Carte de titre : Gemini 4 Neon : le modèle « small » de Google n’a aucune taille publiée, avec en sous-titre un post X, trois chiffres vérifiables et une taille que personne en dehors de Google n’a vue, au-dessus de trois lignes numérotées : le post qualifie Neon de small sans aucun nombre de paramètres publié pour un modèle Gemini 4 ; Neon obtient 61,4 à xhigh et 59,6 à default high face aux 60,0 de Carbon, soit une avance de 1,4 point ou un déficit de 0,4 point ; Carbon est sorti le 10 novembre et Neon le 18 novembre, huit jours d’écart, la clause RSI ne citant aucune donnée d’entraînement. Le pied de page indique des scores selon l’indice Artificial Analysis v5.0.1, consulté le 20 novembre 2026 ; les affirmations sur la taille ne sont pas auditées.
Guides & Insights

Gemini 4 Neon : le modèle « small » de Google n’a aucune taille publiée

Auteur

Elias Hawthorne

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

À 01:57 UTC le 20 novembre, une publication a été mise en ligne sur X, qualifiant G​emini 4 Neon de petit modèle de G​oogle — « bien devant Argon et Carbon », au niveau de Claude Opus 5.5 et Claude Fable 5.2 et, dans ses quatre derniers mots, une preuve de RSI. Elle a été modifiée trois fois avant de se stabiliser et comptait 316 mentions J’aime lorsque nous l’avons lue. Chacune des autres propositions peut être vérifiée dans un document. Le mot « petit » ne le peut pas. Cherchez un nombre de paramètres ou un classement par taille dans la documentation de G​oogle pour G​emini 4 Neon, G​emini 4​ Carbon, G​emini 4​ Argon et G​emini 4 Hydrogen : vous ne trouverez rien — aucun nombre de paramètres, aucun chiffre de paramètres actifs, aucune phrase classant les quatre par taille et, que ce soit sur la page modèle de DeepMind ou sur les fiches modèles, pas un seul emploi du mot « petit » en référence à l’un d’eux.

Cela ne rend pas le billet faux. Cela le rend infalsifiable sur son propre mot central, ce qui est un problème différent et plus intéressant : l’affirmation associe une mesure que chacun peut vérifier (le score) à une description des rouages internes du modèle que personne en dehors de G​oogle ne peut vérifier, puis tire une conclusion sur la manière dont le modèle a été entraîné à partir de la moitié invérifiable. Ci-dessous, l’affirmation est décomposée en ses trois parties et chacune est confrontée à ce qui est publié. Tous les scores sont ceux d’Artificial Analysis sur l’index v5.0.1, relevés le 20 novembre 2026 ; tout ce qui est déclaré par Google est signalé comme tel ; tout ce qui est déduit est marqué comme une inférence.

Ce que la publication dit réellement

Dépouillé de tout cadrage, il y a trois affirmations. Un : Neon est le petit modèle de Google. Deux : en tant que petit modèle, il est « bien en avance sur Argon et Carbon », c’est-à-dire qu’un modèle plus petit a dépassé des modèles plus grands de la même famille. Trois : voilà à quoi ressemblent « RSI et compagnie ». La deuxième se résout en arithmétique, la première en une définition que Google n’a pas publiée, et la troisième ne se résout pas du tout — c’est une affirmation sur un processus d’entraînement sans données d’entrée divulguées.

À noter avant l’arithmétique : ce cadrage n’est pas propre à un seul compte. Un jour plus tôt, un autre internaute avait attribué une démo de Neon à des « swarms » et au fait de « ne pas faire de distillation et de prendre le temps avec RSI ». Le vocabulaire circule plus vite que ne le soutient n’importe quel document, et c’est précisément pourquoi il vaut la peine d’évaluer le prix de chacun des mots.

Google ne qualifie jamais Neon de petit modèle.

Google décrit bien chacun des quatre modèles, et les descriptions sont suffisamment précises pour être citées. D’après la documentation des modèles de l’API Gemini, telle que publiée cette semaine :

• G​emini 4​ Carbon — « Notre modèle de raisonnement le plus puissant, conçu pour l’ingénierie logicielle complexe, le travail intellectuel multimodal, le raisonnement scientifique et la défense en cybersécurité. »

• Gemini 4 Neon — « Une intelligence de pointe, avec un achèvement rapide et de bout en bout des tâches dans des workflows complexes d’ingénierie logicielle, de travail intellectuel et de science. »

• G​emini 4​ Argon — « Notre modèle de raisonnement de pointe G​emini 4, efficace, offrant des réponses plus rapides et une consommation de tokens par tour inférieure à celle de G​emini 4​ Carbon… »

• G​emini 4 Hydrogen — « Apporte une intelligence de pointe à tous, avec rapidité et efficacité pour le codage au quotidien et les workflows agentiques. »

Trois de ces quatre phrases portent sur la vitesse et le coût. Aucune d’elles ne porte sur la taille, et aucune page Google que nous ayons pu lire n’utilise le mot « small » pour aucune des quatre. Selon la même documentation, le modèle que Google désigne pour le travail quotidien à faible coût est Gemini 3.5 Flash-Lite — qui ne fait pas partie de cette famille et qui n’est pas le sujet de l’article. Ainsi, « Neon is the small one » n’est pas un résumé du positionnement de Google. C’est une inférence du lecteur à partir du comportement, énoncée comme s’il s’agissait d’une spécification.

La grille tarifaire plaide elle aussi contre la lecture littérale. Neon est le modèle le plus cher de la famille par token : $3.00 en entrée et $15.00 en sortie par million, tarif fixe, sans offre gratuite ni expiration, contre Carbon et Argon à $2.00 et $10.00 jusqu’au 30 novembre, et Hydrogen à $1.50 et $7.50 avec une offre gratuite. Un petit modèle qui coûte 50 % de plus par token que le modèle phare auquel il est comparé n’est pas petit au sens où les acheteurs entendent habituellement ce mot. Quoi que Neon ait de petit, ce n’est pas la facture.

Là où les chiffres étayent bel et bien l’affirmation

La partie du billet consacrée aux scores est vérifiable et tient largement — avec une substitution qui change le verdict. Sur l’Intelligence Index, au réglage publié le plus profond de chaque modèle :

• Gemini 4 Neon — 61,4 à xhigh (59,6 à son réglage par défaut, high)

• G​emini 4​ Carbon — 60,0 au niveau high, qui est son plafond ; le modèle n’a pas de palier xhigh

• Gemini 4 Hydrogen — 54 à xhigh

• G​emini 4​ Argon — 50 en élevé, également son plafond

Donc « bien loin devant Argon » est vrai, et pas de peu : 11 points. « Bien loin devant Carbon » n’est pas vrai du tout. Neon devance Carbon de 1,4 point, et seulement lorsqu’on le pousse vers un niveau de réflexion que Carbon n’a pas. Aux réglages recommandés par les deux fournisseurs — le high par défaut de Neon contre le high de Carbon — Neon est 0,4 point derrière. La forme la plus forte du post aurait été la version honnête : Neon est le premier modèle de cette famille à dépasser le modèle phare, d’environ un point, si l’on est prêt à payer pour le niveau le plus profond.

« En quelques semaines » est aussi littéralement vrai, et l’arithmétique mérite d’être énoncée, car c’est le seul fait daté du billet. Carbon est passé en disponibilité générale le 10 novembre. Neon est passé en disponibilité générale le 18 novembre. Huit jours séparent le produit phare et le modèle décrit comme l’ayant dépassé.

A single-column scoreboard titled Gemini 4 Neon - the scoreboard, with six rows: Intelligence Index 61.4 at xhigh and 59.6 at default high; Carbon at its ceiling 60.0 at high; cost per index task $6.44 against Carbon's $7.76; list price $3.00 in and $15.00 out per million; output tokens on the suite 123M against Carbon's 205M; published parameter count none, for any Gemini 4 model. The footer reads scores per Artificial Analysis index v5.0.1, prices per Google's rate card, size claim unaudited.

La seule comparaison que le post a omise

La phrase « rivalise avec Opus / Fable » est la partie qui se dessert elle-même, car la version flatteuse de cette affirmation exige un chiffre que la publication n’a pas utilisé. Sur le même indice, Claude Opus 5.5 obtient 59 à son effort maximal et Claude Fable 5.2 obtient 65. Le 61,4 de Neon se situe donc entre les deux : devant Opus 5.5 de 2,4 points au réglage le plus poussé de Neon, derrière Fable 5.2 de 3,6 points. « Rivalise avec » est équitable pour le premier et généreux pour le second.

Ce qui en fait une véritable histoire, c’est ce que coûtent ces points, mesuré par tâche accomplie plutôt que par token :

• Coût par tâche de l’Indice d’intelligence — G​emini 4 Neon : 6,44 $, Claude Opus 5.5 : 10,04 $, Claude Fable 5.2 : 26,54 $

• Prix catalogue par million, entrée / sortie — Neon 3,00 $ / 15,00 $, Opus 5.5 4,00 $ / 20,00 $, Fable 5.2 8,00 $ / 40,00 $

• Temps par tâche d’index — Neon 21,5 minutes en xhigh et 14,8 en high ; Opus 5.5 25,7 en max ; Fable 5.2 41,6 en max

• Vitesse de sortie — Neon 110 jetons par seconde, Opus 5.5 112, Fable 5.2 environ 110

Quatre fois moins cher par tâche que Fable 5.2 pour 3,6 points d’indice est un meilleur argument que tout ce qui figure dans la publication d’origine, et il ne repose pas sur un seul mot concernant la taille. C’est aussi l’argument qui résiste à l’objection la plus immédiate : au prix de Fable 5.2, un écart de 3,6 points est ce qu’il y a de moins cher à combler dans le tableau si la charge de travail l’exige, et sans importance si ce n’est pas le cas.

The Artificial Analysis page for Gemini 4 Neon, headed Gemini 4 Neon: Intelligence, Performance & Price Analysis, showing intelligence 61 with 110 tokens per second, $3.00 input and $15.00 output per million tokens, a 1M token context window, and the notes that it scores 61 on the Intelligence Index against a median of 44, costs $6.44 per task, and takes 21.5 minutes per task against a median of 12.4.

Petit en vitesse, pas en taille

S’il existe une lecture défendable de « small » ici, c’est celle que mesure le tracker plutôt que celle que la fiche modèle passe sous silence, et elle porte sur le travail par tâche plutôt que sur les paramètres. À niveau d’effort élevé égal, Neon a terminé la suite Intelligence Index en 123 M de jetons de sortie contre 205 M pour Carbon, en 14,8 minutes contre 41,8 pour Carbon. Cela représente une empreinte de jetons inférieure de 40 % et une tâche qui s’achève presque trois fois plus tôt, et c’est ce qui existe de plus proche, dans le domaine public, d’une preuve de l’intuition de l’article : quelle que soit la nature de Neon, il fait le même travail avec moins de travail émis que le modèle que G​oogle qualifie de son plus puissant.

Mais il s’agit d’une inférence à partir du comportement, et le comportement a d’autres explications — un décodeur plus efficace, un budget de réflexion différent, une trace de raisonnement plus courte — dont aucune n’exige un nombre de paramètres plus petit. Ces mêmes chiffres sont aussi compatibles avec le fait que Neon soit simplement un modèle plus récent et mieux entraîné de taille comparable, ce qui constitue l’explication la moins exotique disponible.

Le cadrage sur la vitesse s’effondre aussi là où l’article ne regarde pas. Neon n’est pas le modèle le plus rapide de la famille. G​emini 4 Hydrogen tourne à 167 tokens par seconde contre 110 pour Neon, et termine une tâche d’index en 15,4 minutes à xhigh — à un cheveu des 14,8 de Neon à high, à moitié prix. Si « petit et rapide » est l’argument, Hydrogen est le modèle qui y correspond, et Hydrogen obtient 54.

An infographic titled Small as speed, not as size, with six rows: output tokens for one index suite 123M on Neon's default and 205M on Carbon; time per index task 14.8 minutes on Neon's default and 41.8 on Carbon; output speed 110 tokens per second on Neon and 167 on Hydrogen; score at the deepest setting Neon 61.4 and Hydrogen 54; fastest model in the family Hydrogen at half Neon's price; parameter count behind any of it unpublished. The footer reads tokens, time, speed and scores per Artificial Analysis index v5.0.1, read 20 November 2026; prices per Google's rate card; size claims unaudited.

Pourquoi « RSI » fait le travail ici

L’amélioration récursive de soi, au sens où l’expression est employée dans la recherche en IA, désigne un laboratoire qui utilise un modèle pour améliorer de manière mesurable son successeur — une boucle contenant un modèle, et non simplement un rythme de publication rapide. Rien de publié ne soutient cette lecture de cette version, et l’article n’offre rien pour l’étayer : aucun chiffre de calcul, aucune divulgation de ce sur quoi Neon a été entraîné, aucune preuve qu’un quelconque modèle G​emini ait contribué à l’entraînement de Neon.

Ce que G​oogle publie sur la lignée se résume à une clause, répétée. Les fiches de modèle de G​emini 4 Neon et de G​emini 4 Hydrogen indiquent que le modèle est « adapté de G​emini 4​ Carbon » — la même phrase dans les mêmes sept emplacements sur les deux fiches, sans définition de « adapté », sans nombre de paramètres et sans indication de ce qui a changé. En remontant la fiche de Carbon, on arrive à Argon, dont la fiche indique qu’il « n’est pas une modification ni un fine-tuning d’un modèle antérieur ». Chaque fiche de G​emini 4 donne la même date limite de connaissances, mars 2026, sur cinq semaines de sorties. Quatre modèles, un seul pipeline de données, un mot non défini : cela décrit une base d’entraînement partagée, ce qui est ordinaire, et non une boucle.

L’écart de huit jours entre Carbon et Neon relève d’un calendrier. Les calendriers se resserrent pour des raisons qui n’ont rien à voir avec l’amélioration de soi — un modèle de base partagé, un déploiement progressif, un calendrier de lancement — et le constat que celui-ci s’est resserré ne constitue une preuve pour aucune de ces raisons. Si un laboratoire a bel et bien construit un modèle avec un modèle, la façon de le savoir serait qu’il l’ait dit, ou qu’un benchmark l’ait mesuré. Ni l’un ni l’autre ne s’est produit.

Qu'est-ce qui réglerait la question ?

Trois révélations suffiraient à faire passer ce billet d’une affirmation à un constat, et toutes trois sont des éléments que Google pourrait publier cette semaine :

• Un nombre de paramètres ou un chiffre de paramètres actifs pour tout modèle Gemini 4. Un seul chiffre rendrait « petit » vérifiable et confirmerait ou ruinerait immédiatement la prémisse.

• Une définition de « adapté de » sur les fiches de modèle. L’expression apparaît sept fois sur la fiche Neon et n’est jamais expliquée ; « basé sur » est employé pour Carbon-to-Argon et n’est pas davantage défini.

• Toute déclaration concernant la contribution à l'entraînement — quelles données étaient nouvelles dans Neon par rapport à Carbon, ou quel modèle, le cas échéant, a généré un signal d'entraînement. En l'absence de ces trois éléments, RSI reste un mot dans un billet.

Que faire avec ceci lundi ?

La conséquence pratique est faible, et elle est à l’opposé de ce que suggère l’article. Rien dans les données ne dit que Neon est un petit modèle qui a battu un gros ; elles disent que Neon est un modèle à 3 $/15 $ qui obtient un point de plus que le plafond de Carbon lorsqu’il est poussé, et un demi-point de moins que la configuration par défaut de Carbon lorsqu’il ne l’est pas. C’est une décision d’échelle de réglage, pas une décision de taille, et l’échelle couvre 17,3 points d’indice, de low (44,1) à xhigh (61,4) — bien plus que l’écart entre deux modèles quelconques de la famille. L’échelon que vous choisissez compte plus que le modèle que vous choisissez.

Deux choses datées méritent d’être inscrites dans un calendrier, quelle que soit la manière dont la question de la taille sera tranchée. Carbon et Argon doublent le 1er décembre, passant de 2,00 $ et 10,00 $ à 4,00 $ et 20,00 $ par million de tokens, tandis que la grille tarifaire de Neon ne comporte aucune date d’expiration. Aux prix actuels, Neon est 17 % moins cher par tâche d’indexation terminée que Carbon (6,44 $ contre 7,76 $) ; après le 1er décembre, cet écart se creuse sans que Neon ne change quoi que ce soit. Quiconque lit l’article sur le « petit modèle » et en conclut que Neon est l’option économique a la bonne direction pour la mauvaise raison — il est moins cher par tâche parce qu’il émet moins, et non parce qu’il est plus petit, et il devient bien moins cher à une date que Google a déjà publiée.

De notre côté, google/gemini-4-carbon et google/gemini-4-argonfigurent au catalogue au prix catalogue du fournisseur, sans majoration, ce qui signifie que l'étape du 1er décembre arrive le jour même où elle arrive chez Google. Gemini 4 Neon n'est pas encore au catalogue, donc ce qu'il est utile d'en dire n'est pas un prix mais une forme : quand il arrivera, la requête qu'il vaut la peine d'écrire est celle qui nomme Neon et se rabat sur Carbon si Neon est limité en débit ou renvoie une erreur. Un modèle dont le principal avantage publié est de terminer rapidement les tâches est un modèle derrière lequel on veut un basculement, pas un point de dépendance unique. Une seule clé couvre le reste de la famille aujourd'hui, donc une comparaison avec Carbon ou Argon ne coûte que les tokens.

La conclusion honnête est la plus circonscrite. Une publication qui dit que le petit modèle d’un laboratoire a dépassé ses grands modèles fait une déclaration sur les tailles. Personne n’a publié de taille. Les scores indiquent qu’un modèle rapide a obtenu un score à moins d’un point d’un modèle plus lent en huit jours, ce qui est déjà assez intéressant en soi, et le récit d’entraînement qui y est associé n’est, pour l’instant, qu’une légende.

Comparés dans cet article1

Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement