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

文章配图-1

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。

文章配图-2

▲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,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。

文章配图-1

▲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。

文章配图-1

▲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。

文章配图-2

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。

文章配图-3

▲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。

文章配图-4

▲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。

文章配图-4

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。

文章配图-5

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。

文章配图-6

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。

文章配图-1

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。

文章配图-1

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%。

文章配图-1

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。

本文来自转载智东西 ,观点仅代表作者本人,发现AI平台仅提供信息存储空间服务。
如若转载,请联系原作者;如有侵权,请联系编辑删除。

赞 (0)
资讯组小编的头像资讯组小编
黄仁勋想回来,英伟达说:不必了
上一篇 1天前
刚拒绝黄仁勋回归,英伟达官宣全员加薪,热门接班人曝光
下一篇 17分钟前



扫码关注我们,了解最新AI资讯~

相关推荐

发表回复

登录后才能评论