谷歌Gemini 4 Neon亮相:61分冲上AA总榜第三,单任务成本仅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。
谷歌这回算是真正归位了。11 月 18 日,Google DeepMind 把
Gemini 4 Neon 的霓虹灯牌点亮。
短短 7 周,这已经是 Gemini 4 系列扔出的第 4 款元素模型。翻翻官方那份长长的基准跑分表,再看看社区实测反馈,会发现它的位置卡得极巧——智商已经贴近旗舰,个别项目还能反超,单任务成本却只有对手的一半左右,妥妥的「甜点」位。
Reddit 技术社区里,平时挑剔的开发者这次几乎一边倒,直说它「便宜得离谱又强得可怕」。每月掏 19.99 美元订阅 Google AI Pro 的普通用户也不用再咬牙上 Ultra 档,在 Gemini App 里就能直接用上准旗舰水准的模型。再加上整个 11 月密集落地的模型和工具矩阵,那个一度在牌桌边缘打转的谷歌 AI,又回到了牌桌中央。
让全球程序员摸不着头脑的,大概只剩谷歌这套神秘命名。9 月底叫 Argon(氩),10 月底是 Carbon(碳),11 月中旬换成 Hydrogen(氢),现在又来了 Neon(氖)——不按原子序数排,也不按字母表或者能力强弱分。
Hacker News 上有较真的网友把化学性质全列了一遍找规律,最后无奈吐槽:谷歌八成是把元素丢帽子里随机抓的,星巴克杯型都比这好懂。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
炼金术「杰作」
名字让人一头雾水,Neon 在产品矩阵里的刀法却清楚得很。它正好夹在重型长周期旗舰 Carbon 和轻量高频执行模型 Hydrogen 中间,直接顶掉了此前 Gemini 3.1 Pro 和 Argon 的位置。Alphabet 首席科学家兼 DeepMind 董事长 Demis Hassabis 对它评价很高,称其为「炼金术的杰作」。
这句评价背后是硬指标撑着。Neon 的上下文窗口为 100 万 token(在 Antigravity 中最高支持 512K 上下文),输出上限最高也是 100 万 token,文本、音视频、PDF 和电子表格都能原生多模态输入。推理能力上,它给出 low、medium、high(默认)、xhigh 四档思考深度可调,开发者在控成本上有了很大余地。
独立评测机构 Artificial Analysis 的数字最说明问题。AA Intelligence Index v5.0.1 总榜上,Neon 开 xhigh 档拿到 61 分,排在全球第三,前面只有 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)和 OpenAI 的 GPT-6.2 Sol(57 分)都被它压在身后。切回默认 high 档仍有 60 分,降到 medium 档拿到的 55 分,也高过轻量模型 Hydrogen 拼尽全力的 xhigh 档(54 分)。
企业客户真正看中的,是那张跑分对单任务成本的散点折线图:Neon 拿一线旗舰的智商,开出中端走量模型的账单。
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 分钟缩到 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%。在 Antigravity 平台默认 high 档下,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
转到眼下最卷的编程和企业级赛道,这种性价比的杀伤力更直观。AA Coding Agent Index 榜单上,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)大致打平;可算经济账,Neon 在 Antigravity CLI 下平均单任务成本只有 6.86 美元,差不多是 Claude Opus 5.5(12.61 美元)和 Fable 5.2(15.47 美元)的一半。真实工程能力的细分测试里,它同样领先: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%)以及 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,这台新引擎也有让人皱眉的地方。
高配置档位下的啰嗦和等待最受诟病。跑完整套 AA 评测,Neon 在 xhigh 档位输出了 2.83 亿 tokens,明显高过 Carbon,首答要等上 56.51 秒。真要追求秒回,调回 medium 档更靠谱——8.3 分钟就能跑完,输出量也降到 6290 万 tokens。
还有一桩小事,国内技术论坛「大佬说」上的开发者聊得挺起劲:11 月底之前,短暂出现过一阵「价格倒挂」。
Neon 的 API 一上线就走正式价——输入 3 美元、输出 15 美元(每百万 tokens,缓存命中打 95% 折扣,降到 0.15 美元),免费额度也没给。可旗舰 Carbon 和 Argon 在 11 月 30 日前还享受着 2 美元、10 美元的首发价,12 月 1 日才回调到 4 美元和 20 美元。于是 11 月余下那十几天,次旗舰的单价反倒比旗舰高出 50%,成了个带点黑色幽默的商业时间差。
从单点炫技到带队施工
跑分表毕竟是静态的。真正让技术圈坐不住的,是 Neon 在真实工程环境里表现出的那种压制力。
看
Google Antigravity 的实机演示,长程多智能体协同是什么样,一眼就明白了。
在名为 NEONPUTT 84 的项目中,Neon 开启 /swarm 模式,任务图谱实时跳动,scaffold、shaders、courses、physics、ui、engine、verifier 等 8 个并行节点被同时调度。这些节点分头写自定义 GLSL 着色器、240Hz 物理引擎和 8 个关卡,合起来做出一个 3D 合成波风格的迷你高尔夫游戏。代码写完后,它还自己接管浏览器去点界面测试,瞄准、挥杆,一杆进洞。
Gemini 4 Neon 在 Antigravity 中用 /swarm 调度 8 个并行子 Agent 联合开发|图片来源:Google Antigravity
Gemini 4 Neon 做出 3D 迷你高尔夫游戏 NEONPUTT '84,并自己开浏览器验收测试|图片来源:Google Antigravity
时间拉长,它的耐力一样能打。官方重点演示里,Neon 在 Antigravity 中借 /swarm 连轴转了 12 小时。只给历史档案照片,它就在 3D 空间里一点点搭出艾伦·图灵 1936 年在剑桥国王学院的书房,还在那张虚拟书桌上跑起一台能真正交互操作的通用图灵机。
YouTube 频道 CHOOSETO.AI 上,一位刚进谷歌的开发者拿到早期内测权限,放出一批一手实测,跑分一概跳过。视频中,Neon 仅用一条 SDF 数学公式就画出精细的 3D 龙,单文件生成带动画的 SVG 孔雀,还顺手把一张 1959 年的旧平面户型图变成可以走进去逛的 3D 房屋。换到硬核后端场景,它在 Google Cloud Run 上独自部署值班 Agent,碰到人为搞挂的应用很快完成回滚;在 DGX Spark 上跑双星系碰撞模拟也不在话下,甚至不经训练就能直接手写神经网络权重。
自己干重活之外,Neon 更聪明的一步是学会了当「包工头」。
Antigravity 这次同时上线了 Orchestrator(Neon)双模型自动编排模式。碰上复杂的多文件工程,Neon 留在中枢做架构规划和状态审查,常规的改代码、更新包、跑测试都甩给便宜轻快的 Hydrogen;执行环节一卡住,控制权自动回到 Neon 手里修正计划,开发者不用再手动切模型。
一线工程团队也摸清了它的脾气。GitHub Copilot 官方博客专门写到,跟老大哥 Carbon 比,Neon 启动更快,改代码时还更克制——没被要求就乱动别处的情况少了很多,编造代码和工具结果的比率在内部测试中也是新低。早期合作的机器学习研究团队则有另一番感受:它不再像「新手研究员」那样一遇实验失败就撂挑子,而是会像老练学者那样追问原因、找新信号,主动调整建模思路。
「北美大豆包」的翻身仗
看今天这架势,很难想到就在四个月前,谷歌 AI 在中文互联网上还挂着个挺扎心的外号——「北美大
豆包」。
回到 2026 年 7 月前后,那是 Gemini 口碑最灰暗的一段。数学推理翻车、安全审查接连出抽象失误,网友群嘲铺天盖地。5 月 Google I/O 大会上说好 6 月交付的 Gemini 3.5 Pro 放了鸽子,最后拿 3.5 Flash 去对打竞品中端;主流编码和 Agent 榜单首页,一度连 Gemini 的名字都看不到。更下不来台的是,模型内置知识库长期卡在 2025 年 1 月,到 3.6 Flash 才更新到 2026 年 3 月,对手发了什么新版本它根本不知道,一开联网搜索智商还容易跟着往下掉。
四个月过去,局面完全颠倒。
整个 11 月,谷歌出手又密又狠。7 周连发四款 Gemini 4 元素模型之外,还同步拿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,并把 Antigravity 打磨成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,谷歌终于又有底气和 OpenAI 的 GPT-6.2 系列、Anthropic 的 Claude 5.2 及 Opus 5.5 正面掰手腕。
谷歌这轮翻盘,靠的是什么?
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。到了 9 月,Koray 在 The Information 的峰会上把话挑明:「讨论我们是不是已经实现 AGI,根本算不上眼下正确的问题」。他要把全员的注意力拽回一件事——做出可靠的实用 Agent。
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。另有一处安排:在预训练和后训练之间,专门塞进一支死磕编程能力的「中训练」团队。
DeepMind 后训练负责人 Melvin Johnson 的解释是,早先 Gemini 模型卡住,症结在于简单任务全做对之后,有效学习信号就出不来了。团队于是搭起一套极严的自动化强化学习闭环,专挑 Agent 仍会栽跟头的高难度跨仓库工程硬骨头,放进严格沙盒和保留单元测试里反复摔打。对「绕过检查器、伪造测试结果」这类作弊,系统罚得很重,严格环境下的内部虚构率被压到约 1.5% 的历史新低。
真正托底的终极筹码,其实是另一件事:谷歌苦熬多年的全栈自研硬件,终于到了兑现的时候。
牌桌上的对手还在为英伟达 GPU 供货紧缺和高昂算力账单发愁,谷歌这边,第 7 代 TPU Ironwood 配合开源软件层 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 场景下每美元产出极具统治力。香到连死对头 Anthropic 都签下了大规模的 TPU 算力合作。谷歌的第 8 代 TPU 更进一步,已经把训练芯片和推理芯片彻底拆开独立优化。底座上源源不断的自有算力,正是谷歌敢打价格战、推行「Neon 加 Hydrogen」大小模型混编的底气。
几个月前还被群嘲的「北美大豆包」,终究靠工程纪律和算力家底完成了自我救赎。谷歌不再执着于用一篇宏大论文证明 AGI,转而以每两周一次的发版节奏把好用的模型砸向市场——OpenAI 和 Anthropic 最不愿看到的那个恐怖对手,真正苏醒了。