智东西 9小时前
奇袭GPT-6.2!谷歌迄今最强Gemini登场,7周内第四发,RSI时代真来了
index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_keji1.html

 

智东西

编译 | 杨京丽

编辑 | 李水青

智东西 11 月 19 日消息,刚刚,谷歌发布 Gemini 4 系列新模型Gemini 4 Neon,面向复杂软件工程、知识工作和科学研究,主打在前沿智能水平下,更快、更经济地完成多步骤任务。这是谷歌7 周内发布的第四款Gemini 4 系列模型。

谷歌发布 Gemini 4 Neon(图源:X)

谷歌最近高频发布新模型离不开 RSI 进展,就在 11 月 13 日,谷歌云 AI、谷歌 DeepMind 与美国宾夕法尼亚州立大学的研究团队联合发布论文《自我改进记忆实现持续递归自我改进》(Self-Improvement Memory Enables Continual Recursive Self-Improvement),提出了一种名为自我改进记忆(Self-Improvement Memory,SIM)的新方法。

此外,谷歌此前 10 月 28 日发布的世界模型 Genie 4,今天也已在 Project Genie 中开放。用户可以在体验过程中通过文字提示修改环境,模型支持实时原生音频和对话。

在 Artificial Analysis Intelligence Index 中,Gemini 4 Neon 在 xhigh 推理档位下取得 61 分,整体排名第三,超过 Gemini 4 Carbon(high)、Claude Opus 5.5(max)和 GPT-6.2 Sol(max)等模型,仅落后于 Claude Fable 5.2(max)和 GPT-6.2 Astra(max)。在覆盖企业知识工作的 Vals Index 中,Neon 以 70.9% 的得分排名第二,位列帕累托前沿。

Gemini 4 Neon 在 Artificial Analysis 上测评成绩(图源:Anrtificial Analysis)

除了提升原始能力,谷歌也提升了模型的使用体验。在新推出的 Agent Arena Index 中,目前 Neon 的整体排名位列第三,仅次于 Claude Fable 5.2(max)和 Claude Opus 5.5(max),可引导性位列第二,仅次于 Claude Fable 5.2(max)能够在任务进行中根据用户的纠正调整行动。在谷歌 Antigravity 内部测试中,Neon 的编造率也降至 Gemini 模型迄今最低。

Gemini 4 Neon 在 Agent Arena Index 上测评成绩(图源:Arena)

价格方面,Neon 每百万输入 Token 为3 美元(约合人民币 20 元),每百万输出 Token 为15 美元(约合人民币 100 元)。缓存输入价格优惠 95%,每百万 Token 为 0.15 美元(约合人民币 1 元),支持100 万 Token 上下文窗口。

Neon 现已在 Google AI Studio 的 Gemini API、Gemini for business 中开放。付费 Google AI Pro 和 Ultra 订阅用户可在 Google Antigravity 中使用,Pro 和 Ultra 订阅用户也可在 Gemini 应用中选择该模型。

谷歌称,在 Gemini 4 系列中,Carbon 可负责最困难、耗时最长的项目,Hydrogen 负责快速完成日常任务,Neon 则兼顾推理深度和执行效率,面向复杂且使用频率较高的开发、分析和企业工作流。

模型发布后,部分开发者分享了 Gemini 4 Neon 的使用体验。

一位开发者用相同提示词对比了 Gemini 4 Neon 和 Claude Opus 5.5 的生成效果。Neon 耗时 20 分钟,成本约 3.5 美元,Opus 耗时 18 分钟,成本约 7.2 美元。他认为,Neon 生成的画面细节丰富,是 Gemini 4 系列在这项测试中表现最好的一次,但Opus 的整体效果仍明显更好,谷歌正在快速追赶。

开发者对比 Gemini 4 Neon 和 Claude Opus 5.5(图源:X)

另一位开发者用 Gemini 4 Neon 生成了两款射击游戏。其中,3D 竞技场游戏中的敌人波次、生命值、弹药、换弹、游戏结束和重新开始等功能均能正常运行。他说,Neon在首次构建中因服务器错误中断,第二轮完成了开发。另外一款霓虹峡谷风格的轨道射击游戏节奏快,每次命中都有清晰反馈。

开发者用 Gemini 4 Neon 生成射击游戏(图源:X)

一、综合处理 100 万 Token 上下文,客户称速度达 Carbon 三倍

企业工作中的信息分散在电子表格、PDF、图表、音频和视频中。Neon 可以在 100 万 Token 上下文窗口内综合处理这些资料,生成结构化成果。

Neon 在 Vals Index 榜单中排名第二,并在法律研究测试和税务 Agent 测试中排名第一。

在 Surge AI 的评测中,Neon 在金融、会计、电子表格建模和复杂约束遵循等领域的大多数测试中排名第一。在考察专业图表理解能力的 Chartography 中,Neon 得分 73.5%;在 Agents ’ Last Exam v1.1 中得分 75.8%,与领先模型处于相近水平。

在 Zapier 用于衡量企业自动化任务执行能力的 AutomationBench 中,Neon 以 56.3% 的成绩排名第一。在 Andon Labs 模拟长期经营企业的 Vending-Bench 2 中,Neon 以最终账户余额 16843 美元(约合人民币 11.3 万元)排名第一。

Arena 新推出的 Agent Arena Index 覆盖超过 4200 次真实 Agent 会话,Neon 首次上榜即以 1333 分排名全球第三,仅次于 Claude Fable 5.2 和 Claude Opus 5.5。

科学和数学推理方面,Neon 在 Terminal-Bench Science、RiemannBench 和 HLE-Diamond 中分别取得 70.5%、84.0% 和 71.3% 的成绩。谷歌称,这三项成绩均处于同类模型领先水平。

美国企业搜索公司 Glean 在早期评测中发现,Neon 的整体质量达到或超过 Carbon,速度为 Carbon 的 3 倍,成本为其 60%。Glean 认为,这种质量、成本和速度的平衡,适合需要准确性、细节和快速响应的多步骤工作。

二、长时间运行 Agent 工作流,指挥多个子 Agent 并行工作

Neon 专为长时间运行的 Agent 工作流设计,可以独立完成复杂、工具调用密集的任务,也可以在 Google Antigravity 中担任协调者,指挥多个 Hydrogen 子 Agent 并行工作。

谷歌称,Neon 减少了重复读取文件的行为,会在执行过程中汇报进度,并能在长会话中可靠地处理上下文压缩。

在 Artificial Analysis Coding Agent Index 中,Neon 以 58.6 分排名第一。它在 Terminal-Bench 4.1 中得分 65.2%,在默认 high 推理档位下,FrontierCode 2.0 得分 46.2%。

面对实际代码库,Neon 可以进行跨文件调试和重构,并针对问题做局部修改。在 SWE-sweep 测试中,Neon 使用 mini-SWE 运行框架时得分 12.8%,在 Google Antigravity 运行环境中则达到 39.0%,超过前者的 3 倍。

此次发布,谷歌也展示了几项官方案例。

Gemini 4 Neon 能够生成具有照片级真实感的 3D 实验台。Neon 通过 Blender MCP 调用 Blender,利用 /swarm 协调多个 Agent,用实验装置呈现 Gemini 4 系列模型对应的不同化学元素。其中,Carbon 和 Hydrogen 用火焰呈现,Argon 和 Neon 则使用高压气体放电管呈现。

Gemini 4 Neon 还复原了图灵 1936 年的书房。Neon 使用 /swarm 检索历史照片,构建了剑桥大学国王学院的交互式 3D 场景,从室外的国王学院礼拜堂到室内房间,室内书桌上还放置了一台可以运行的通用图灵机。

三、提供四档推理强度,默认档单任务成本比 Carbon 低 32%

谷歌为 Neon 提供了四档推理强度,让团队根据不同任务调整智能水平和 Token 开销。默认的 high 档位面向日常复杂工作,xhigh 则为最困难的工程、分析和科研任务提供更深入的多步骤推理。

谷歌称,在默认 high 档位下,Neon 在 Artificial Analysis Intelligence Index 中取得较高得分,单任务成本比 Carbon 低 32%。

在 Vals Index 和 Agent Arena 中,high 档 Neon 均处于成本与性能的帕累托前沿,即在对应测试下,难以同时找到表现更好、成本更低的选择。与竞品前沿模型相比,其单任务成本约低 50% 至 80%。

切换至 xhigh 档位后,Neon 取得自身最高的智能评测得分,单任务成本仍比竞品最高推理档位低 36% 以上。

四、不同难度代码安全性均超过 Carbon,漏洞发现测试得分 90.5%

随着模型编程规模扩大,从一开始生成安全代码变得愈发重要。谷歌发布了面向网络安全的 Neon for Cyber,强调从生成安全代码,到发现、验证和修复现有漏洞的完整工作流程。

在 AutoBaxBench 中,Neon 在简单、中等和困难三个难度上的代码安全性表现均超过 Carbon,在困难档位取得 76% 的成绩,达到该项测试的最高水平。

在 WebExploitBench v1.2 渗透测试评测中,Neon 以 51.26% 的成绩取得最高分,成本约为竞品大型模型的一半。

在漏洞发现测试 SEC-bench Pro 中,Neon 得分 90.5%,达到该项测试的最高水平,每项挑战的成本约为对比模型的一半。

在用于验证漏洞可利用性的 ExploitGym 中,Neon 达到前沿水平,所需 Token 约为 Carbon 的一半。

在 Collinear 的 CWE-bench v2 漏洞修复测试中,Neon 得分 70.7%,该得分较 Carbon 提升 3.4%。

Gemini 4 Neon for Cyber 将在未来几天,通过 Fairwind 计划陆续向经过信任认证的防御人员开放。

五、Agent 诚实性测试通过率 99.2%,可在执行中接受用户纠正

谷歌称,Neon 延续了 Carbon 防范严重滥用和提示注入的能力,并进一步改善模型对齐和 Agent 行为。

防范滥用方面,Neon 配备了针对网络安全和生物安全滥用的实时防护措施,同时减少对合法任务的拒绝。在 Terminal-Bench 4.0 和 Terminal-Bench Science 中,Neon 的任务拒绝率分别为 1.98% 和 0%。

在内部编程使用中,Neon 触发思维链和行为偏离监测告警的比例,低于 Carbon 已有的较低基线。谷歌也在对外产品中部署了相同的监测机制。

在 Terminal-Bench 4.0 中,Neon 的作弊率与 Carbon 一样为 0%;在谷歌内部编程作弊评测中,Neon 在 2.45% 的任务中采取了捷径,是 Gemini 4 系列最低水平。

在 Agent 安全测试中,Neon 的行为偏离率为 0.09%,在 Agent 诚实性评测中的通过率达到99.2%。

与 Carbon 相比,Neon 在不同推理档位下," 任务执行不到位 " 的情况减少 43% 至 56%," 超出用户授权范围行事 " 的情况减少 15% 至 35%。

在 Gray Swan 间接提示注入测试中,Neon 使用最高推理档位、开启实时防护措施后,抵御了该项测试中的全部攻击,攻击成功率为 0%。

在 Gemini 应用中,Neon 也被用于写作、资料整理、研究和多步骤任务。它可以读取上传的电子表格、PDF 和照片,整理报告或摘要,并从 Gmail、Google Docs 等应用中提取相关信息。

谷歌举例称,用户可以让 Neon 分析账单,查找公共事业费用突然上涨的原因,或交叉核对多份收据和文件,为协商退款做准备。Neon 也会结合网络资料,处理需要最新信息的采购比价和市场研究任务。

结语:谷歌继续细分模型分工,Neon 瞄准高频复杂任务

Neon 将 Gemini 4 系列的分工进一步细化。Carbon 承担最困难的长程项目,Hydrogen 处理日常执行,Neon 则面向需要较强推理能力的软件开发、知识工作和企业任务。

此次发布中,谷歌反复强调单任务成本、完成速度,以及执行过程中接受纠正的能力。从企业采购到开发者日常使用,这些指标将直接影响模型能否持续融入实际工作流程。

来源:谷歌、X

智客推

智客推

ZAKER 智客推 GEO | AI 时代的品牌认知解决方案

一起剪

一起剪

ZAKER旗下免费视频剪辑工具

相关标签

谷歌 智东西 美国 科学研究 谷歌云
相关文章
评论
没有更多评论了
取消

登录后才可以发布评论哦

打开小程序可以发布评论哦

12 我来说两句…