生成的标题卡上写着 Gemini 4 Neon vs Claude Haiku 5.5,副标题为“一架梯子的两端”,下方有两组相对的垂直横档堆叠——分别位于每个模型名称之下——最下方是一行“九项设置,一个索引”。
Engineering & Research

Gemini 4 Neon vs Claude Haiku 5.5:同一阶梯的两端

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

把 G​emini 4 Neon 和 Claude H​aiku 5.5 并排放在规格表上,对比看起来就像一场错配:输入价格是三十倍,输出价格也是三十倍;一个模型每千 token 只要十分之一美分,另一个却要三美分。然后你会注意到,这两款模型都是以阶梯而非单一档位出售的。Neon 有四个思考等级,默认高档;H​aiku 5.5 有五个,默认中档。一旦你按阶梯逐级比较,而不是按规格卡逐项对比,三十倍的比率就不再是有意思的数字,两个阶梯的形状才成为值得争论的东西。

Claude H​aiku 5.5 于 2026 年 10 月 7 日达到全面可用,价格为每百万输入 token 0.10 美元、每百万输出 token 0.50 美元;G​emini 4 Neon 于 2026 年 11 月 18 日发布,价格分别为 3.00 美元和 15.00 美元。两者都具备 100 万 token 的上下文窗口,都接受文本和图像,并且针对缓存输入分别收取 0.01 美元和 0.15 美元——同样的 95% 折扣,应用于截然不同的基础费率。

两架梯子,九种设置

Artificial Analysis 在同一个包含九个部分的评测集上,为两款模型的每一档分别打分——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——并公布每一项的每任务成本。这样得到的是九个可比较的数据点,而不是两个;而且每任务成本是实测得出的,并非依据价目表推算,因此它已经计入了每个模型各自选择消耗多少 token。

• Neon 低档 — 44.1,每任务 $0.75。

• 霓虹灯中等亮度 — 54.9,1.90 美元。

• Neon 高(默认)— 59.6,$3.74。

• Neon 在 xhigh 下 — 61.4,$6.44。

• H​aiku 5.5 低档 — 18.6,$0.044。

• H​aiku 5.5 中等(默认)— 24.6,$0.092。

• H​aiku 5.5(高)— 29.9,$0.159。

• H​aiku 5.5 在 xhigh 下 — 34.6,$0.248。

• H​aiku 5.5 最高 — 36.5,$0.411。

清单里立刻能看出两件事。Neon 最便宜的一档比 H​aiku 最贵的一档得分高出 7.6 分,而 Neon 最贵的一档成本是 H​aiku 最贵一档的 15.7 倍,而不是价目表所暗示的 30 倍。这两点都不是四舍五入造成的假象;它们都出自同一个原因:这两个模型在各自区间的高端使用 token 的方式截然不同。

Artificial Analysis model page for Claude Haiku 5.5 at Max effort, showing an Intelligence Index of 36, $0.10 input and $0.50 output per million tokens, $0.41 per Intelligence Index task, 298 million output tokens on the index against a 90-million median, 282 tokens per second, 180.94 seconds to first answer token, a default effort of medium and a 1M-token context window.

每张卡片上的“High”是什么意思

词汇是第一个陷阱。在 Neon 上,high 是模型出厂时所处的档位——也就是你不传任何 thinking 参数时得到的那一档。在 H​aiku 5.5 上,high 是五档中的第三档,默认值是 medium。因此,写成“Neon high 对 H​aiku high”的比较,实际上是在把默认值与非默认值作比较,于是产生了 29.7 个百分点的差距,而两家厂商都不会把它认作头条结论。

比较实际默认设置——Neon 为 high,H​aiku 为 medium——差距会扩大到 35.0 分,因为 H​aiku 的默认档比其名称所暗示的低一档。比较两套档位阶梯的顶端——xhigh 对 max——差距会缩小到 24.9 分。这整整十点的摆动完全取决于你决定拿哪一对设置来作比较,而且它比同一排行榜上多个相邻模型之间的差距还要大。

匹配的梯级,以及间隙的作用

按名称将这些横档对齐后,指数差距在一个狭窄区间内变动,从25.5点到30.3点,且两个方向均无趋势:

• 在低档下——Neon 44.1 对 H​aiku 18.6,相差 25.5 个百分点,每项任务成本为 17.0 倍。

• 中等设置下——54.9 对 24.6,30.3 分,20.8 倍。

• 在高位——59.6 对 29.9,29.7 分,23.6 倍。

• 在顶部 — 61.4 对 34.6,26.8 个百分点,25.9 倍。

智能差距是稳定的。成本比却不是:随着你沿阶梯向上,它从 17 倍升至 26 倍,因为 Neon 每多一个思考点收取的费用高于 H​aiku。将 H​aiku 从 high 调到 xhigh,能以每任务成本增加 56% 换来 4.7 个指数点。将 Neon 从 high 调到 xhigh,则以成本增加 72% 换来 1.8 个点。在边际上,更便宜的模型反而是回报更高的那个——这与三十倍的费率表比例会让你产生的预期正好相反。

第五级横档正是这一说法站不住脚的地方。

H​aiku 5.5 有一个 Neon 没有的档位:max。它也是这两款模型所提供的档位中性价比最差的一个。从 xhigh 到 max,H​aiku 提升了 1.85 个指数点,每任务成本从 $0.248 升至 $0.411——用 66% 的成本上涨换取 5% 的提升。在同一档位跃迁中,其测得的首个回答 token 时间从 46.2 秒跃升至 180.9 秒,约为原来的四倍。

这并不是 H​aiku 独有的缺陷。当评测框架已经用尽那些容易到手的提升时,多出来的一个推理层级呈现出来的就是这个样子:模型还在不停思考,却不再进步。但这确实意味着,任何引用 H​aiku 5.5 的 36.5 的人,引用的都是该模型的一种配置——它的延迟是它下面那一档的四倍;而任何引用 Neon 的 61.4 的人,也是出于同样的理由,在引用同一类天花板。这两个头条数字都是同一架梯子的最上一级,而这架梯子在末端会变得陡峭。

Generated nine-bar horizontal chart titled Nine settings, one index, with Neon's four bars at 44.1, 54.9, 59.6 and 61.4 followed by Haiku 5.5's five bars at 18.6, 24.6, 29.9, 34.6 and 36.5 on a 0 to 65 AA Index axis, and a dashed reference line at 54.9 labelled Neon medium clears Haiku's ceiling. The footer reads Intelligence Index and thinking levels per Artificial Analysis v5.0.1, 18 November 2026 release.

推理 token 是隐藏的列

只要看看每个模型自身写入了多少内容,每任务成本数字就说得通了。在索引运行中,Neon 在 xhigh 下每个任务产生约 80,500 个推理 token 和 61,100 个答案 token。H​aiku 5.5 在 max 下产生约 172,800 个推理 token 和 53,200 个答案 token。

因此,在两条阶梯的最高档上,费率表为三十倍的模型写出的推理量不到费率为十美分的模型的一半。H​aiku 通过思考更久来弥补模型更小;Neon 则通过少思考来弥补价格更高。这就是为什么每任务 15.7 倍的比率远低于价目表所暗示的 30 倍,也是为什么该比率在高档位最大——在这一档,Neon 的 token 习惯最接近 H​aiku,而全靠它的费率表在起作用。

同一面板中的另一列是捏造。在 AA-Omniscience 上,Neon 在默认设置下的幻觉率为 13.9%;H​aiku 5.5 在默认设置下为 40.4%,在最高设置下为 34.2%。这就是模型断言源材料并不支持的内容的频率上两到三倍的差异,而且与指数不同,随着 H​aiku 沿其阶梯攀升,这一比例几乎不改善。如果你的工作负载属于那种错误事实的发现成本很高的类型,那么指数差距低估而非高估了选择 Neon 的理由。

廉价模型在何处不再廉价

H​aiku 5.5 的价格优势是真实存在的,而且在任务较短的地方体现得最明显。一次分类调用、一个路由决策、一段文字改写、从表单中做一次提取——任何输出只有几百个 token 的场景——在 H​aiku 上只需不到一美分的几分之一,而在 Neon 上则接近一美分。在这个规模下,30x 的比率几乎就是字面意义上的事实,索引差距也无关紧要,因为两个模型都能轻松达标。

随着任务变长,这一优势会缩小,而缩小源于两个相互叠加的原因。Neon 的每任务成本主要由输入、缓存读取和缓存写入主导——在索引运行中,高负载下输入计费占账单的 64%——因此,长而稳定的前缀会让 Neon 的有效费率向其 $0.15 的缓存价格靠拢。H​aiku 享有同样的 95% 缓存折扣,但其基础费率本就已经很低,所以可节省的空间更小。而对于需要多步规划的工作,H​aiku 的层级上限低于 Neon 的默认档位,这意味着再多的廉价 token 也换不来答案。

还有第三个效应值得点名,因为它很容易被忽略:实测的 briefcase Elo——一个不同的评测框架,与指数分开评分——实际上在榜首更偏向 H​aiku,但优势幅度比指数所显示的更窄。Neon xhigh 得分为 1699,95% 区间为 1688 至 1710;H​aiku max 得分为 1572。在默认档位下,差距是 1632 对 1441。因此,第二个独立的评测框架在方向上一致,但在幅度上不一致,这是常态,也是在标准化之前应查看两个排行榜的理由。

还有第四种,而这正是价目表完全隐藏的那一种。H​aiku 5.5 分两档定价:提示词不超过 100,000 个 token 时,每百万 token 为 $0.10 和 $0.50;超过后则升至 $0.50 和 $2.50,缓存读取价格也从 $0.01 涨到 $0.05。这个阈值统计的是包括缓存读取和写入在内的全部输入,因此长上下文很容易触发它。一旦触发,H​aiku 的输入价格就是宣传数字的五倍,输出价格也是五倍,而它与 Neon 统一 $3.00 和 $15.00——完全不分档——之间的倍数关系,也不再是三十倍,而是六倍,输出上则是三倍。任何只看表面来比较这两张价目表的人,都是在拿一个两档价格和一个单档价格作比较,并把第一档当成了全部真相。

一条能经受层层考验的决策规则

四条规则,按重要程度依次排列:

如果任务很短且答案可核对,就选用中档或低档的 Haiku 5.5,然后不必再往下读。在这个规模下,索引差距并不构成约束,而价格差距极其巨大。

• 如果任务需要多步骤规划或仓库级代码改动,那么问题就出在 H​aiku 的能力上限,而不是它的价格。它表现最好的一档得分 36.5;Neon 的默认配置得分 59.6。到这一步,你付出的代价就不是用成本换质量,而是用一个能用的答案换了一个便宜的答案。

• 如果您已经在使用 Neon,请不要默认选择 xhigh。从 high 调到 xhigh,每个任务要多花 72% 的成本,只换来 1.8 个指数点和 16 秒的额外首 token 时间。大多数流水线更适合用 medium,它的指数点是 54.9,价格却只有默认值的一半。

• 如果你使用的是 H​aiku,不要默认选 max。无论按哪条档位阶梯来算,它的性价比都只排第四;它与 high 相差 6.6 个指数点,成本却是 high 的 2.6 倍。

这两款模型目前都不在 OrcaRouter 的 目录中,所以这一切都不是要把其中任何一款接入我们的密钥的推销。我们确实按供应商标价、无加价提供的是 Claude Haiku 4.5,每百万 token 为 $1.00 和 $5.00以及Gemini 4 Carbon,$2.00 和 $10.00——双方各自的前代产品。如果你更想在自己的流量上、而不是在排行榜上检验上面那套档位算术,那么有用的做法是:在同一个密钥上,把一个你已能调用的模型的便宜档位,与你正在考虑的模型的昂贵档位进行对比运行,并在底层配置故障转移,以防便宜档位最终达不到标准。

诚实的总结是,这两个模型其实并不真正构成竞争。一个是按溢价出售的前沿级规划器,另一个是以接近底价出售的高吞吐量工作者;它们的阶梯在名称上重叠,而不是在区间上重叠,这才让比较显得比实际更接近。比较两端——Neon 的中档对 H​aiku 的最高档——花 $1.90 得 54.9,对花 $0.41 得 36.5。多花四倍半的钱换十八分,这是在判断任务值多少钱,而不是在判断哪个模型更好。

Artificial Analysis model page for Gemini 4 Neon at Xhigh effort, showing an Intelligence Index of 61, $3.00 input and $15.00 output per million tokens, $6.44 per Intelligence Index task, 283 million output tokens on the index against a 65.4-million median, 110 tokens per second, 56.54 seconds to first answer token, a default effort of high and a 1M-token context window.