
Gemini 4 Neon: Googles "Small"-modell har ingen publicerad storlek
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 186 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 358 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 87 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 139 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
Klockan 01:57 UTC den 20 november lades ett inlägg upp på X som kallade Gemini 4 Neon för Googles lilla modell — ”långt före Argon och Carbon”, konkurrenskraftig med Claude Opus 5.5 och Claude Fable 5.2 och, i sina avslutande fyra ord, ett bevis på RSI. Det redigerades tre gånger innan det blev slutgiltigt och hade 316 gillamarkeringar när vi läste det. Varje annan sats kan kontrolleras mot ett dokument. Det kan inte ordet ”small”. Leta efter ett parameterantal eller en storleksordning i Googles dokumentation för Gemini 4 Neon, Gemini 4 Carbon, Gemini 4 Argon och Gemini 4 Hydrogen och du hittar ingenting: inget parameterantal, ingen siffra för aktiva parametrar, ingen mening som rangordnar de fyra efter storlek och — varken på DeepMind-modellsidan eller på modellkorten — en enda användning av ordet ”small” med hänvisning till någon av dem.
Det gör inte inlägget felaktigt. Det gör påståendet omöjligt att falsifiera med avseende på dess eget centrala ord, vilket är ett annat och mer intressant problem: påståendet buntar samman ett mått som vem som helst kan kontrollera (poängen) med en beskrivning av modellens interna delar som ingen utanför Google kan kontrollera, och drar sedan en slutsats om hur modellen tränades utifrån den icke verifierbara hälften. Nedan plockas påståendet isär i sina tre delar och varje del prövas mot det som är publicerat. Alla poäng är Artificial Analysis på index v5.0.1 såsom de lästes den 20 november 2026; allt som Google har uppgett är märkt som sådant; allt som har infererats är markerat som inferens.
Vad inlägget faktiskt säger
Rensat från inramning finns det tre påståenden. Ett: Neon är Googles lilla modell. Två: som liten modell ligger den ”långt före Argon och Carbon”, det vill säga en mindre modell har gått om större syskon. Tre: det utfallet är hur ”RSI och liknande” ser ut. Det andra mynnar ut i aritmetik, det första mynnar ut i en definition som Google inte har publicerat, och det tredje löser inte ut alls – det är ett påstående om en träningsprocess utan någon redovisad indata.
Värt att notera före aritmetiken: den här formuleringen är inte unik för ett konto. En dag tidigare tillskrev en annan skribent en Neon-demo ”svärmar” och ”att inte göra destillation och ta tid med RSI”. Vokabulären cirkulerar snabbare än något dokument ger stöd för, vilket är precis anledningen till att de enskilda orden är värda att prissätta.
Google kallar aldrig Neon för en liten modell
Google beskriver verkligen var och en av de fyra modellerna, och beskrivningarna är tillräckligt specifika för att citeras. Från dokumentationen för Gemini API-modellen, som publicerades den här veckan:
• Gemini 4 Carbon — ”Vår starkaste resonemangsmodell, byggd för komplex mjukvaruutveckling, multimodalt kunskapsarbete, vetenskapligt resonemang och cybersäkerhetsförsvar.”
• Gemini 4 Neon — ”Intelligens i framkant med snabb uppgiftslösning från början till slut inom komplex mjukvaruutveckling, kunskapsarbete och vetenskapliga arbetsflöden.”
• Gemini 4 Argon — “Vår effektiva modell Gemini 4 för frontier-resonemang, som ger snabbare svar och lägre tokenförbrukning per tur jämfört med Gemini 4 Carbon…”
• Gemini 4 Hydrogen — ”Ger alla banbrytande intelligens, med snabbhet och effektivitet för vardaglig kodning och agentiska arbetsflöden.”
Tre av de fyra meningarna handlar om hastighet och kostnad. Ingen av dem handlar om storlek, och ingen Google-sida vi kunde läsa använder ordet ”small” för någon av de fyra. Enligt samma dokumentation är modellen som Google pekar ut för vardagligt, lågkostnadsarbete Gemini 3.5 Flash-Lite – som inte ingår i den här familjen och inte är vad inlägget handlar om. Så ”Neon är den lilla” är inte en sammanfattning av Googles positionering. Det är en läsares slutledning utifrån beteende, framställd som om den vore en specifikation.
Prislistan talar också emot den raka tolkningen. Neon är den dyraste modellen i familjen per token: $3,00 in och $15,00 ut per miljon, platt, utan gratisnivå och utan utgångsdatum, mot Carbon och Argon på $2,00 och $10,00 till och med 30 november och Hydrogen på $1,50 och $7,50 med en gratisnivå. En liten modell som kostar 50 % mer per token än flaggskeppet den jämförs med är inte liten på det sätt som köpare vanligtvis menar med ordet. Vad som än är litet med Neon, är det inte räkningen.
Där siffrorna faktiskt stöder påståendet
Poängdelen av inlägget är kontrollerbar och håller till största delen — med ett utbyte som ändrar slutsatsen. På Intelligence Index vid varje modells djupaste publicerade inställning:
• Gemini 4 Neon — 61,4 vid xhigh (59,6 vid standardinställningen high)
• Gemini 4 Carbon — 60,0 på high, vilket är dess tak; modellen har ingen xhigh-nivå
• Gemini 4 Hydrogen — 54 vid xhigh
• Gemini 4 Argon — 50 på höga inställningar, även dess tak
Så ”långt före Argon” är sant och inte jämnt: 11 poäng. ”Långt före Carbon” är inte alls sant. Neon leder över Carbon med 1,4 poäng, och bara när man pressar upp det till en tankenivå som Carbon inte har. Vid de inställningar som båda leverantörerna rekommenderar – Neons standardinställning high mot Carbons high – ligger Neon 0,4 poäng efter. Inläggets starkaste formulering skulle ha varit den ärliga: Neon är den första modellen i den här familjen som får högre poäng än flaggskeppet, med ungefär en poäng, om man är villig att betala för det djupaste steget.
”Inom några veckor” är också bokstavligt sant, och aritmetiken är värd att redogöra för eftersom den är den enda daterade uppgiften i inlägget. Carbon blev allmänt tillgängligt den 10 november. Neon blev allmänt tillgängligt den 18 november. Åtta dagar skiljer flaggskeppet från modellen som sägs ha gått om det.

Den enda jämförelsen som inlägget utelämnade
Raden ”konkurrerar med Opus / Fable” är den del som underskattar sig själv, eftersom den smickrande versionen av den kräver en siffra som inlägget inte använde. På samma index får Claude Opus 5.5 59 vid sin högsta ansträngningsnivå och Claude Fable 5.2 får 65. Neons 61,4 ligger därför mellan dem: 2,4 poäng före Opus 5.5 vid Neons djupaste inställning, 3,6 efter Fable 5.2. ”Konkurrerar med” är rimligt för den första och generöst för den andra.
Det som gör det till en riktig berättelse är vad dessa poäng kostar, mätt per slutförd uppgift snarare än per token:
• Kostnad per uppgift i Intelligence Index — Gemini 4 Neon $6.44, Claude Opus 5.5 $10.04, Claude Fable 5.2 $26.54
• Listpris per miljon, indata / utdata — Neon $3.00 / $15.00, Opus 5.5 $4.00 / $20.00, Fable 5.2 $8.00 / $40.00
• Tid per indexuppgift — Neon 21,5 minuter vid xhigh och 14,8 vid high; Opus 5.5 25,7 vid max; Fable 5.2 41,6 vid max
• Utdatashastighet — Neon 110 tokens per sekund, Opus 5.5 112, Fable 5.2 cirka 110
Fyra gånger billigare per uppgift än Fable 5.2 för 3,6 indexpoäng är ett bättre argument än något i originalinlägget, och det hänger inte på ett enda ord om storlek. Det är också argumentet som står emot den närmaste invändningen: till Fable 5.2:s pris är en lucka på 3,6 punkter det billigaste på tavlan att stänga om arbetsbelastningen kräver det, och irrelevant om den inte gör det.

Liten i hastighet, inte i storlek
Om det finns en försvarbar tolkning av ”liten” här, är det den som trackern mäter snarare än den som modellkortet undanhåller, och den handlar om arbete per uppgift snarare än parametrar. Vid samma höga ansträngning slutförde Neon Intelligence Index-sviten på 123M utdatatoken mot Carbons 205M, på 14,8 minuter mot Carbons 41,8. Det är ett 40 % mindre tokenavtryck och en uppgift som slutförs nästan tre gånger så snabbt, och det är det närmaste ett offentligt bevis för inläggets intuition som finns: vad Neon än är, utför den samma jobb med mindre genererat arbete än den modell som Google kallar sin starkaste.
Men det är en slutledning utifrån beteende, och beteende har andra förklaringar – en effektivare avkodare, en annan tankebudget, ett kortare resonemangsspår – ingen av vilka kräver ett mindre antal parametrar. Samma siffror är också förenliga med att Neon helt enkelt är en nyare, bättre tränad modell av jämförbar storlek, vilket är den minst exotiska förklaringen som finns.
Inramningen kring snabbhet brister också någonstans där inlägget inte tittar. Neon är inte den snabbaste modellen i familjen. Gemini 4 Hydrogen ligger på 167 token per sekund jämfört med Neons 110 och slutför en indexuppgift på 15,4 minuter vid xhigh – hårfint nära Neons 14,8 vid high, till halva priset. Om påståendet är ”liten och snabb” är Hydrogen den modell som avses, och Hydrogen får 54 poäng.

Varför "RSI" gör jobbet här
Rekursiv självförbättring, i den betydelse frasen har inom AI-forskning, innebär att ett labb använder en modell för att mätbart förbättra sin efterträdare – en loop med en modell inuti, inte bara en snabb releasetakt. Inget som publicerats stöder den tolkningen av den här lanseringen, och inlägget erbjuder inget som stöder den: ingen beräkningssiffra, ingen information om vad Neon tränades på, inga bevis för att någon Gemini-modell bidrog till Neons träning.
Det enda Google faktiskt publicerar om härstamning är en och samma klausul, upprepad. Modellkorten för både Gemini 4 Neon och Gemini 4 Hydrogen anger att modellen är ”anpassad från Gemini 4 Carbon” – samma mening i samma sju fält på båda korten, utan definition av ”anpassad”, utan parameterantal och utan redogörelse för vad som ändrats. Att följa Carbons kort bakåt leder till Argon, vars kort säger att den ”inte är en modifiering eller finjustering av en tidigare modell”. Varje Gemini 4-kort anger samma kunskapsgräns, mars 2026, över fem veckors släpp. Fyra modeller, en datapipeline, ett odefinierat ord: det är en beskrivning av en delad träningsbas, vilket är vanligt, inte av en loop.
Det åtta dagar långa glappet mellan Carbon och Neon är ett schema. Scheman komprimeras av skäl som inte har något med självförbättring att göra – en delad basmodell, etappvis utrullning, en lanseringskalender – och iakttagelsen att just detta komprimerades är inte bevis för något av dem. Om ett labb verkligen byggde en modell med en modell, skulle du få veta det genom att det sade det, eller genom att ett benchmark mätte det. Inget av det har hänt.
Vad skulle avgöra det?
Tre avslöjanden skulle förvandla inlägget från ett påstående till en slutsats, och alla tre är sådant som Google skulle kunna publicera den här veckan:
• Ett parameterantal eller en uppgift om aktiva parametrar för vilken Gemini 4-modell som helst. Ett enda tal skulle göra ”liten” kontrollerbart och omedelbart bekräfta eller kullkasta premissen.
En definition av ”anpassad från” på modellkorten. Frasen förekommer sju gånger på Neon-kortet och förklaras aldrig; ”baserad på” används för Carbon-to-Argon och är lika odefinierad.
• Alla påståenden om träningsbidrag – vilka data som var nya i Neon jämfört med Carbon, eller vilken modell, om någon, som genererade träningssignal. Saknas alla tre förblir RSI ett ord i ett inlägg.
Vad ska man göra med detta på måndag?
Den praktiska konsekvensen är liten, och den är motsatsen till vad inlägget antyder. Inget i underlaget säger att Neon är en liten modell som slog en stor; det säger att Neon är en $3/$15-modell som presterar en poäng över Carbons tak när den pressas och en halv poäng under Carbons standard när den inte gör det. Det är ett beslut om inställningsstegen, inte ett beslut om storlek, och stegen spänner över 17,3 indexpoäng från low (44,1) till xhigh (61,4) – långt mer än gapet mellan två modeller i familjen. Vilket steg du väljer spelar större roll än vilken modell du väljer.
Två saker med datum är värda att föra in i kalendern, oavsett hur storleksfrågan löses. Carbon och Argon fördubblas den 1 december, från $2,00 och $10,00 till $4,00 och $20,00 per miljon tokens, medan Neons prislista inte har något utgångsdatum. Med dagens priser är Neon 17 % billigare per slutförd indexuppgift än Carbon ($6,44 mot $7,76); efter den 1 december ökar gapet utan att Neon ändrar något. Den som läser inlägget om ”small model” och drar slutsatsen att Neon är budgetalternativet har rätt i sak men av fel skäl — det är billigare per uppgift eftersom det avger mindre, inte för att det är mindre, och det blir mycket billigare på ett datum som Google redan har publicerat.
Hos oss finns google/gemini-4-carbon och google/gemini-4-argon i katalogen till leverantörens listpris utan påslag, vilket innebär att steget den 1 december kommer samma dag som det kommer till Google. Gemini 4 Neon finns ännu inte i katalogen, så det användbara att säga om det är inte ett pris utan en form: när det lanseras är den förfrågan som är värd att skriva en som namnger Neon och faller tillbaka på Carbon om Neon är hastighetsbegränsad eller ger fel. En modell vars främsta publicerade fördel är att slutföra uppgifter snabbt är en sådan du vill ha en failover bakom, inte en enda beroendepunkt. En nyckel täcker resten av familjen i dag, så en jämförelsekörning mot Carbon eller Argon kostar inget annat än tokens.
Den ärliga slutsatsen är den snäva. Ett inlägg som säger att ett labs lilla modell har gått om dess stora har gjort ett påstående om storlekar. Ingen har publicerat en storlek. Poängen säger att en snabb modell hamnade inom en poäng från en långsammare på åtta dagar, vilket är intressant nog i sig, och träningsberättelsen som hör till är för närvarande en bildtext.
Jämförda i den här artikeln1
Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen
