💡 站外导读:Google DeepMind 正式推出 Gemini 4 Neon,精准破解工程、科研与长程代理中“强模型太慢太贵、轻量模型不够稳”的核心痛点。Neon 拥有 100 万上下文、四档思考调节与每百万输入 3 美元(缓存仅 0.15 美元)定价,不仅登顶 Artificial Analysis 编码代理榜与多项自动化基准,更借由 Antigravity 实现超三倍的代码修复跃升。

一、 家族版图落子与定价模型:填补“高智能 × 高频执行”的黄金中坚
在 Google DeepMind 的 Gemini 4 产品矩阵中,此前已布局定位最难长程项目的 Gemini 4 Carbon 与主打日常高速执行的 Gemini 4 Hydrogen。今日正式登场的 Gemini 4 Neon 精确卡位两者之间,旨在以明显更低的单任务推理耗时与预算,交付逼近超大旗舰模型的前沿智能与端到端任务完成度。
规格与计费策略上,Gemini 4 Neon 原生支持 100 万(1M)token 上下文窗口,可直接在单次会话中吞吐并综合跨电子表格、PDF、图表、音频与视频的多模态企业数据。定价方面,标准输入为 每百万 token 3 美元,启用上下文缓存后的输入费用直降 95% 至 每百万 token 0.15 美元,输出则为 每百万 token 15 美元。
为避免所有简单任务都盲目消耗深思考预算,Neon 进一步打磨了 四档思考级别(Thinking Levels),让开发团队能按工作负载动态权衡延迟与准确率。在默认的 high 思考档位下,Neon 在保持高智能水准的同时,单任务平均成本较 Gemini 4 Carbon 降低 32%;并在 Vals Index 与 Agent Arena 两大榜单上双双站上帕累托前沿,单任务成本比同梯队顶尖竞品低约 50% 至 80%。即便切换至应对最棘手工程与科研难题的 xhigh 最高思考档,其 Artificial Analysis Intelligence Index 仍取得 61 分(同类领先、总榜第 3),且单任务成本比开启最高档的竞品便宜 36% 以上。
二、 企业知识、商业长程模拟与科学推理:多项独立榜单直冲榜首
在知识工作与专业分析维度,独立基准测试给出了极具说服力的成绩单:Neon 在 Vals Index 拿到 70.9% 位居全球第 2,并在专业壁垒极高的 Legal Research Bench(法律研究) 与 Tax Agent Bench(税务智能体) 双双拿下第 1;在 Surge AI 评测集上,Neon 横扫金融、会计、电子表格建模及复杂约束遵循的大多数单项冠军。
面对需要多步工具联动与长周期商业决策的智能体考验,Neon 在密集图表阅读基准 Chartography 斩获 73.5%,在 Agents’ Last Exam v1.1 达到 75.8%(与顶尖前沿模型持平),并在 Zapier AutomationBench(56.3%) 与 Andon Labs 模拟真实商业经营的 Vending-Bench 2($16,843) 同步夺得总榜第 1。更关键的是,在横跨 4,200+ 个真实智能体交互会话的 Agent Arena Index 中,Neon 以 1336 分首秀即登全球第 2,其中评估“任务中途听从人类纠偏指令”的 可控性(Steerability) 单项同样位列第 2。
而在硬核数理与科研计算领域,Neon 在 Terminal-Bench Science 拿到 70.5%、RiemannBench 达到 84.0%、HLE-Diamond 达到 71.3%,全部位列同级模型最优水平。此外,Google Antigravity 内部测试显示,Neon 创下了迄今为止最低的虚构捏造率(Fabrication Rate)。

| 评测维度 / 权威基准 | Gemini 4 Neon 核心成绩 | 同级位次与关键工程意义 |
|---|---|---|
| 综合智能 (AA Intelligence / Vals Index) | AA Index 61 (xhigh) / Vals 70.9% | AA 总榜 #3、Vals #2;high 档单任务成本较 Carbon 降 32%、较竞品低 50%–80% |
| 代理编码 (AA Coding / Terminal-Bench 4.1 / SWE-sweep) | AA Coding 58.6 / TB 4.1 65.2% / Antigravity SWE 39.0% | AA Coding 总榜 #1;FrontierCode 2.0 达 46.2%;Antigravity 环境令 SWE 表现暴涨 3x+ |
| 企业自动化 (AutomationBench / Vending-Bench 2 / Agent Arena) | AutomationBench 56.3% / Vending $16,843 / Arena 1336 | Zapier 与长程商业模拟双料 #1;4,200+ 真实会话 Arena 与中途纠偏可控性双料 #2 |
| 科研数理 (TB Science / RiemannBench / HLE-Diamond) | TB Science 70.5% / Riemann 84.0% / HLE 71.3% | 覆盖定量分析、高阶数学与技术研究,三项均达同类最佳(Best-in-Class) |
| 网络攻防 (AutoBaxBench / WebExploitBench / SEC-bench Pro) | AutoBax Hard 76% / WebExploit 51.26% / SEC-bench 90.5% | 三项全取 SOTA;WebExploit 与 SEC-bench 单挑战成本仅为大型竞品约一半,CWE-bench v2 达 70.7% |
三、 生产级编码与 Antigravity Harness:从 12.8% 到 39.0% 的三倍跃迁
面向需要频繁调用外部工具、跨数十个代码文件执行外科手术式修改的生产级研发流,Neon 在设计上专门削减了冗余文件重复读取,能够实时主动同步进度,并在长会话中可靠执行上下文压缩(Context Compaction)。在权威的 Artificial Analysis Coding Agent Index 上,Neon 以 58.6 分登顶总榜第 1;在 Terminal-Bench 4.1 取得 65.2%,在 FrontierCode 2.0 默认 high 档取得 46.2%。
一个极具工程启发意义的发现来自 SWE-sweep 评测:Neon 在基础 mini-SWE 框架上已经领先达到 12.8%,而一旦接入 Google Antigravity 执行环境,解决率直接翻了三倍有余,飙升至 39.0% 的 SOTA 水平。这直观验证了当高判断力模型与恰当的脚手架(Harness)结合时所能释放的乘数效应——在 Antigravity 中,Neon 既能单兵作战,也能扮演高速高判断力的 Orchestrator(总编排器),并行调度多个 Hydrogen 子智能体协同交付。
DeepMind 同步展示了四个在 Google Antigravity 中由 Neon 驱动的极端工程实录:
1. 驱动 Blender MCP 与图形引擎
通过 /swarm 调用 Blender MCP 构建以元素精准还原 Gemini 4 家族命名的 3D 实验台(本生灯对应 Carbon 与 Hydrogen,高压气体放电管对应 Argon 与 Neon);另一次独立运行中,Neon 零预置资产从头编写出基于勃朗峰与夏慕尼真实高程数据的 WebGL2 第一人称滑雪模拟器,内含 10,200 行自定义着色器、120 Hz 滑雪物理、动态雪道刻痕、雪崩机制与空间 Web Audio。
2. 历史重现与零脚本表格黑魔法
借助 /swarm 检索历史档案照片,1:1 互动式 3D 复刻了 1936 年剑桥国王学院的艾伦·图灵书房(从教堂外观到 X.8 室内与桌面上可运行的通用图灵机);更令人拍案的是,智能体集群在 零嵌入图片、零 Apps Script 脚本 的限制下,纯靠超过 50 万条实时电子表格公式,将单张照片转化为 10 万单元格的 Google Sheet,在表格内直接完成边缘检测、3D 深度映射与六种交互式打光重绘。

四、 前沿网络防御与全栈安全对齐:0.0% 间接提示词注入攻破率
随着智能体编码规模化,源码“出生即安全”与自动化漏洞防御成为刚需。面向防御场景的 Gemini 4 Neon for cyber(未来数日内将通过 Fairwind Program 向受信任安全团队推送)在安全开发与红蓝对抗全周期交出了压倒性性价比:在 AutoBaxBench 的简、中、难三档全面超越 Carbon,并在 Hard 难度拿下 76% SOTA;在企业渗透测试基准 WebExploitBench v1.2 取得 51.26% SOTA,而单次成本仅为大型竞品的一半。
在既有代码加固的三道核心关口上,Neon 同样全线领跑:
- 漏洞挖掘(Finding):在 SEC-bench Pro 取得 90.5% SOTA,单题成本约比大型竞品省一半。
- 可利用性验证(Exploitation):在 ExploitGym 达到前沿战力,且 token 消耗仅为 Carbon 的 50%。
- 根因修补(Patching):在 Collinear CWE-bench v2 取得 70.7%,较 Carbon 净提升 3.4 个百分点。
在模型行为纪律与防越权层面,Neon 继承了 Gemini 4 Carbon 级别的高危生物/网络滥用拦截,却将合法请求误拒率压到极低——Terminal-Bench 4.0 拒答率仅 1.98%,Terminal-Bench-Science 更低至 0%。同时,它在 Terminal-Bench 4.0 实现 0.0% 作弊率,内部编码投机取巧率降至 Gemini 4 全家最低的 2.45%,智能体安全套件越界行动率仅 0.09%,诚实度通过率高达 99.2%,服务不足(under-service)再降 43%–56%、越权操作(overreach)降 15%–35%。面对网页、邮件或代码夹带恶意指令的 Gray Swan 间接提示词注入(IPI) 基准,Neon 在最高思考档结合实时防护下实现了 0.0% 攻击成功率。目前,开发者与企业已可通过 Google AI Studio / Android Studio 的 Gemini API 付费层、Gemini for business 以及面向 Pro/Ultra 订阅用户的 Google Antigravity 与 Gemini 应用即刻接入。

五、 漏洞攻防实测补充:WebExploitBench 渗透效率全览
在评估大模型能否真实承担企业持续安全测试(Continuous Pentesting)的 WebExploitBench v1.2 中,决定能否大规模普及的关键往往不是单次能不能跑通,而是“发现一枚真实可利用漏洞需要烧掉多少推理成本”。Neon 凭借 51.26% 的准确率与腰斩的调用开销,让安全团队首次具备了在 CI/CD 每次合入前高频运行深层安全审计的财务可行性。

📝 站长洞察 (Editor’s Insight)
Gemini 4 Neon 的真正杀伤力不在于某一项榜单刷分,而在于把“可量化的思考深度”与“95% 上下文缓存折扣”焊进了高频生产工作流的成本模型里。当百万缓存输入压到 0.15 美元、默认 high 档位单任务成本较竞品低五到八成且仍稳居帕累托前沿时,开发者终于能把全库安全巡检、自动化修复与多智能体协同当作常态后台任务运行。尤其值得注意的是 SWE-sweep 从 12.8% 到 Antigravity 环境下 39.0% 的三倍跃迁——这再次印证了 2026 年大模型落地的胜负手已从纯参数竞赛彻底转向“强推理底座 + 专用 Harness 编排”的系统工程。
Gemini 4 Neon适合哪些场景?
它更适合工程开发、企业知识分析、长程智能体任务和科研推理等高频执行场景。凭借1M上下文、四档思考和较低缓存成本,Neon能在复杂任务中兼顾稳定性、速度与预算控制。
Gemini 4 Neon的价格和缓存价是多少?
文中给出的定价是:标准输入每百万token 3美元,启用上下文缓存后输入费用降至每百万token 0.15美元,输出为每百万token 15美元。适合需要反复调用长上下文的工作流。
Gemini 4 Neon在编码和智能体评测上表现如何?
它在Artificial Analysis编码代理榜登顶,AA Coding为58.6;在Antigravity环境中SWE表现提升3倍以上,并在AutomationBench、Vending-Bench 2和Agent Arena等自动化基准中取得领先或前列成绩。
📊 Gemini 4 Neon 与 Claude Opus 5.5、GPT-6.2 Sol 基准评测对比(AI 视觉结构化提取)
核心发现:图中展示的基准对比表明,Gemini 4 Neon 在多数编码、长上下文、知识工作与安全相关评测中领先或保持第一梯队,尤其在 GraphWalks、SEC-bench Pro 和 SWE-sweep(Provider harness)上优势明显。
| 类别 | 基准 | Gemini 4 Neon | Claude Opus 5.5 | GPT-6.2 Sol |
|---|---|---|---|---|
| Capability Indices | AA Index v5.0.1 | 61 | 59 | 57 |
| Capability Indices | Vals Index v2.2 | 70.9% | 70.1% | 66.1% |
| Agentic coding | CursorBench 4.1 | 65.4% | 58.1% | — |
| Agentic coding | Terminal-bench 4.1 | 65.2% | 65.8% | 61.5% |
| Agentic coding | FrontierCode 2.0 | 46.2% | 47.3% | 43.8% |
| Agentic coding | SWE-sweep(Provider harness) | 39.0% | 10.1% | 8.3% |
| Agentic coding | SWE-sweep(Mini-SWE harness) | 12.8% | 3.6% | 11.6% |
| Knowledge work | AutomationBench | 56.3% | 42.5% | 41.3% |
| Knowledge work | Agents' Last Exam v1.1 | 75.8% | 71.6% | 73.0% |
| Science and math | RiemannBench | 84.0% | 80.0% | 80.0% |
| Science and math | Terminal-Bench-Science 0.1 | 70.5% | 63.3% | 68.0% |
| Reasoning | HLE-Diamond | 71.3% | 67.9% | 64.0% |
四档思考该怎么按任务分配?
把低档用于检索、分类、草稿生成,把高档留给复杂推理、长链路调试和高风险决策。实战里最重要的是按任务设定预算上限与超时策略,避免“全程高思考”把成本和延迟拉爆。
1M上下文落地时最怕什么坑?
最常见是上下文虽长但有效信息稀释,导致模型抓不住关键约束。建议分层摘要、结构化索引、分段检索再拼装输入,并对长对话做记忆裁剪与引用校验,别把长上下文当无限记忆。
