Titelkaart met de tekst Gemini 4 Neon: Google's 'kleine' model heeft geen gepubliceerde omvang, met als ondertitel één X-post, drie controleerbare getallen en een omvang die niemand buiten Google heeft gezien, boven drie genummerde rijen: de post noemt Neon klein zonder dat voor enig Gemini 4-model een parameteraantal is gepubliceerd; Neon scoort 61,4 bij xhigh en 59,6 bij default high tegenover de 60,0 van Carbon, een voorsprong van 1,4 punt of een achterstand van 0,4 punt; Carbon werd op 10 november uitgebracht en Neon op 18 november, acht dagen later, waarbij de RSI-clausule geen trainingsgegevens aanhaalt. De voettekst luidt: scores volgens Artificial Analysis-index v5.0.1, afgelezen op 20 november 2026; omvangclaims zijn niet gecontroleerd.
Guides & Insights

Gemini 4 Neon: het 'Small'-model van Google heeft geen gepubliceerde grootte

Auteur

Elias Hawthorne

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

Op 20 november om 01:57 UTC verscheen er een bericht op X dat Gemini 4 Neon Google’s kleine model noemde — “ver vooruit op Argon en Carbon”, concurrerend met Claude Opus 5.5 en Claude Fable 5.2, en, in de laatste vier woorden, bewijs van RSI. Het werd drie keer bewerkt voordat het definitief was en had 316 likes toen wij het lazen. Elke andere clausule kan aan de hand van een document worden gecontroleerd. Voor het woord “small” kan dat niet. Ga op zoek naar een parameteraantal of een rangschikking naar grootte in Google’s documentatie voor Gemini 4 Neon, Gemini 4 Carbon, Gemini 4 Argon en Gemini 4 Hydrogen en je vindt niets: geen parameteraantal, geen aantal actieve parameters, geen zin die de vier naar grootte rangschikt, en — zowel op de DeepMind-modelpagina als op de modelkaarten — geen enkel gebruik van het woord “small” met betrekking tot een van hen.

Dat maakt het bericht niet onjuist. Het maakt het niet-falsifieerbaar op zijn eigen kernwoord, wat een ander en interessanter probleem is: de bewering bundelt een meting die iedereen kan controleren (de score) met een beschrijving van de interne werking van het model die niemand buiten Google kan controleren, en trekt vervolgens een conclusie over hoe het model is getraind uit de niet-verifieerbare helft. Hieronder wordt de bewering uiteengehaald in haar drie onderdelen en wordt elk onderdeel getoetst aan wat er gepubliceerd is. Alle scores zijn Artificial Analysis op index v5.0.1 zoals afgelezen op 20 november 2026; alles wat Google zelf heeft verklaard, is als zodanig aangeduid; alles wat is afgeleid, is als inferentie gemarkeerd.

Wat de post eigenlijk zegt

Ontdaan van de framing blijven er drie beweringen over. Een: Neon is het kleine model van G​oogle. Twee: als klein model loopt het “ver voor op Argon en Carbon”, dat wil zeggen dat een kleiner model grotere zustermodellen heeft ingehaald. Drie: dat resultaat is hoe “RSI en zo” eruitziet. De tweede valt terug te voeren op rekenkunde, de eerste op een definitie die G​oogle niet heeft gepubliceerd, en de derde valt helemaal niet te herleiden — het is een bewering over een trainingsproces zonder bekendgemaakte input.

Het is de moeite waard om vóór de rekensom op te merken: deze framing is niet uniek voor één account. Een dag eerder schreef een andere poster een Neon-demo toe aan “swarms” en aan “geen distillatie doen en de tijd nemen met RSI”. De terminologie circuleert sneller dan welk document dan ook onderbouwt, en dat is precies waarom het de moeite waard is om de afzonderlijke woorden te wegen.

Google noemt Neon nooit een klein model

G​oogle beschrijft elk van de vier modellen, en de beschrijvingen zijn specifiek genoeg om geciteerd te worden. Uit de documentatie van het G​emini API-model, zoals deze week gepubliceerd:

• G​emini 4​ Carbon — “Ons sterkste redeneermodel, gebouwd voor complexe software-engineering, multimodaal kenniswerk, wetenschappelijk redeneren en cyberdefensie.”

• G​emini 4 Neon — “Intelligentie op topniveau met snelle end-to-end taakvoltooiing in complexe software-engineering-, kenniswerk- en wetenschapsworkflows.”

• G​emini 4​ Argon — “Ons efficiënte G​emini 4 frontier-redeneermodel, dat snellere antwoorden en een lager tokenverbruik per beurt oplevert in vergelijking met G​emini 4​ Carbon…”

• G​emini 4 Hydrogen — “Brengt geavanceerde intelligentie naar iedereen, met snelheid en efficiëntie voor alledaags coderen en agentische workflows.”

Drie van die vier zinnen gaan over snelheid en kosten. Geen ervan gaat over grootte, en geen enkele G​oogle-pagina die we konden lezen gebruikt het woord ‘klein’ voor een van de vier. Volgens dezelfde documentatie is het model waar G​oogle voor alledaags, goedkoop werk naar verwijst G​emini 3.5 Flash-Lite — dat geen deel uitmaakt van deze familie en niet is waar het bericht over gaat. Dus ‘Neon is de kleine’ is geen samenvatting van G​oogles positionering. Het is een gevolgtrekking van de lezer op basis van gedrag, geformuleerd alsof het een specificatie is.

De prijskaart pleit ook tegen de letterlijke lezing. Neon is per token het duurste model in de familie: $3,00 in en $15,00 uit per miljoen, vast, zonder gratis laag en zonder vervaldatum, tegenover Carbon en Argon tegen $2,00 en $10,00 tot en met 30 november en Hydrogen tegen $1,50 en $7,50 met een gratis laag. Een klein model dat per token 50% meer kost dan het vlaggenschip waarmee het wordt vergeleken, is niet klein op de manier waarop kopers dat woord gewoonlijk bedoelen. Wat er ook klein is aan Neon, het is niet de rekening.

Waar de cijfers de bewering wel ondersteunen

Het scoregedeelte van de post is controleerbaar en klopt grotendeels — met één vervanging die het verdict verandert. Op de Intelligence Index bij de diepste gepubliceerde instelling van elk model:

• Gemini 4 Neon — 61,4 bij xhigh (59,6 bij de standaardinstelling, hoog)

• G​emini 4​ Carbon — 60,0 op high, wat het plafond is; het model heeft geen xhigh-niveau

• G​emini 4 Hydrogen — 54 bij xhigh

• G​emini 4​ Argon — 50 op hoog, tevens zijn plafond

Dus "ver voor op Argon" is waar en niet nipt: 11 punten. "Ver voor op Carbon" is helemaal niet waar. Neon leidt met 1,4 punt op Carbon, en alleen wanneer je het naar een denkniveau duwt dat Carbon niet heeft. Bij de instellingen die beide leveranciers aanbevelen — Neon's standaard high tegenover Carbon's high — staat Neon 0,4 punt achter. De sterkste vorm van het bericht zou de eerlijke zijn geweest: Neon is het eerste model in deze familie dat boven het vlaggenschip scoort, met ongeveer één punt, als je bereid bent voor het diepste niveau te betalen.

“Binnen enkele weken” is ook letterlijk waar, en de rekensom is het vermelden waard omdat dit het enige gedateerde feit in de post is. Carbon werd op 10 november algemeen beschikbaar. Neon werd op 18 november algemeen beschikbaar. Acht dagen scheiden het vlaggenschip en het model waarvan wordt gezegd dat het het heeft ingehaald.

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.

De ene vergelijking die de post oversloeg

De regel “concurreert met Opus / Fable” is het deel dat zichzelf tekortdoet, want de vleiende versie ervan vereist een getal dat de post niet gebruikte. Op dezelfde index scoort Claude Opus 5.5 59 bij zijn maximale inspanning en Claude Fable 5.2 65. Neon’s 61,4 ligt daardoor tussen hen in: 2,4 punten voor op Opus 5.5 bij Neon’s diepste instelling, 3,6 punten achter Fable 5.2. “Concurreert met” is terecht voor de eerste en genereus voor de tweede.

Wat er een echt verhaal van maakt, is wat die punten kosten, gemeten per voltooide taak in plaats van per token:

• Kosten per Intelligence Index-taak — G​emini 4 Neon $6,44, Claude Opus 5.5 $10,04, Claude Fable 5.2 $26,54

• Lijstprijs per miljoen, input / output — Neon $3,00 / $15,00, Opus 5.5 $4,00 / $20,00, Fable 5.2 $8,00 / $40,00

Tijd per indextaak — Neon 21,5 minuten bij xhigh en 14,8 bij high; Opus 5.5 25,7 bij max; Fable 5.2 41,6 bij max

• Uitvoersnelheid — Neon 110 tokens per seconde, Opus 5.5 112, Fable 5.2 ongeveer 110

Vier keer goedkoper per taak dan Fable 5.2 voor 3,6 indexpunten is een beter argument dan alles in de oorspronkelijke post, en het hangt niet af van één woord over grootte. Het is ook het argument dat de dichtstbijzijnde tegenwerping doorstaat: tegen de prijs van Fable 5.2 is een gat van 3,6 punten het goedkoopste op het bord om te dichten als de werkbelasting dat vereist, en irrelevant als dat niet zo is.

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.

Klein qua snelheid, niet qua formaat

Als er hier een verdedigbare lezing van “small” bestaat, is het degene die de tracker meet in plaats van degene die de modelkaart achterhoudt, en het gaat om werk per taak in plaats van parameters. Bij dezelfde hoge inspanning voltooide Neon de Intelligence Index-suite met 123M outputtokens tegenover 205M van Carbon, in 14,8 minuten tegenover 41,8 van Carbon. Dat is een 40% kleinere tokenvoetafdruk en een taak die bijna drie keer zo snel klaar is, en het is het dichtst bij bewijs voor de intuïtie van het bericht dat publiekelijk bestaat: wat Neon ook is, het doet hetzelfde werk met minder gegenereerd werk dan het model dat Google zijn sterkste noemt.

Maar dat is een gevolgtrekking uit gedrag, en gedrag heeft andere verklaringen — een efficiëntere decoder, een ander denkbudget, een korter redeneerspoor — die geen van alle een kleiner parameteraantal vereisen. Dezelfde cijfers zijn ook verenigbaar met dat Neon simpelweg een nieuwer, beter getraind model van vergelijkbare grootte is, wat de minst exotische verklaring is die beschikbaar is.

De snelheidsframing gaat ook ergens mank waar de post niet naar kijkt. Neon is niet het snelste model in de familie. G​emini 4 Hydrogen haalt 167 tokens per seconde tegenover Neon’s 110, en rondt een indextaak af in 15,4 minuten op xhigh — op een haar na Neon’s 14,8 op high, voor de helft van de prijs. Als “klein en snel” de claim is, is Hydrogen het model dat die beschrijft, en Hydrogen scoort 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.

Waarom 'RSI' hier het werk doet

Recursieve zelfverbetering, in de betekenis die de term in AI-onderzoek heeft, betekent dat een lab een model gebruikt om zijn opvolger meetbaar te verbeteren — een lus met een model erin, niet slechts een snel release-tempo. Niets van wat gepubliceerd is, ondersteunt die interpretatie van deze release, en het bericht biedt niets om dat te ondersteunen: geen cijfer over rekenkracht, geen openbaarmaking van waarop Neon is getraind, geen bewijs dat enig Gemini-model heeft bijgedragen aan de training van Neon.

Wat Google wél publiceert over herkomst is één clausule, steeds herhaald. De modelkaarten voor zowel Gemini 4 Neon als Gemini 4 Hydrogen vermelden dat het model ‘is aangepast op basis van Gemini 4 Carbon’ — dezelfde zin in dezelfde zeven velden op beide kaarten, zonder definitie van ‘aangepast’, zonder parameteraantal en zonder uitleg over wat er is veranderd. Als je de kaart van Carbon terugvolgt, kom je uit bij Argon, waarvan de kaart zegt dat het ‘geen modificatie of fine-tune van een eerder model is’. Elke Gemini 4-kaart noemt dezelfde kennisafsluitdatum, maart 2026, verspreid over vijf weken aan releases. Vier modellen, één datapijplijn, één ongedefinieerd woord: dat is een beschrijving van een gedeelde trainingsbasis, wat gewoon is, en niet van een lus.

Het gat van acht dagen tussen Carbon en Neon is een kwestie van planning. Planningen worden om redenen ingekort die niets met zelfverbetering te maken hebben — een gedeeld basismodel, een gefaseerde uitrol, een lanceringskalender — en de observatie dat deze planning is ingekort, is geen bewijs voor een van die redenen. Als een lab daadwerkelijk een model met een model had gebouwd, zou je dat weten doordat het dat zelf zou hebben gezegd, of doordat een benchmark het had gemeten. Geen van beide is gebeurd.

Wat zou het beslechten?

Drie onthullingen zouden de post van een bewering in een bevinding veranderen, en alle drie zijn het dingen die G​oogle deze week zou kunnen publiceren:

• Een parameteraantal of een opgave van actieve parameters voor elk G​emini 4-model. Eén getal zou “small” controleerbaar maken en zou het uitgangspunt onmiddellijk bevestigen of ontkrachten.

• Een definitie van “adapted from” op de modelkaarten. De uitdrukking komt zeven keer voor op de Neon-kaart en wordt nooit uitgelegd; “based on” wordt gebruikt voor Carbon-to-Argon en is eveneens ongedefinieerd.

• Elke uitspraak over bijdrage aan training — welke data nieuw waren in Neon ten opzichte van Carbon, of welk model, indien van toepassing, een trainingssignaal genereerde. Zonder alle drie blijft RSI een woord in een post.

Wat te doen met dit op maandag?

Het praktische gevolg is klein, en het is het tegenovergestelde van wat het bericht suggereert. Niets in het verslag zegt dat Neon een klein model is dat een groot model heeft verslagen; er staat dat Neon een $3/$15-model is dat één punt boven Carbon's plafond scoort wanneer het tot het uiterste wordt gedreven en een half punt onder Carbon's standaard wanneer niet. Dat is een beslissing over de afstemmingsladder, geen beslissing over grootte, en de ladder beslaat 17,3 indexpunten van low (44,1) tot xhigh (61,4) — veel meer dan de kloof tussen twee willekeurige modellen in de familie. Welke trede je kiest, maakt meer uit dan welk model je kiest.

Twee zaken met een datum zijn het waard om in de agenda te zetten, ongeacht hoe de kwestie van de grootte wordt beslecht. Carbon en Argon verdubbelen op 1 december, van $2,00 en $10,00 naar $4,00 en $20,00 per miljoen tokens, terwijl de tariefkaart van Neon geen vervaldatum kent. Bij de huidige prijzen is Neon 17% goedkoper per voltooide indextaak dan Carbon ($6,44 tegenover $7,76); na 1 december wordt dat verschil groter zonder dat Neon iets verandert. Wie het bericht over het ‘small model’ leest en concludeert dat Neon de budgetoptie is, heeft de richting goed, maar om de verkeerde reden — het is goedkoper per taak omdat het minder output genereert, niet omdat het kleiner is, en het wordt veel goedkoper op een datum die G​oogle al heeft gepubliceerd.

Bij ons staan google/gemini-4-carbon en google/gemini-4-argon in de catalogus tegen de leverancierslijstprijs zonder opslag, wat betekent dat de stap van 1 december op dezelfde dag komt als bij Google. Gemini 4 Neon staat nog niet in de catalogus, dus wat nuttig is om erover te zeggen, is geen prijs maar een vorm: wanneer het beschikbaar komt, is het verzoek dat de moeite waard is om te schrijven er een dat Neon noemt en terugvalt op Carbon als Neon een snelheidslimiet heeft of fouten geeft. Een model waarvan het belangrijkste gepubliceerde voordeel is dat het taken snel afrondt, is er een waarachter je een failover wilt hebben, niet een enkel afhankelijkheidspunt. Eén sleutel dekt vandaag de rest van de familie, dus een vergelijkingsrun tegen Carbon of Argon kost niets anders dan de tokens.

De eerlijke conclusie is de beperkte. Een bericht dat zegt dat het kleine model van een lab zijn grote modellen heeft ingehaald, doet een bewering over groottes. Niemand heeft een grootte gepubliceerd. De scores zeggen dat een snel model in acht dagen tot binnen één punt van een langzamer model kwam, wat op zichzelf al interessant genoeg is, en het trainingsverhaal dat eraan vasthangt is voorlopig een bijschrift.

Vergeleken in dit artikel1

Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt