Ipinahayag ng Google ang Gemini 4 Neon, na isinasaayos sa pagitan ng flagship na Carbon at ang mabilis at mura na Hydrogen, para sa mga kumplikadong pagprograma, enterprise knowledge work, scientific analysis, at high-frequency agent workflows. Ang Neon ay maaaring magtrabaho nang sabay-sabay sa teksto, imahe, audio, at video, na may 1 milyong Token na iisang konteksto, na may standard synchronous output limit na 64,000 Token, at ang backend long-form generation ay maaaring gamitin ang buong 1 milyong Token window. Ang presyo ng API ay $3/$15 bawat milyong input/output Token. Binigyan siya ng 61 puntos ng third-party Artificial Analysis, at nasa ikatlong pwesto sa pangkabuuang pagkakarank, na lamang nasa likod ng Claude Fable 5.2 at GPT-6.2 Astra; gayunpaman, ang pagtaas ng kahusayan nito kumpara sa Carbon ay lamang 1 puntos, at hindi ito lumampas sa Claude Opus 5.5 sa Terminal-Bench at FrontierCode. Ang mga safety metrics na ipinahayag ng Google ay napakahusay, ngunit ang buong safety report ay hindi pa ipinahayag; ang mga kasalukuyang resulta ay pangunahin lamang mga internal automated evaluation at hindi ito maaaring ituring na nakumpleto ang independent red team validation.May-akda ng artikulo, pinagkukunan: Google DeepMind
Hindi ito ang pinakamalakas na modelo ng Google, kundi ang modelo na sumisikap maging default na pangunahin
Ang Gemini 4 series ay kasalukuyang nahahati sa iba’t ibang antas: ang Carbon ay nagtratrabaho sa pinakamahirap at pinakamahabang mga pangunahing gawain; ang Hydrogen ay nakatuon sa mabilis na pagsasagawa at mas mababang gastos; habang ang Neon ay nasa gitna, na naghihingi ng balanse sa kakayahan, bilis, at presyo para sa mas angkop na paggamit sa mataas na kalikasan.
Hindi inilabas ng Google ang bilang ng parameter ng Neon, laki ng mixture-of-experts, bilang ng training token, o computing power sa pag-train, kundi nagpaliwanag lamang na ito ay binago mula sa Gemini 4 Carbon. Ang modelo ay nag-aalok ng apat na antas ng inference intensity—low, medium, high, at xhigh—na nagpapahintulot sa mga developer na palakasin ang inference budget ayon sa halaga ng task.
Kaya ang Neon ay hindi isang bagong arkitektura na disenyo mula sa zero, kundi mas katulad ng isang production version na muling inoptimize mula sa Carbon capability base: pinapanatili ang karamihan sa kompleks na pag-iisip at Agent capabilities, samantalang dinaragdagan ang oras at Token na kailangan upang matapos ang mga gawain.
Hindi rin ito isang open-weight model. Ang mga user ay maaaring mag-call lamang sa pamamagitan ng Gemini API, Google AI Studio, Gemini para sa negosyo, Google Antigravity, at ang Gemini app; hindi sila makakapag-download ng weights para sa lokal na deployment.
Maaaring i-load ang libo-libong konteksto nang sabay-sabay na teksto, larawan, audio, at video
Tinatanggap ng Neon ang mga file na teksto, imahe, audio, at video, kung saan ang lahat ng input, inference, at output ay nagbabahagi ng 1 milyong Token context.
Ang maksimong output ng ordinaryong synchronous call ay 64,000 na Token; sa pamamagitan ng backend long-generation mode, ang output ay maaaring palawakin pa, na maaaring punuin ang buong 1 milyong Token na iisang window. Ang kakayahan na ito ay angkop para sa pagbuo ng malalaking code migration, mahabang pananaliksik, o patuloy na multi-round na record ng Agent, ngunit huwag itong isipin bilang “kapag inilagay ang 1 milyong Token, maaari pang output ang karagdagang 1 milyong Token.”
Ang katapusan ng kaalaman ng modelo ay Marso 2026. Kailangan pa rin ng mas bagong impormasyon ang pag-access sa Google Search, enterprise database, o iba pang panlabas na kasangkapan, at hindi maaaring sumagot lamang batay sa loob na memorya ng modelo.
Sinabi ng Google na nakakuha ang Neon ng 95.2% sa pagsubok na Long Context GraphWalks, mas mataas kaysa sa 80.1% ng GPT-6.2 Sol at 66.8% ng Claude Opus 5.5. Gayunpaman, ang GraphWalks ay pangunahing sinusuri kung kaya ng modelo na tukuyin ang mga ugnayang grap sa sobrang habang konteksto, at hindi ito nangangahulugan na kaya nito manatili sa 95% na pangkabuuang akurasye habang binabasa ang mga legal na dokumento o code na may milyon-milyon na Token.
Nakakaposisyon sa ikatlong lugar sa pangkalahatang lista, ngunit ang pag-upgrade sa Carbon ay "maliit lamang"
Nakuha ng Neon ang 61 puntos sa pinakamataas na antas ng pag-iisip sa Artificial Analysis Intelligence Index, at nasa ikatlong pwesto pagkatapos ng Claude Fable 5.2 at GPT‑6.2 Astra; ang pinakamataas na publikong resulta ng Carbon ay 60 puntos.
Ayon sa pagsusuri ng ikatlong pagsusuri, ang Neon ay nagkukuwento ng halos 21.5 minuto para sa isang komprehensibong pagsubok sa pinakamataas na antas, na mas mabilis kaysa sa mga 36 minuto ng Carbon; ang tanging gastos sa isang gawain ay humigit-kumulang $6.44, na 17% mas mababa kaysa sa $7.76 ng Carbon batay sa hindi promo na presyo. Sa ibang salita, ang kanyang pangunahing kahusayan ay galing sa mas maikling oras at mas kaunting Token upang makamit ang parehong kakayahan, hindi sa malaking pagtaas sa intelligent score.
Sa mga trabaho na nangangailangan ng espesyalisadong kaalaman, mas nakapag-iba ang Neon: 70.9% ang Vals Index, nasa pangalawang pwesto; 75.8% ang Agents’ Last Exam; at 56.3% ang AutomationBench, na mas mataas kaysa sa Claude Opus 5.5 at GPT‑6.2 Sol na nakalista sa model card.
Sa mga pagsusulit sa agham at matematika, nakakuha ang Neon ng 70.5% sa Terminal-Bench-Science, 84.0% sa RiemannBench, at 71.3% sa HLE-Diamond. Ang mga pagsusulit na ito ay nakakapalibot sa mga tool para sa siyentipikong pag-aaral sa terminal, pag-iisip sa matematika, at mga mahirap na kaalaman sa gawain, na nagpapakita na ito ay hindi lamang isang mas mabilis na karaniwang office model.
May malakas na kakayahan sa pagprograma, ngunit hindi pa lubos na lumampas sa Claude
Sinabi ng Google na nakakuha ang Neon ng 58.6 puntos sa Artificial Analysis Coding Agent Index, na nangunguna sa panahong iyon; ang CursorBench 4.1 ay 65.4%, na hihigit pa sa nakalista sa model card na Claude Opus 5.5.
Ngunit hindi sinusuportahan ng iba pang mga pagsusuri sa pagprograma ang konklusyong “nangunguna nang buo”. Sa Terminal‑Bench 4.1, ang Neon ay 65.2%, na kaunting mas mababa kaysa sa 65.8% ng Claude Opus 5.5; sa FrontierCode 2.0, ang Neon ay 46.2%, na parehong mas mababa kaysa sa 47.3% nito.
Mas nakakatangi ang SWE-sweep: ang Neon ay nakakuha ng 39.0% sa native Agent framework ng Google Antigravity, ngunit bumaba lamang sa 12.8% kapag ginamit ang mas simpleng mini-SWE framework.
Ibig sabihin nito na 39% ng mga resulta ay hindi nagmula sa mga timbang ng modelo lamang. Ang Antigravity ang responsable sa pag-compress ng konteksto, pagpili ng mga kasangkapan, pagpapamahala ng estado ng gawain, at pag-schedule ng maraming Agent, at ang sariling framework ay nagkontribyu ng malaking performance. Kung gagamitin ng iba’t ibang kumpanya ang kanilang sariling Agent framework, hindi siguradong makakareproduksyon ng parehong resulta.
Ang Neon ay maaari ring magpanagot bilang “调度模型” upang hatiin ang mga malalaking gawain at ipagkaloob sa maraming mas mabilis na Hydrogen sub-Agent. Isang Neon ang nagtatrabaho sa pagpaplano, pagsusuri, at pagpagsasama, habang ang maraming Hydrogen ang nagtatrabaho sa paralel na paghahanap, pagbabasa ng code, at pagpapatupad ng mga pagbabago. Ito ay nagpapakita na ang Google ay naglilipat ng kanilang pagkakataon sa kompetisyon mula sa iisang model score patungo sa buong sistema ng maraming Agent.
Hindi na limitado sa teksto at code ang propesyonal na trabaho
Ang Neon ay makakabasa nang sabay-sabay sa spreadsheet, PDF, propesyonal na mga chart, recording, at video, at pagkatapos ay isasama ang impormasyon sa isang structured na ulat.
Ipinakita ng Google ang isang case study ng maraming Agent: Sa Antigravity, ang Neon ay tinatawag ang mga nakaraang litrato at impormasyon upang muling bumuo ng espasyo ng pananaliksik ni Alan Turing noong 1936 sa King’s College, University of Cambridge, kung saan maaaring interaktibong paglalakbay mula sa labas ng simbahan patungo sa loob ng silid, at may isang simulated universal Turing machine na tumatakbo sa mesa.
Ang kasong ito ay nag-uugnay ng paghahanap, pag-verify ng impormasyon, 3D modeling, pagsusulat ng programa, at interaktibong interface sa isang parehong proseso. Gayunpaman, ito ay patuloy na isang opisyal na piniling pagpapakita ng tagumpay at hindi nangangahulugan na ang modelo ay makakapag-reconstruct nang tama ang mga historical na lugar; ang mga dekorasyon, sukat, at posisyon ng mga bagay sa 3D space ay maaaring maglaman ng mga inuunawa o generated na nilalaman.
Ang modelo ay nakakuha ng 73.5% sa Chartography Professional Chart Understanding Test, mas mababa kaysa sa 75.1% ng GPT‑6.2 Sol; kaya, kahit na ito ay kayang basahin ang mga kumplikadong talahanayan at grafiko, hindi ito dapat palitan ng tao, lalo na sa paggawa ng desisyon tungkol sa pag-invest, medisina, o pagkakasunod sa batas.
$3/$15 bawat milyong token, ngunit kasalukuyan ay hindi laging mas mura kaysa sa Carbon
Ang presyo ng Neon Standard API ay $3 bawat milyong input Token, $0.15 para sa cached input, at $15 para sa output. Ang presyo ng output ay kasama ang model thinking tokens, at ang cached read ay katumbas ng 5% ng karaniwang presyo ng input.
Sinabi ng Google na ang default high inference tier ng Neon ay 32% mas mura sa isang single task kaysa sa Carbon; sa Vals at Agent Arena, maaaring bawasan ng humigit-kumulang 50% hanggang 80% ang gastos sa task kumpara sa pinakamataas na antas ng kompetitor. Ang kalkulasyon ay batay sa kabuuang Token at mga hakbang ng tool na ginamit upang tapusin ang buong task, hindi lamang sa presyo ng API.
Mahalagang tandaan na kasalukuyang nasa limitadong promo ang Carbon: hanggang Nobyembre 30, 2026, ang presyo ay pansamantala ay $2/$10 bawat milyong input/output Token, na mas mababa kaysa sa Neon; matapos ang Disyembre 1, kapag bumabalik sa $4/$20, ang fixed unit price ng Neon ay magiging 25% mas mababa kaysa sa Carbon.
Kaya ang “mas mura ang Neon” ay pangunahing tumutukoy sa standard long-term price at actual task consumption, at hindi nangangahulugan na bawat API request sa araw ng paglalabas ay mas mura kaysa sa Carbon.
Ang opisyal na digital na seguridad ay maganda, ngunit ang buong report ay hindi pa ipinapahayag
Ang internal security evaluation na inilabas ng Google ay nagpapakita na ang rate ng maling pagkilos ni Neon ay 0.09%, at ang rate ng pagkakaroon ng katapatan ay 99.2%; sa Gray Swan indirect prompt injection test na may real-time protection, hindi nakita ang anumang matagumpay na pag-atake.
Ang modelo ay itinuring na nag-cheat sa 0% sa Terminal‑Bench 4.0, at nag-adopt ng shortcut sa 2.45% sa isang iba pang code evaluation ng Google, ang pinakamababang rate sa Gemini 4 series. Ito rin ay nabawasan ang dalawang karaniwang problema ng Agent: hindi kumpleto ang gawain, at paggawa ng karagdagang aksyon na labas sa awtorisasyon ng user.
Ngunit ang model card ay nagpapaliwanag din na ang mga resultang ito ay pangunahing batay sa automated assessment, hindi sa buong human red team testing; ang detalyadong Safety & Security Report ng Neon ay ipapalabas sa susunod na ilang araw.
Sa tingin ng Google, ang Neon ay hindi nakakamit ng "mahalagang pagbabago sa kakayahan" kumpara sa Argon, na已完成 ang kritikal na pagtataya ng kakayahan, kaya hindi ito muling isinasagawa ang buong pagtataya ng mga panganib na nasa harap, kundi ginagamit ang ilang konklusyon ng Argon. Ang mga posibilidad ng malubhang cyber attack, biyolohikal na panganib, at ang pagkawala ng kontrol ng modelo sa tao ay hindi pa rin maaaring buong tinatanggal.
Hindi ito nangangahulugan na kinumpirma na ng Google ang Neon ay nagdudulot ng mga epekto na ito, kundi ang kanilang loob na framework ay wala pa sapat na ebidensya upang tanggalin ang mga panganib na ito. Ang buong security report ay hindi pa ipinakalabas, at ito ang pinakamahalagang kulang sa impormasyon na dapat obserbahan sa pagpapalabas na ito.
Ang Gemini 4 Neon ay available na para sa mga gumagamit ng Gemini API na nagbayad, at nasa Google AI Studio, Android Studio, Gemini for business, at Antigravity. Maaari rin ng mga gumagamit ng Google AI Pro at Ultra sa Gemini na piliin ito, habang ang mga researcher sa网络安全 ay kailangang humingi ng mas maluwag na pahintulot sa pamamagitan ng Fairwind Program.



