谷歌Gemini 4 Neon发布:跑分全球第三,单任务成本约6.44美元
用一半的成本打出顶级 Agent 表现,谷歌 AI 这一波真的支棱起来了。
谷歌这回算是真回来了。
11 月 18 日,Google DeepMind 把
Gemini 4 Neon 的霓虹灯牌点亮了。
这是 Gemini 4 系列 7 周之内推出的第 4 款元素模型。翻一翻官方晒出的基准跑分长表,再看看社区里的实测反馈,会发现它卡的位置很舒服:智商接近旗舰,局部还能反超,单任务成本却只有对手的一半左右。
Reddit 技术社区里,平时挑剔的开发者这回几乎一边倒地点赞,说它「便宜得离谱又强得可怕」。花 19.99 美元月费订阅 Google AI Pro 的普通用户也捡了便宜,不必硬上 Ultra 档,在 Gemini App 里就能用到准旗舰水平的模型。再算上整个 11 月接连落地的模型和工具,曾经在牌桌边上打转的谷歌 AI,又重新坐回了牌桌中央。
唯一让全球程序员看不懂的,是谷歌那套命名。9 月底叫 Argon(氩),10 月底叫 Carbon(碳),11 月中旬来了 Hydrogen(氢),现在又轮到 Neon(氖),原子序数不看,字母表不按,能力强弱也不分。
Hacker News 上有网友较真,把化学性质一条条列出来找规律,最后无奈吐槽:谷歌八成是把元素名丢进帽子里随手抓的,用星巴克杯型来命名都比这清楚。国内网友则开始催更第 118 号元素「鿫」(Oganesson),顺带调侃看条科技新闻还得重背初中化学。

网友给 Gemini 4 设计的「元素周期表」选模型界面|图片来源:网络
01
炼金术「杰作」
名字让人摸不着头脑,Neon 在产品矩阵里的定位倒是切得异常清楚。
它卡在重型长周期旗舰 Carbon 和轻量高频执行模型 Hydrogen 中间,直接顶掉了此前 Gemini 3.1 Pro 与 Argon 的位置。Alphabet 首席科学家兼 DeepMind 董事长 Demis Hassabis 对它评价很高,称它是「炼金术的杰作」。
这句评价背后是硬指标。Neon 的上下文窗口为 100 万 token(在 Antigravity 中最高支持 512K 上下文),输出上限最高 100 万 token,原生支持文本、音视频、PDF 和电子表格多模态输入。核心推理上,它给出 low、medium、high(默认)、xhigh 四档思考深度可调,开发者控成本的余地很大。
独立评测机构 Artificial Analysis 的数据很能说明问题。AA Intelligence Index v5.0.1 总榜上,Neon 开 xhigh 档拿到 61 分,排在全球第三,前头只有 GPT-6.2 Astra 和 Claude Fable 5.2;自家老大哥 Carbon 的 high 档(60 分)、Anthropic 的 Claude Opus 5.5(59 分)、OpenAI 的 GPT-6.2 Sol(57 分)都被它压在下面。切回默认 high 档也有 60 分,降到 medium 档的 55 分,仍高过轻量模型 Hydrogen 拼尽全力的 xhigh 档(54 分)。
企业客户真正动心的,是那张跑分对单任务成本的散点折线图。一线旗舰的智商,中端走量模型的账单,Neon 把这两样凑到了一起。
输出速度约每秒 110 tokens,差不多是 Carbon(约 57 tokens/s)的两倍;跑完 AA 基准单任务的平均耗时从 Carbon 的 36 分钟压到 21.5 分钟,单任务成本定在 6.44 美元,比恢复标准价后的 Carbon(7.76 美元)低约 17%。到了 Antigravity 平台默认 high 档,单次任务成本比 Carbon 直接少了 32%。

AA Index v5.0.1 下 Gemini 4 Neon 各档位与 Carbon、Claude Opus 5.5、GPT-6.2 Sol 的智力分与单任务成本对比|图片来源:Google
再看眼下最卷的编程和企业级赛道,这种性价比的杀伤力更直白。AA Coding Agent Index 榜上,Neon 以 58.6 分(约 59 分)排第一,账面实力和 Claude Code 加持的 Claude Fable 5.2、Opus 5.5(均为 58 分)差不多。可一算钱,Neon 在 Antigravity CLI 下平均单任务成本只有 6.86 美元,约为 Claude Opus 5.5(12.61 美元)和 Fable 5.2(15.47 美元)的一半。
落到代表真实工程能力的细分测试,Neon 在 CursorBench 4.1 拿到 65.4%,压过 Opus 5.5 的 58.1%;Antigravity 环境下的 SWE-sweep 冲到 39.0%,远超 Opus 5.5 的 10.1% 和 GPT-6.2 Sol 的 8.3%。模拟企业自动化的 Zapier AutomationBench(56.3%)、模拟长期商业经营的 Vending-Bench 2(16,843 美元)、科学推理 RiemannBench(84.0%)、AA-Briefcase 的输出呈现质量单项(1771 Elo),它都拿了榜首;面向 Fairwind 计划防御者开放的网安特化版,在 SEC-bench Pro 上也刷出 90.5% 的高分。

Gemini 4 Neon 在编程、知识工作、科学推理与网络安全等基准上与 Claude Opus 5.5、GPT-6.2 Sol 的对比|图片来源:Google
当然,这颗新引擎也不是一点毛病没有。最直接的问题是高档位下话太多、等太久:xhigh 档跑完 AA 全套评测,Neon 的输出一口气冲到 2.83 亿 tokens,比 Carbon 高出不少,首答延迟也拖到了 56.51 秒。真要追求极致响应,把它调回 medium 档更划算——耗时能压到 8.3 分钟,输出量也会收窄到 6290 万 tokens。
另一个在国内技术论坛「大佬说」上被开发者反复聊起的小插曲,是 11 月底前短暂出现的「价格倒挂」。Neon 的 API 按输入 3 美元、输出 15 美元(每百万 tokens,缓存命中享 95% 折扣至 0.15 美元)的正式价上线,没给免费额度;而旗舰 Carbon 和 Argon 在 11 月 30 日前还处在 2 美元和 10 美元的首发优惠期,12 月 1 日才恢复 4 美元和 20 美元的原价。结果就是 11 月剩下的十几天里,次旗舰单价反倒比旗舰贵了 50%,这种商业上的时间差颇有点黑色幽默。
02
从单兵炫技到包工头带队
跑分表格终究是死的。真正让技术圈兴奋的,是 Neon 在真实工程环境里露出的统治力——打开
Google Antigravity 的实机演示画面,长程多智能体协同是什么样,一眼就能看明白。
在名为 NEONPUTT 84 的项目里,Neon 启动 /swarm 模式,在实时跳动的任务图谱中同时调度 scaffold、shaders、courses、physics、ui、engine、verifier 等 8 个并行节点。这些节点分工写出了自定义 GLSL 着色器、240Hz 物理引擎和 8 个关卡,拼出一个 3D 合成波风格的迷你高尔夫游戏。更绝的是,代码写完后它自己接管浏览器点测试界面,瞄准、击球,稳稳打出一杆进洞。

Gemini 4 Neon 在 Antigravity 中通过 /swarm 调度 8 个并行子 Agent 协同开发|图片来源:Google Antigravity

Gemini 4 Neon 生成 3D 迷你高尔夫游戏 NEONPUTT '84 并自主操作浏览器验收测试|图片来源:Google Antigravity
时间拉长之后,它的持久力一样出人意料。官方做了一次演示:在 Antigravity 中,Neon 通过 /swarm 不间断跑了 12 小时,只靠历史档案照片,就把艾伦·图灵 1936 年在剑桥国王学院的书房在 3D 空间里一块砖一块瓦地还原出来,虚拟书桌上还运行着一台能真正交互的通用图灵机。YouTube 频道 CHOOSETO.AI 上,一位刚加入谷歌的开发者凭早期内测权限放出了不少一手实测,跑分环节全跳过:视频里,Neon 用一条 SDF 数学公式直接写出细节丰富的 3D 龙,用一个文件生成带动作的 SVG 孔雀,还把一张 1959 年的旧平面户型图改成了可以走进去逛的 3D 房屋。再看硬核的后端场景,它在 Google Cloud Run 上自己部署值班 Agent,应用被人为搞挂后很快完成回滚;在 DGX Spark 上,它还能跑双星系碰撞模拟,或者不经训练就手写神经网络权重。
除了自己挽起袖子干重活,Neon 最聪明的进化是学会了当「包工头」。这次 Antigravity 同步上线了全新的 Orchestrator(Neon)双模型自动编排模式:遇到复杂的多文件工程,Neon 坐镇中军负责架构规划与状态审查,常规的代码修改、包更新和跑测试全交给便宜轻快的 Hydrogen;一旦执行环节卡壳,控制权自动交回 Neon 修正计划,开发者再也不用手动切模型。
它的脾性,一线工程团队也摸得相当清楚。GitHub Copilot 官方博客专门写到:跟老大哥 Carbon 比,Neon 启动更快,更要紧的是改代码时更克制——没被要求就擅自改动别处的情况少了很多,对代码和工具结果的编造率在内部测试里也降到了新低。早期合作的机器学习研究团队则看到,它不再像「新手研究员」那样一遇实验失败就放弃,而是会像老练的学者,追问原因、找新信号,并主动重构建模策略。
03
「北美大豆包」的绝地翻盘
看着今天的气势,很难想象仅仅四个月前,谷歌 AI 在中文互联网上还顶着「北美大
豆包」这个颇具讽刺意味的外号。把日历翻回 2026 年 7 月前后,那是 Gemini 口碑最暗淡的低谷:数学推理翻车、安全审查频出抽象失误,网友群嘲铺天盖地;5 月 Google I/O 大会上承诺 6 月交付的 Gemini 3.5 Pro 爽约跳票,最后只能端出 3.5 Flash 去对标竞品中端;主流编码和 Agent 榜单首页一度连 Gemini 的名字都找不着。更尴尬的是,模型内置知识库长期停在 2025 年 1 月,直到 3.6 Flash 才更新到 2026 年 3 月,连竞争对手发了什么新版本都不认识,一开联网搜索智商还容易跟着滑坡。
短短四个月过去,牌面彻底翻了过来。整个 11 月,谷歌打出的节奏密度极高:7 周连发四款 Gemini 4 元素模型,同步端出能用提示词生成可交互 3D 环境的世界模型 Genie 4、低成本处理长视频的 Gemini Omni 1.2 Flash,还把 Antigravity 锤炼成了横跨软件开发与化学信息学科研的硬核 Agent 平台。各大综合榜单上,谷歌终于重新有了与 OpenAI 的 GPT-6.2 系列、Anthropic 的 Claude 5.2 及 Opus 5.5 正面对话的底气。
谷歌这轮翻盘,是怎么做到的?

Google DeepMind 高级副总裁、首席 AI 架构师 Koray Kavukcuoglu|图片来源:Google
今年 8 月,谷歌做了一次关键的组织调整:Demis Hassabis 转任 Alphabet 首席科学家兼 DeepMind 董事长,日常运营和 Gemini 路线图则交到了 DeepMind 高级副总裁、首席 AI 架构师 Koray Kavukcuoglu 手里。9 月在 The Information 的峰会上,Koray 把话挑明:「讨论我们是不是已经实现 AGI,根本算不上眼下正确的问题」——他要让所有人把注意力收回到做出可靠的实用 Agent 上。
过去那种憋到年底再放大招、结果屡屡跳票的做法,被他彻底叫停,取而代之的是「尽早发货、高频迭代」的硬规矩。预训练和后训练之间,他还专门塞进了一支盯编程能力的「中训练」团队。
DeepMind 后训练负责人 Melvin Johnson 的说法是,Gemini 此前卡住的原因在于:简单任务都做对以后,模型就再也拿不到有效的学习信号。团队于是搭起一套很严的自动化强化学习闭环,挑的都是 Agent 仍会翻车的高难度跨仓库工程难题,放进严格沙盒、配上保留单元测试反复练。对「绕过检查器、伪造测试结果」这类作弊,系统的惩罚相当重,严格环境下的内部虚构率被压到约 1.5%,创下新低。
真正在底下撑住这一切的,是谷歌自研全栈硬件熬了多年后的兑现。
牌桌上的其他玩家还在为英伟达 GPU 缺货和高企的算力账单发愁,谷歌这边,第 7 代 TPU Ironwood 搭配开源软件层 TPU Sync 已经成熟落地,海量上下文的 KV 缓存能以毫秒级卸载到主机内存。
SemiAnalysis 的评测给出的结论是,Ironwood 在长上下文和多轮 Agent 场景下每美元产出优势明显,连死对头 Anthropic 都签了大规模的 TPU 算力合作。谷歌的第 8 代 TPU 更进一步,训练芯片和推理芯片已经开始彻底拆开、各自独立优化。自有算力在底座上不断供,谷歌才敢打价格战,才敢推「Neon 加 Hydrogen」的大小模型混编。
几个月前还被群嘲的「北美大豆包」,靠工程纪律和算力家底把自己拉了回来。谷歌不再执着于用一篇宏大论文证明 AGI,改成每两周发一次版,把好用的模型推向市场——OpenAI 和 Anthropic 最不想看到的那个对手,这下真的醒了。