neon 在 Artificial Analysis Intelligence Index 的 xhigh 思考等级下拿到 61 分,综合排名第三,仅次于体量更大、速度更慢的模型。在 Vals Index 上它排名第二(70.9%),并落在帕累托前沿——这意味着在「智能水平 vs 成本」的权衡曲线上,它没有明显的位置劣势。

值得关注的是 Neon 在「可操控性」上的表现。在全新的 Agent Arena Index 上,它排名第二,能够较好地适配任务中途的用户纠正。在 Google 内部的 Antigravity 测试中,Neon 还创下了 Google 迄今最低的虚构(fabrication)率,并在多步指令遵循上表现突出。

价格方面,Neon 的输入为每百万 token 3 美元(缓存输入为每百万 token 0.15 美元,相当于 95% 折扣),输出为每百万 token 15 美元,上下文窗口为 100 万 token。

帕累托前沿(Pareto frontier) 是多目标优化中的核心概念:当不存在任何方案能在不牺牲某一指标的前提下改进另一指标时,这些方案构成的集合即为帕累托前沿。在 AI 模型评测语境中,横轴通常是每任务成本、纵轴是智能分数,落在前沿上意味着该模型在给定成本下智能最高,或在给定智能下成本最低——没有其他模型能同时在两方面碾压它。文中称 Neon「落在帕累托前沿」,正是强调它不存在明显的位置劣势,而非简单地说它某一项分数最高。

Artificial Analysis Intelligence Index 是由独立评测机构 Artificial Analysis 维护的综合智能指数,它聚合多个高难度基准(推理、代码、数学、知识等)折算成单一分数,便于跨模型横向比较。所谓「xhigh 思考等级」,指的是模型可配置的内部推理 token 预算档位;等级越高,模型在给出最终答案前进行的显式思考越多,得分通常更高但延迟与成本也随之上升。因此看到 61 分时,需要和同等思考等级下的其他模型对比才有意义。

二、企业与科学场景:一张表格到一座实验室

Neon 的核心卖点之一是「把散落在表格、PDF、图表、音频和视频里的信息,在单个 100 万 token 的上下文里合成结构化交付物」。

在独立评测中,Neon 于 Vals Index 排名第二(70.9%),并在 Legal Research Bench 和 Tax Agent Bench 上双双登顶。在 Surge AI 的评测中,它在金融、会计、表格建模和复杂约束遵循等多个类别上排名第一;Chartography 上得分为 73.5%,Agents' Last Exam v1.1 上得分为 75.8%,与同级别领先模型持平。它还在 Zapier 的 AutomationBench(56.3%)和 Andon Labs 的 Vending-Bench 2(16,843 美元,长周期经营模拟)上取得整体第一,并在 Arena 全新的 Agent Arena Index 上以 1336 分位列全球第二,该评测覆盖 4200 多个真实 agent 会话。

科学推理方面,Neon 在 Terminal-Bench Science(70.5%)、RiemannBench(84.0%)和 HLE-Diamond(71.3%)上均表现领先。

三、生产级代码与 Agent 工作流

Neon 明确为长时间运行的 agent 工作流设计。它可以独立运行,也可以在 Google Antigravity 中担任「高速判断型 Orchestrator」,指挥并行的 Hydrogen 子 agent。官方称其减少了冗余文件读取、边工作边分享进度,并在长会话中可靠地处理上下文压缩。

在开发者核心工作流上,Neon 在 Artificial Analysis Coding Agent Index 上整体排名第一(58.6),Terminal-Bench 4.1 上得分 65.2%,FrontierCode 2.0 上默认 high 设置下得分 46.2%。对于生产级代码,它能在多文件仓库中做「外科手术式」的定向调试与重构。在 SWE-sweep 上,mini-SWE harness 下为 12.8%,而在 Google Antigravity 中跃升至当前最优的 39.0%——官方以此说明 harness 本身对模型能力的释放作用。

官方还给出几个展示性案例:在 Antigravity 中用 /swarm 驱动 Blender MCP,构建了一个可视化模型命名的逼真 3D 实验台;从零写出基于勃朗峰与霞慕尼真实高程地形的第一人称 WebGL2 滑雪模拟器,包含万行级自定义着色器与 120 Hz 滑雪物理;用 /swarm 拉取档案照片,以交互 3D 重建图灵 1936 年在剑桥国王学院的研究室,甚至让桌上的通用图灵机真正运转;以及把单张图片转成 10 万单元格、50 多万条实时公式的 Google Sheet,完成边缘检测、3D 深度映射与重打光。

Harness(评测框架/脚手架) 指围绕模型构建的一整套运行环境,包括工具调用接口、文件系统操作、上下文管理、重试与错误处理逻辑等。同一个模型在不同 harness 下得分可能相差数倍,因为 harness 决定了模型能否有效使用工具、能否在多轮中保持状态。文中 SWE-sweep 在 mini-SWE harness 下仅 12.8%、在 Google Antigravity 中跃升至 39.0%,正是说明「模型能力」与「工程框架释放能力」是两个独立变量——这也是官方强调 harness 作用的原因。

Orchestrator / 子 agent(sub-agent)架构 是长周期 agent 工作流的一种组织方式:一个主控模型负责拆解任务、分派子任务并汇总结果,多个子 agent 并行执行具体工作。Neon 在此扮演「高速判断型编排者」,指挥并行的 Hydrogen 子 agent,好处是主控模型不必亲自做所有重活,从而降低单任务成本并提升吞吐。相应地,这类架构对上下文压缩、进度同步与错误恢复的可靠性要求很高,文中提到 Neon 在长会话中「可靠地处理上下文压缩」即针对此点。

四、效率与思考等级:四档可调,成本优势明显

Neon 提供四个思考等级,让团队按任务需要调节智能水平与 token 消耗。官方称在默认 high 等级下,其每任务成本比 Carbon 低 32%;在 Vals Index 和 Agent Arena 上处于帕累托前沿,每任务成本比顶级竞品低约 50% 至 80%。xhigh 等级则面向最难的工程、分析与科学负载,智能分数最高,同时每任务成本仍比竞品最高设置低 36% 以上。

五、网络安全:从写安全代码到主动找漏洞

Neon for cyber 是面向可信防御者的专门版本。在 AutoBaxBench 上,它在简单、中等、困难三档均生成比 Carbon 更安全的代码,困难档达到当前最优的 76%。在 WebExploitBench v1.2 上,它以竞品大模型一半的成本取得当前最优的 51.26%。整个代码加固生命周期中,它在漏洞发现(SEC-bench Pro 90.5%)、可利用性验证(ExploitGym,token 用量为 Carbon 的一半)与补丁修复(CWE-bench v2 70.7%,较 Carbon 提升 3.4%)上均有前沿表现。该版本将通过 Fairwind Program 向可信防御者开放。

提示注入(prompt injection) 是 agent 时代最典型的安全威胁之一:攻击者把恶意指令藏在模型会读取的内容里(网页、文档、邮件、工具返回结果),诱导模型偏离原本任务去执行攻击者意图。间接提示注入 特指恶意内容并非由用户直接输入,而是来自模型在处理任务过程中被动获取的外部数据,因此更难防范。Gray Swan 的基准专门测量模型在这类攻击下的成功率,0.0% 意味着在该基准覆盖的攻击样本中模型均未被攻破——但需注意这并不等于对所有现实攻击免疫。

CWE-bench、SEC-bench Pro、ExploitGym 分别对应漏洞生命周期的不同环节:CWE-bench 衡量模型修复已知类型漏洞(CWE 为通用缺陷枚举)的能力,SEC-bench Pro 衡量发现漏洞的能力,ExploitGym 则衡量判断漏洞是否可被实际利用的能力。三者合起来构成「发现—验证—修复」闭环,这也是文中「代码加固生命周期」一词的含义。

六、安全与对齐:更少拒绝,更少越界

Neon 延续了 Gemini 4 的安全栈,在严重滥用防护与提示注入防御上维持 Carbon 级别,同时在模型对齐与 agent 行为上继续推进。

官方数据显示:Neon 在 Terminal-Bench 4.0 上的合法任务拒绝率为 1.98%,在 Terminal-Bench-Science 上为 0%;内部编码使用中,思维链与动作错位监控的告警率低于 Carbon 已很低的基线;Terminal-Bench 4.0 上作弊率为 0.0%,编码作弊评测中仅 2.45% 的任务走了捷径,为 Gemini 4 系列最低;agent 安全套件上的错位动作率为 0.09%,agent 诚实度评测通过率为 99.2%。在 agent 行为评测中,Neon 将「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,配合最高思考等级的实时防护,Neon 抵御了该基准内的全部攻击,达到与其他 Gemini 模型相同的 0.0% 攻击成功率。

七、哪里可以用

Gemini 4 Neon 即日起在 Gemini API 付费层(Google AI Studio、Android Studio)开放;Google AI Pro 与 Ultra 订阅者可在 Google Antigravity 中试用;企业用户可通过 Gemini for business 的 API 或模型下拉菜单使用;消费者可在 Gemini 应用的下拉菜单中选择 Neon。网络安全防御者则需通过 Fairwind Program 申请访问。

从定位看,Neon 不是要取代 Carbon 的深度,也不是要抢 Hydrogen 的轻快,而是补上「高频、复杂、又不能太贵」这段空白。对需要长期跑 agent 流水线的团队来说,这可能是更现实的选择。

分享:

相关推荐