「Gemini 4 Neonの初の独立した数値」と読めるタイトルカード。その下に「61はxhigh設定です。デフォルトでは59.6、Carbonは60.0を記録」という一文。さらに下に「Gemini 4 Neon(xhigh)61.4」「Gemini 4 Neon(high、デフォルト)59.6」「Gemini 4 Carbon(high)60.0」と読める3枚のカードが続き、下部には「Artificial Analysis Intelligence Index v5.0.1、2026年11月19日」と記載。
Guides & Insights

Gemini 4 Neonの初の独立系ベンチマーク:61はxhighな数値であり、デフォルト設定ではCarbonに後れを取る

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

Gemini 4 Neonに関するGoogleの発表記事は、総合3位となるArtificial Analysis Intelligence Index 61を冒頭に掲げている。Artificial Analysisは現在Gemini 4 Neonの独自ページを公開しており、そのページには61.4と記されている — xhighバリアント、つまり4段階ある思考設定のうち最も深い設定の場合で、index v5.0.1では96モデル中6位にランクされる。Neonが実際にデフォルトとしている設定、highでは、同じトラッカーは59.6と採点している。Googleの発表がほぼすべての段落でNeonと比較しているモデル、Gemini 4 Carbonは、それ自身の最大設定で60.0だ。公開されているとおりにこの2つのページを読むと、最新のGemini 4は最も賢いモデルではない。Carbonにはない段階まで引き上げれば1.4ポイント勝るが、両ベンダーが推奨する設定で2モデルを比較すると0.4ポイント劣る。

そうしたことはNeonを悪いモデルにするものではないし、同じパネルにある速度の数値は、これまでに公表された中でそれを最も強く裏付ける根拠だ。しかし、今週スライド資料に載る可能性が最も高いあの数値が、モデルの最も代表性の低い構成であることは意味している。そしてその訂正は、ベンダー自身の表から推測するのではなく、ブラウザさえあれば誰でも確認できるようになった。

トラッカーが実際に公開した内容

Artificial Analysisでは、Gemini 4 Neonは2026年11月18日リリース、プロプライエタリ、Google製として掲載されており、100万トークンのコンテキストウィンドウと、テキスト、画像、音声、動画の入力に対応しています。個別にスコア付けされた4つのバリアント——low、medium、high、xhigh——を持ち、ページはデフォルトでxhighを表示するため、見出しの数値は、思考パラメータを一切指定せずにモデルを呼び出した場合に得られる数値ではなく61.4になっています。適用中のインデックスはv5.0.1であり、古いスコアを保有している人にとってこれは重要です。これはリベースされたインデックスであり、夏のリーダーボードの61は今日の61と同じ測定ではありません。

同じページではファミリーの残りも採点しており、個々の数値を見る前に順位を読む価値がある。4つすべてが同じ評価セット——AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2、Terminal-Bench-Science 0.1——を使っているので、少なくとも条件を揃えた比較になっており、これはローンチ記事のベンチマーク表については到底言えないことだ。

The Artificial Analysis model page for Gemini 4 Neon, headed Gemini 4 Neon: Intelligence, Performance and Price Analysis, showing Intelligence 61 at rank #6 of 96, Performance #73 of 95 with 56.51 seconds per response, 110 output tokens per second and 21.5 minutes per task, Cost #82 of 95 at $3.00 input and $15.00 output per million tokens with a 95% cache discount and $6.44 per Intelligence Index task, and Verbosity #93 of 95, above a low, medium, high and xhigh variant selector.

1つのモデル、4つのスコア、そしてはるかに急な階段

• Neonは低設定で44.1、これに対しCarbonは低設定で54.2、Gemini 4 Hydrogenは低設定で26.9。

• Neonは中 — 54.9、Carbonの58.3、Hydrogenの41.2に対して。

• Neon は高設定で — 59.6、Carbon は 60.0、Hydrogen は 50.8。これは Neon のデフォルトであり、Carbon の上限です。

• Neonはxhighで61.4、Carbonのエントリーはまったくありません。Gemini 4 Hydrogenには4番目の段階があり、53.9を記録しています。

その4つの数値が描く形こそ、ローンチ投稿では伝えきれていない部分だ。Neonは最安設定から最深設定まで17.3インデックスポイントにわたり、Carbonは3段階全体で5.8ポイントにわたる。Neonは調整ノブがたまたま付いた固定量ではない。どの段階を指すかによって実質的に異なる4つのモデルであり、差が最も大きいのは最下段で、そこではNeonの低設定がCarbonの低設定より10.1ポイント下にある。モデルごとに単一の数値でNeonをCarbonと比較してきたなら、正直な姿は平坦な線に対する曲線だ。

そのことは、ローンチ時のフレーミングとは逆方向に働く実用上の帰結をもたらす。Googleのドキュメントは、開発者に対して4つすべてのレベルで評価し、品質基準を満たす最も低いレベルを選ぶよう指示しており、また次のように警告している:xhigh は「テキストやJSON抽出のような単純なプロンプトでは、考えすぎを引き起こしたり、max_output_tokensを使い切ったりする可能性がある」。独立した数値は、その助言が単なる慎重策ではなく極めて重要である理由を示している。このモデルでは、一段下げることは丸め誤差ではない。Neonのデフォルトとその上限の間の1.8ポイントは、NeonとCarbonの間の距離の4倍超であり、4.7ポイントに相当する、high と medium の間の差は、そのほぼ12倍である。

A two-column scoreboard titled Gemini 4 Neon — the scoreboard. Gemini 4 Neon at xhigh reads AA Index 61.4, cost per task $6.44, output tokens 283M, time per task 21.5 min, output speed 110 tok/s; Gemini 4 Carbon at high reads AA Index 60.0, cost per task $4.90, output tokens 205M, time per task 36.1 min, output speed 57 tok/s. The footer says both figures are per Artificial Analysis on index v5.0.1, read 19 November 2026, and that Google's 32% cheaper-per-task claim is not reproduced at these settings.

タスクのコストを、主張ではなく実測で示す

検証する価値があるのは、タスクあたりのコストに関する主張だ。Googleによれば、Gemini 4 Neonはデフォルトのhigh設定で、タスクあたりのコストがGemini 4 Carbonより32%低く、競合するフロンティアモデルがそれぞれ最高の思考設定を使った場合よりも36%以上低いという。タスクあたりのコストは、モデルが出力するトークン数によって決まるが、発表記事はトークン数を開示していない。そのため今週まで、この数値は外部から検証できなかった。

トラッカーのパネルでは、Neon が Intelligence Index のタスクあたり $6.44、Carbon が $4.90 となっています。これは 32% の節約ではなく、31% の割高であり、主張とは逆方向です。正直な注意点は構成の不一致であり、これは双方に当てはまります。$6.44 は Neon の xhighです。なぜなら xhigh はページが最初に開くバリアントであり、一方、$4.90 は Carbon の highです。これ自体が最大値です。Google の 32% という数字は Neon の highに関するもので、トラッカーはそれを別途 59.6 とスコア付けしていますが、同じパネルでコストを前面に出していません。したがって、正確な表現は「Google が間違っている」よりも限定的です。公開されている構成の Neon は、公開されている構成の Carbon よりタスクあたりのコストが高く、Google が行っている特定の比較は独立に再現されていません。

再現可能なのはトークンプロファイルであり、それはより高速なモデルという直感的な解釈を弱める。NeonはIntelligence Index全体で、8.12Bの入力トークンに対して283Mの出力トークンを生成したのに対し、Carbonは205Mだった——38%多い——。出力は入力の3.5%の割合で推移した。トラッカーがスコア付けするモデル全体の中央値は65.1M出力トークンなので、Neonは単にCarbonよりおしゃべりなだけではない。それはボード上で最も冗長なモデルの一つであり、その指標では95台中93位にランクされている。冗長性で知られていたCarbonは90位だ。Neonがあなたに節約させているものが何であれ、それは出力トークンにおける節約ではない。

本当に速くなるのは——そしてこれこそがそれを支持する最も強い根拠なのだが——ウォールクロック時間においてだ:

• Intelligence Indexのタスク1件あたりの所要時間 — Neon 21.5分、Carbon 36.1分、Hydrogen 15.3分、Argon 29.6分。同等モデルの中央値は12.4分です。

• 出力速度 — Neon 110トークン/秒、Carbon 57、Hydrogen 168、Argon 65。

• 最初の回答トークンまでの時間 — Neon 56.5秒、Carbon 75.0秒、Hydrogen 47.2秒、Argon 47.1秒。

Neonは同じ評価セットを、Carbonより実時間で40%短く、およそ2倍の生成速度で完了する一方、より多くのトークンを出力し、同一のデフォルト設定では0.4ポイント低いスコアになる。それは筋の通った製品であり、ベンチマーク表が示唆するものとは別の製品だ。より早く終わらせるために選ぶモデルであって、より頻繁に正しくなるために選ぶモデルではない。

トラッカーが裏付けていない、ローンチ投稿の3つの数字

順位。Google は総合で3位だとしている。トラッカーのライブページでは、xhigh バリアントがインデックス v5.0.1 で96件中6位にランクされている。両方の数字が Artificial Analysis にたどれても、モデルセットが動くため異なることはあり得る。あり得ないのは、両方が最新であることだ。ライブページを引用し、それがどのバリアントに属するかを示せ。そうでなければ、その数字は次のリリースでは通用しない。

スコアの背景にある設定。 修飾語のない61は、モデルのスコアとして読まれる。4つあるうちの1つで、実行コストが最も高く、Google自身のドキュメントが抽出型タスクについて警告しているものでもある。デフォルトは59.6。

タスクあたりの優位性。上記で述べたとおり、トラッカーがサマリーパネルで公開している構成では、Neonはタスクあたり31%割高であり、32%安いわけではない。ベンダーの主張は、依然として高い設定ではGoogle自身のハーネスで成り立つかもしれない。読者が確認できるどこかで成り立つことは示されていない。

発表の中でそれ以外の部分は従来のままです — Googleが引用している第三者のリーダーボードや、Google自身による再現されていない評価、Chartographyの73.5%からFrontierCode 2.0の46.2%に至るまで、さらにFairwind defenders programmeを通じてのみ提供されるサイバー分野の数値などです。そうした内容は、独立した数値によって反証されているわけではありません。それは単に、誰も検証できない部分にすぎず、検証できる部分は今では異なる読み方になっています。

Neon に標準化しようとしている場合、これで何が変わるか

Neonを選んだ理由が「61」だったなら、キャパシティプランに持ち込むべき数値は59.6です。そして、その設定でNeonが上回るモデルは現行ファミリーには一つもありません。Carbonの60.0がNeonより高く、Carbonの価格は100万トークンあたり$2.00と$10.00で、CarbonとArgonの導入価格が2026年12月1日に$4.00と$20.00へ上がるまでは、Neonの$3.00と$15.00に対して優位にあります。

速度が理由だったなら、その主張は妥当で、上記の数字がそれを裏付けています。同じ評価セットで21分対36分という差は、1日の作業でどれだけ実行できるかを変える種類のものであり、1.9倍の生成速度はバッチジョブよりも対話的な作業で先に実感されます。

その理由がGoogleのタスクあたりの経済性だったなら、本番経路をそれに決める前に、自分でテストを実行すべきだ。タスクあたりの主張があなたのトラフィックで成り立つかどうかを決めるのはトークンプロファイルただ一つであり、独立した測定によれば、Neonは価格で下回るはずのモデルよりも多くのトークンを出力する。入力が多い処理では状況は逆転する。Neonの入力価格は現在Carbonより50%高く、12月のCarbonの動きはその差さえもNeonに有利な形で埋めるからだ——しかしそれは14日間の窓にすぎず、戦略ではない。

ご自身のトラフィックで比較を実行する

単一のスコアではなく4段階のラダーに注目する理由は、各段がコスト判断であり、両方のモデルが1回の呼び出しで使えるときにコスト判断を最も低コストで下せるからです。 当社のカタログではgoogle/gemini-4-carbon と google/gemini-4-argonをプロバイダー定価でマークアップなしに取り扱っており、つまり、これら2モデルの12月1日のステップはGoogle側に現れる日に請求書に現れ、Neonの12月の位置づけは、誰も何も再交渉することなく、それらに対して変わります。Gemini 4 Neonはまだカタログにないため、これは今日当社経由で実行することを勧めるものではありません — これは、それが登場したときに実行すべきテストの形です。

The OrcaRouter model page for Gemini 4 Carbon, showing the model identifier google/gemini-4-carbon, a maximum output of 65K tokens, multimodal input across text, image, file, audio and video, capability chips for vision, audio, tools, JSON, reasoning and output text, the line by Google · 2026-11-10, a p50 time to first token of 10.005 seconds, and the description noting a 1,048,576-token context window.

上の数字が示唆する評価は、ベンチマークの実行ではない。それは、両方のモデルでhighに設定した同じプロンプトを、秒数ではなく完了までのトークン数で、あなた自身のタスクのサンプル上で測定したものだ。そのテストには、両方のモデルが1つのキーから到達可能で、その背後にフォールバックが用意されていることが必要だ。なぜなら、Neon を実行する目的は、タスクごとの主張があなたのトラフィックとの接触に耐えられるかどうかを見極めることにあり、フォールバックの目的は、まだ評価中のモデルが本番への唯一の経路になることが決してないようにすることだからだ。その背後に Carbon、さらにその背後に Argon があれば、はしごの比較は移行ではなくルーティングの変更になる。

唯一やってはいけないのは、ローンチ時の表を基準に判断を下すことだ。トラッカーは今やあるモデルについて4つのスコアを公開しており、トップとデフォルトの差は、デフォルトとそれが置き換えるモデルとの差よりも大きい。そして、この提案全体を成立させるコストに関する主張は、スライド上でGoogle外部の誰も再現していない唯一の数値なのだ。

次に見るもの

3つの点があり、いずれも検証可能だ。トラッカーのNeonのタスクあたりコストが高設定でGoogleの32%という数字に近い値に落ち着くかどうか——その1行だけで議論に決着がつくはずで、しかもそれはすでに公開インデックススコアを持つバリアントだ。サイバーバリアントのFairwindゲートが開くかどうか。セキュリティの数値は、Googleの外ではほとんど誰も呼び出せないモデルについての主張にとどまっているからだ。そして、CarbonとArgonに係る12月1日のステップが、需要という現実に直面しても持ちこたえるかどうか。その日を境に、Neonの一律$3.00と$15.00は高く見えるのをやめ、トークンあたりで最も安いGemini 4の推論ティアのように見え始めるからだ。

それまでの有用な要約は一文で足りる。Gemini 4 NeonはGemini 4の回答を得る最速の方法だが、出荷時の設定では最も正確なものではなく、その価格を正当化する効率性の主張は依然としてベンダー側の主張にすぎない。