标题卡上写着“Gemini 4 Neon 的首批独立数字”,并有一行文字:“61 是 xhigh 设置。”在默认设置下,其得分为 59.6,Carbon 得分为 60.0。标题卡下方有三张卡片,分别写着:Gemini 4 Neon 在 xhigh 下为 61.4、Gemini 4 Neon 在 high(默认)下为 59.6、Gemini 4 Carbon 在 high 下为 60.0;页脚为 Artificial Analysis Intelligence Index v5.0.1,2026 年 11 月 19 日。
Guides & Insights

Gemini 4 Neon 的首批独立基准测试:61 是 xhigh 档位下的数字,而在其默认设置下它落后于 Carbon

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

谷歌为 Gemini 4 Neon 发布的博文以 Artificial Analysis 智能指数 61 开头,总排名第三。Artificial Analysis 现在为 Gemini 4 Neon 发布了自己的页面,该页面显示 61.4——对于xhigh变体,这是四个思考设置中最深的一档,在指数 v5.0.1 的 96 个模型中排名第六。在 Neon 实际默认的设置下,high,同一追踪器给它 59.6 分。Gemini 4 Carbon——谷歌公告几乎在每一段都用它来衡量 Neon 的模型——在其自身最高设置下为 60.0。按照这两个页面发布时的数据来读,最新的 Gemini 4 并不是最聪明的那个:当你把它推到 Carbon 不具备的档位时,它领先 1.4 分;而在比较两款模型各自厂商推荐的设置时,它落后 0.4 分。

这些都不足以让 Neon 成为一个糟糕的模型,而且同一面板中的速度数据是迄今为止任何人发表过的、对它最有力的论据。但这确实意味着,本周最有可能出现在幻灯片里的那个数字,是该模型最不具代表性的配置;而这一更正现在任何人都可以用浏览器核实,而不必从厂商自己的表格中推断。

追踪器实际发布的内容

Artificial Analysis 将 Gemini 4 Neon 列为发布于 2026 年 11 月 18 日,专有,Google 旗下,具有 100 万 token 的上下文窗口,并支持文本、图像、语音和视频输入。它包含四个单独评分的变体——低、中、高和 xhigh——页面默认打开 xhigh,因此头条数字是 61.4,而不是完全不使用思考参数调用模型时得到的数字。当前生效的指数是 v5.0.1,这对任何持有旧分数的人都很重要:这是一个经过重新基准化的指数,夏季排行榜上的 61 与今天的 61 并非同一种测量。

同一页面也给出了该系列其余型号的评分,在逐个看具体数字之前,值得先读一读它们的排名顺序。四款机型使用的是同一套评测集——AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2 和 Terminal-Bench-Science 0.1——因此这一对比至少是同等条件下的比较,而发布文章中的基准测试表可就做不到这一点了。

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.

一个模型,四项得分,以及陡峭得多的阶梯

• Neon 在低档 — 44.1,对比 Carbon 在低档 54.2,以及 Gemini 4 Hydrogen 在低档 26.9。

• 氖在中等条件下——54.9,相比之下碳为58.3,氢为41.2。

• Neon 在高档 — 59.6,对比 Carbon 的 60.0 和 Hydrogen 的 50.8。这是 Neon 的默认值,也是 Carbon 的上限。

• Neon 在 xhigh 下 — 61.4,而 Carbon 根本没有条目。Gemini 4 Hydrogen 有第四档,得分为 53.9。

这四个数字所呈现的形态,正是那篇发布文章未能传达的部分。Neon 从其最便宜的档位到最深档位之间跨越 17.3 个指数点;Carbon 在其三个档位之间跨越 5.8 个指数点。Neon 并不是一个恰好带有调节旋钮的固定量——它是一个取决于你所指档位、由四个实质不同的模型组成的集合,而且差异在低端最大:Neon 的 低档比 Carbon 的 低档低 10.1 个指数点。如果你一直用每个模型一个单一数字来衡量 Neon 与 Carbon 的相对规模,那么更诚实的描述是一条曲线对一条水平直线。

这会带来一个与发布时的表述相悖的实际后果。Google 的文档告诉开发者要在全部四个级别上评估,并选择能通过其质量门槛的最低一级,同时警告说 xhigh“可能导致过度思考,或在文本提取或 JSON 提取等更简单的提示上耗尽 max_output_tokens。”独立数据表明,为什么这条建议是关键的而非过度谨慎:在这个模型上,降档并不是舍入误差。Neon 的默认值与上限之间的 1.8 分,是 Neon 与 Carbon 之间差距的四倍多;4.7 分介于 high与medium之间,几乎是前者的十二倍。

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.

一项任务的成本,靠衡量而非声称

值得检验的是按任务计算的那项说法。谷歌表示,Gemini 4 Neon 在默认 high下,每个任务成本比 Gemini 4 Carbon 低 32%,并且比竞品前沿模型在其最高思考设置下低 36% 或更多。按任务成本取决于模型输出多少 token,而发布文章未披露 token 数量,因此直到本周,这个数字都无法从外部验证。

该追踪器的面板将 Neon 定为每项 Intelligence Index 任务 6.44 美元,将 Carbon 定为 4.90 美元。这不是节省 32%,而是 31% 的溢价,方向与所述主张相反。诚实的附加说明是配置不匹配,而且这对双方都有影响:6.44 美元是 Neon 在xhigh下的价格,因为页面打开时默认就是 xhigh 变体,而 4.90 美元是 Carbon 在high下的价格,这是它自身的最高档。Google 的 32% 数字针对的是 Neon 在high下的情况,追踪器单独给它评分为 59.6,但并未在同一面板中把成本放在显眼位置。因此,正确的说法比“Google 错了”更狭窄:Neon 的已发布配置每项任务成本高于 Carbon 的已发布配置,而 Google 所做的具体比较尚未被独立复现。

可复现的是 token 画像,而这削弱了对更快模型的直观解读。在 Intelligence Index 上,Neon 在 8.12B 输入 token 上生成了 283M 输出 token,而 Carbon 为 205M——多出 38%——输出占输入的比例为 3.5%。该追踪器所评分模型的中位数是 65.1M 输出 token,因此 Neon 不只是比 Carbon 更话多;它属于榜单上最冗长的模型之一,在该指标上 95 个中排名第 93。曾以冗长著称的 Carbon 排名第 90。无论 Neon 为你节省了什么,它节省的都不是发出的 token。

它真正更快的地方——这也是支持它最有力的理由——是墙钟时间:

• 每个 Intelligence Index 任务的耗时——Neon 21.5 分钟,Carbon 36.1,Hydrogen 15.3,Argon 29.6。可比模型的中位数为 12.4 分钟。

• 输出速度——Neon 每秒 110 个 token,Carbon 57,Hydrogen 168,Argon 65。

• 首个回答 token 的耗时——Neon 56.5 秒,Carbon 75.0 秒,Hydrogen 47.2 秒,Argon 47.1 秒。

Neon 完成同一评估集的实际耗时比 Carbon 少 40%,生成速率约为其两倍,同时输出更多 token,并在匹配的默认设置下得分低 0.4 分。这是一个自洽的产品,而且与基准表所暗示的产品不同:它是你为了更快完成而选择的模型,而不是为了更常答对而选择的模型。

发布帖中追踪器无法佐证的三个数字

排名。Google 称总排名第三。追踪器的实时页面将 xhigh 变体在 index v5.0.1 上列为 96 个中的第六。两个数字都可以追溯到 Artificial Analysis 且仍然不同,因为模型集合会变动;不可能同时都是最新的。引用实时页面,并说明它属于哪个变体,否则这个数字将无法在下一次发布后仍然成立。

分数背后的设置。一个没有限定词的 61 会被理解为该模型的分数。它是四种设置之一,是运行成本最高的一种,也正是 Google 自家文档针对提取类任务发出警告的那一种。默认值是 59.6。

每任务优势。上文已讨论:在追踪器于其摘要面板中公布的配置下,Neon 每任务贵 31%,而非便宜 32%。供应商的说法在高负载下、于谷歌自家测试框架上可能仍成立。但尚无证据表明它能在读者可核查的任何地方成立。

公告中的其他内容仍保持原样——Google 引用的第三方排行榜,以及 Google 自己那些未被复现的评估,从 Chartography 的 73.5% 到 FrontierCode 2.0 的 46.2%,还有仅通过 Fairwind defenders 计划提供的网络数据。独立数字并未否定其中任何一项。它只是不属于任何人都能验证的部分,而能够验证的部分现在读起来已经不一样了。

如果你正准备统一采用 Neon,这会带来哪些变化

如果你选择 Neon 的理由是那个 61,那么你在容量规划中应该采用的数字是 59.6;而在该设置下,它能击败的模型在当前系列中一个也没有——Carbon 的 60.0 领先于它,并且 Carbon 的价格为每百万 tokens $2.00 和 $10.00,而 Neon 为 $3.00 和 $15.00,直到 Carbon 和 Argon 的 introductory rate 于 2026 年 12 月 1 日上调至 $4.00 和 $20.00。

如果你的理由是速度,那么情况确实如此,上面的数字也支持这一点。在同一评估集上,21分钟对36分钟,这种差异会改变你在一个工作日内能运行多少;而1.9倍的生成速率在交互式工作中显现出来的时间,远早于它在批处理任务中显现出来的时间。

如果你的理由是基于谷歌的每任务经济性,那么在把生产路径押注于它之前,先自己跑一遍测试。真正决定每任务成本说法能否在你的流量上成立的,唯一因素就是 token 配置,而独立测量结果显示,Neon 输出的 token 数量比它本应压低的那个模型还要多。在输入密集型任务上,情况则正好相反,因为 Neon 当前的输入价格比 Carbon 高出 50%,而 Carbon 在 12 月的这一步调整甚至会把这一差距扭转为对 Neon 有利——但那只是一个十四天的窗口期,并非一项战略。

在您自己的流量上运行对比

关注四档阶梯而非单一评分的原因在于,档位是一个成本决策,而当两个模型都只需一次调用即可使用时,做成本决策的成本最低。 我们的目录收录了google/gemini-4-carbon和google/gemini-4-argon,按供应商标价、不加价提供,这意味着这两个模型在12月1日的价格调整会在Google的发票上出现当天出现在你的发票上,而Neon在12月相对于它们的定位也会发生变化,无需任何人重新协商任何事项。Gemini 4 Neon尚未收录在目录中,因此这并不是建议你今天通过我们来运行它——而是它上线后要运行的测试的大致形态。

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.

上述数字所支持的评估并不是一次基准测试运行。它是在两个模型上都以high运行同一个提示,以完成所需的 token 数而非秒数来衡量,样本取自你自己的任务。该测试要求两个模型都能通过同一个密钥访问,并在其后设置回退,因为运行 Neon 的意义在于弄清按任务的声明能否经受你的实际流量的检验,而回退的意义在于,你仍在评估的模型永远不会成为通往生产的唯一路径。其后是 Carbon,再往后是 Argon,于是阶梯式比较就变成一次路由变更,而不是一次迁移。

唯一不该做的,就是依据发布表格来评估这项决策。该追踪器现已为同一个模型公布了四个分数:最高分与默认分之间的差距,大于默认分与其所取代模型之间的差距;而让整个方案得以成立的成本说法,却是幻灯片上唯一一个谷歌之外无人复现过的数字。

接下来看什么

三件事,全都可以核查。其一,追踪器给出的 Neon 每任务成本在高档是否落在谷歌 32% 这个数字附近——仅那一行数据就足以定论,而且这是一个已有公开指数评分的变体。其二,网络变体上的 Fairwind 闸门是否会开启,因为那些安全数字仍然只是关于一个谷歌之外几乎无人能调用的模型的说法。其三,12 月 1 日针对 Carbon 和 Argon 的那一步能否经受住需求的考验,因为正是从这一天起,Neon 那 $3.00 和 $15.00 的平价定价将不再显得昂贵,而开始显得像是每 token 最便宜的 Gemini 4 推理层级。

在此之前,有用的总结只有一句话:Gemini 4 Neon 是获取 Gemini 4 答案最快的方式,但在其出厂默认设置下,它并不是最准确的那个;而为其价格提供依据的效率说法,仍然只是厂商的一面之词。