一張生成的標題卡寫著「Gemini 4 Neon 改編自 Carbon」,副標題為「一句話,重複七次,卻從未定義」,旁邊是一張族譜圖:Gemini 4 Argon 位於 Gemini 4 Carbon 上方,標示為「基於」,向下分支到 Gemini 4 Hydrogen 與 Gemini 4 Neon,兩者都標示為「改編自」。
Guides & Insights

Gemini 4 Neon 改編自 Carbon:卡片未定義的事

作者

Elias Hawthorne

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

已發布的 Gemini 4 Neon 模型卡,對於這個模型從何而來,只講了一件事,而且講了七次:「Gemini 4 Neon 改編自 Gemini 4 Carbon。」這就是關於 Gemini 4 Neon、Gemini 4 Carbon、Gemini 4 Argon 與 Gemini 4 Hydrogen 之間關係的全部公開說明。沒有參數量,沒有說明改編了什麼,也沒有定義這個詞。六週以來的 Gemini 4 發布都依附在那個未定義的單一句子之上,而現在在 X 上和發布摘要中,這句話被解讀成彷彿「改編」是一個已有固定含義的專業術語。但這並不是 Google 已確立的定義。

以下內容會區分這裡三件容易混為一談的事:卡片上實際印出的內容、這所暗示的內容,以及目前仍屬猜測的部分。任何引述內容都來自 2026 年 11 月 19 日與 20 日擷取的 Google DeepMind 頁面;任何推論都會標示為推論,並保留在獨立段落中,因此你可以捨棄它而不流失事實。

七個完全相同的句子

這張卡片依據以下標題分項說明:模型資訊、模型資料、實作與永續性、發布、評估、預期用途與限制,以及安全與保安。在其中七個欄位裡,內文都是同一個條款,後面接著指向 Carbon card 的提示:

• 模型相依性 —「Gem​ini 4 Neon 改編自 Gemini 4 Carbon。」

• 架構 — 同一句話,然後「請參閱 Gemini 4 Carbon 模型卡」。

• 訓練資料集——相同的句子,然後是同樣指向 Carbon 的指標。

• 訓練資料處理 — 同一句話,然後同一個指標。

• 硬體 — 相同的句子,然後相同的指標。

• 軟體 — 相同的句子,然後相同的指標。

• 可接受使用 — 相同的句子,然後相同的指標。

模型卡從不諱言譜系。它也從不具體。「改編自」承載的是一個指向,而不是內容:讀者想知道的一切——參數量、哪些層被改動、較小模型是否對照較大模型進行訓練、哪些資料是新的——都被轉交給一份關於另一個模型的文件,而那份文件也同樣一項都沒回答。Carbon 的模型卡說 Carbon「基於 Gemini 4 Argon」,然後指向 Argon;Argon 則說 Argon 是「一個大規模稀疏混合專家(MoE)的 Transformer 模型」,而且「不是對先前模型的修改或微調」。從頭到尾追完整條鏈,只會告訴你:Neon 衍生自某個衍生自某個全新之物的東西。它不會告訴你「衍生」到底做了什麼。

兩個短語,未說明有何差異

更有趣的比較並不是 Neon 與其母公司的對比,而是 Google 在整個產品家族中使用的詞彙,因為同一個發布者對兩種不同關係使用兩個不同的說法,卻從未解釋原因:

• Gemini 4 Argon,模型卡於 2026 年 10 月 13 日發布——「並非先前模型的修改版或微調版。」僅使用過一次,見於「模型依賴關係」。

• Gemini 4 Carbon,模型卡於 2026 年 11 月 10 日發布——「基於 Gemini 4 Argon。」共使用六次,分別見於模型相依性、架構、訓練資料集、硬體、軟體與可接受使用。

• Gem​ini 4 Hydrogen,卡片於 2026 年 11 月 12 日發布——「改編自 Gemini 4 Carbon」。使用了七次,位置與 Neon 使用它的七個地方相同。

• Gem​ini 4 Neon,卡片發佈於 2026 年 11 月 18 日——「改編自 Gemini 4 Carbon。」七次。

A generated four-column comparison card headed 'The Gemini 4 family — four cards, four rows', counting one lineage phrase across the published model cards: Argon published 13 October 2026, 'not a modification', stated once; Carbon 10 November 2026, 'based on Argon', six times; Hydrogen 12 November 2026, 'adapted from Carbon', seven times; Neon 18 November 2026, same phrase, seven times; every card listing a March 2026 knowledge cutoff.

所以「adapted from」並不是為 Neon 創造的說法。Hydrogen 早六天就用了它,而兩張卡片使用它的方式完全相同——相同措辭、相同欄位、相同父項。無論 adaptation 在這裡是什麼意思,對於一個建立在 Carbon 之上的模型來說,這就是標準關係;而且在文本中,它與「based on」有明顯區別,後者是 Carbon 對 Argon 的關係。這兩個詞組在該模型家族的文件中都沒有任何定義。若讀者假定「adapted from」意味著比「based on」更弱或更窄的東西,那是在做假定;若讀者假定兩者意思相同,那同樣是在往相反方向做同樣強度的假定。

架構章節所說的內容

這正是流傳中的摘要略過的部分。Neon 卡片中完全沒有出現「distill」、「distillation」、「prune」、「quantize」或「mixture-of-experts」,沒有參數量,且「smaller」一詞也未出現。架構部分只有一句話,以及一個指向 Carbon 的指引。卡片也從未使用「post-trained」——正是促使撰寫本文的 X 討論串注意到缺失的那個確切詞彙。這種缺失是真實存在且可查證的。

Screenshot of the Google DeepMind model card page for Gemini 4 Neon, showing the published date of 18 November 2026, the Model Information tabs, and the Model dependencies line reading 'Gemini 4 Neon is adapted from Gemini 4 Carbon.'

卡片唯一提到訓練技術的地方,是「安全與保安」章節中一句以「安全與保安已內建於 Gem​ini 4 Neon 的整個訓練與部署生命週期,包括預訓練資料篩選、後訓練對齊(監督式微調與強化學習)……」開頭的句子。快速讀過時,那看起來像是卡片其餘部分避而不談的揭露。但並非如此。一模一樣、逐字不差的句子也出現在 Carbon 卡與 Hydrogen 卡上。Argon 卡則完全沒有這句。這是一套套用到每個以 Carbon 為基礎建構之模型的安全流程範本,而把它當成 Neon 曾透過強化學習接受後訓練的證據,就是把制式樣板文字讀成訓練揭露。卡片沒有說 Neon 受過後訓練,也沒有說它沒受過。

截止點是唯一帶有日期的事實。

這張卡片確實提供了一項關於出處的明確且可查證的事實,而且很容易被忽略,因為它位於「已知限制」之下,而不是在架構段落附近:「Gem​ini 4 Neon 的知識截止時間為 2026 年 3 月,不過在某些領域,模型的知識可能較不即時。」

• Gemini 4 Argon — 2026 年 3 月(卡片針對該系列如此標示:「Gemini 4 的知識截止時間為 2026 年 3 月」)。

• Gemini 4 Carbon — 2026年3月。

• Gem​ini 4 Hydrogen — 2026年3月。

• Gem​ini 4 Neon — 2026 年 3 月。

五週內推出四個模型,四個完全相同的截止點。無論在十月的 Argon 與十一月的 Neon 之間新增了什麼,那都不是世界的一個新切片;任何能力提升都來自方法、資料選擇,或是在這個模型家族既有的材料上投入的訓練算力。這對「他們在其上訓練了一個全新模型」的解讀構成實質限制,而這也是模型卡對該模型建構方式所作的唯一量化陳述。

那項無人引用的 MCC 發現

在「前沿安全評估」章節中,埋藏著一項 Google 做過但未放入發布資料的比較。該公司評估了 Neon 是否展現出「相對於最近一個接受關鍵能力評估的模型版本(即 Gemini 4 Argon),具有有意義的新能力或效能顯著提升」。其結論是:「在我們的 MCC 評估下,Gem​ini 4 Neon 相較於 Gemini 4 Argon 展現出一般能力提升,然而這仍低於我們的 MCC 門檻。」

應將此理解為能力陳述,而非安全陳述。Google 自己的內部評估將 Neon 排在 Argon 之上,而模型卡隨後沿用 Argon 的能力評估與門檻判定,而不是重新執行,理由是沒有實質變更。因此,模型卡所報告的 Intelligence Index 61 分,不只是表格中的一個廠商數字——它與內部發現一致:該衍生模型表現優於其所衍生的模型。

同一節正是兩個「衍生自」兄弟模型不再可互換的地方。Hydrogen 的說明卡與 Neon 的相反:「在我們的 MCC 評估下,與 Gemini 4 Argon 相比,Gemini 4 Hydrogen 並未在通用能力上顯示出實質提升。」相同的母模型,相同的措辭,相反的結論。因此,「衍生自 Gemini 4 Carbon」不是強度標籤。它描述的是一系列衍生模型,其中至少一個增加了可衡量的能力,至少一個則沒有。

這會產生一張尷尬的價目表。截至 2026 年 11 月 30 日,Gemini 4 Neon 每百萬輸入 token 收費 3.00 美元、每百萬輸出 token 收費 15.00 美元,而 Gemini 4 Argon——Neon 所對標、且在內部評測中勝過的模型——則收費 2.00 美元和 10.00 美元。這個衍生模型每 token 比它所繼承評測結果的祖先模型貴 50%。自 12 月 1 日起,當 Carbon 和 Argon 調漲至 4.00/20.00 美元時,情況會反轉,Neon 會比兩者都便宜 25%。這兩個數字都與模型規模無關:每 token 價格是商業決策,而 Google 從未按參數量為這個系列定價。

為什麼降價對 Matryoshka 不利

目前流傳中最具體的假設是,這個模型家族是嵌套的——Carbon 包含 Neon,就像俄羅斯套娃裡裝著較小的娃娃一樣;而 Neon 是透過把較大的模型蒸餾成較便宜的模型而取得,可能還在上頭加了額外的強化學習。這是個合理的猜測。它解釋了為什麼衍生模型會共享知識截止點,為什麼模型卡會把架構細節交由母模型說明,以及為什麼 Google 會避免用「後訓練」來形容一個按此解讀與其說是後訓練、不如說是萃取而成的模型。

公開資料中有三件事與這個簡單版本相牴觸。第一是價格:一個經過蒸餾的較小模型,每個 token 通常比它的教師模型更便宜,而 Neon 上市時的定價卻比 Carbon 的初始費率高出 50%。服務成本更低的模型以溢價出售是有可能的——所謂更快的層級正是如此——但這也消除了支持「蒸餾」這一解讀最有力的一項間接證據。第二是 Hydrogen:家族中最便宜的模型,定價 $1.50/$7.50,也是唯一提供免費方案的模型,卻在同樣的七個欄位中帶有完全相同的「改編自 Gemini 4 Carbon」字樣。如果這句話描述的是一種特定技術,那麼位於價格階梯兩端的兩個模型就不會都帶著它。第三是模型卡本身:當它想談效率時,是在「描述」欄位裡談——「Neon 兼顧深度與效率」——而不是在架構章節裡談,那個章節內容一片空白。

誠實的立場是:模型卡的措辭區分了三種關係——新模型、基於、改編自——卻未定義其中任何一種;而套娃假設只是對一份規格說明不足的文件所作出的一種合理解讀,並非研究發現。套娃式模型通常會展示參數量,並附上一套服務規模的說明。這張卡兩者皆無,而卡上唯一與尺寸相關的主張,只是一句定位陳述。

四張卡,三個比較陷阱

任何從這些文件中拼湊出「Neon versus Carbon」主張的人,都會碰上三個各自獨立的不一致之處,而每一個都很容易讓人誤入。

• 指數版本。Neon 卡片顯示「AA Index v5.0.1:61」,相較之下,Claude Opus 5.5 為 59、GPT-6.2 Sol 為 57,結果日期為 2026 年 11 月。三週前發布的 Carbon 卡片則顯示「AA Index v5.0:59」,相較之下,Opus 5.5 為 58、Gemini 4 Argon 為 50,結果日期為 2026 年 10 月。兩張卡片之間的版本後綴不同,因此在不同指數版本上測得的兩分差距,並非真正的兩分差距。

• 思考等級。61 是上限,不是預設值。Google 引用其指數的 Artificial Analysis 公布了 Neon 在 v5.0.1 上的四項分數:在 低 時為 44.1,在 中 時為 54.9,在 高 時為 59.6——這也是 Neon 實際預設的等級——而在 極高 時為 61.4。Carbon 則為 60.0。因此,該模型的預設配置得分低於其母模型,而最高配置得分高於母模型,但廠商規格卡只列出最高值。這兩組數字都來自該追蹤器,而非 Google,且兩者在 2026 年 11 月 20 日均為最新。

• 基準版本與測試框架。Neon 的卡片列出 Terminal-bench 4.1 為 65.2%(經作弊調整),對上 Opus 5.5 的 65.8%——是落敗。Carbon 的十月卡片列出「Terminal-Bench 4.0 (AA)」為 65.2%。兩張卡片、同一個數字、不同的基準版本,這只是巧合,並非可比對。SWE-sweep 的各列更糟:Neon 列出在「provider harness」上為 39.0%,在「Mini-SWE harness」上為 12.8%,而 Carbon 只列出單一 9.6%,且未註明 harness。那些是三種配置,不能把它們排成 29 點的進步。

Screenshot of the Artificial Analysis page for Gemini 4 Neon, headed 'Intelligence, Performance & Price Analysis', showing ranks 46 of 96 and 73 of 95, 110 output tokens per second, $3.00 input and $15.00 output per million tokens, an intelligence index of 61 at xhigh effort, and the note that the model is slow per task and very verbose.

Neon 卡上的其他項目全都是廠商回報且未經重現:CursorBench 4.1 為 65.4%(Opus 5.5 為 58.1%)、FrontierCode 2.0 為 46.2%(47.3%,屬於落後)、GraphWalks 256k 到 1M 為 95.2%(66.8%)、AutomationBench 為 56.3%(42.5%)、SEC-bench Pro 為 90.5%、RiemannBench 為 84.0%。其中兩項程式編碼數字是輸給競爭對手,這點值得注意,因為發表摘要只引用勝出的項目,卻略過這些落後項目。

什麼能讓這件事定下來?

有四件事能讓「adapted」從推論變成事實。但目前這些都還不存在。

• Neon 的參數量或服務硬體資訊揭露。硬體章節僅指向 Carbon;實際數字將能立刻區分剪枝或蒸餾的衍生模型與重新調校的同系模型。

• Gemini 4 Neon 安全與資安報告,卡片上寫道「將於近日推出」。安全報告向來會載明公開卡片所省略的能力細節。

在品質相當的前提下的 token 效率數據。Google 的發布文件聲稱 Neon 提供「更精簡的 token 用量」,但規格卡並未提供任何量化數據。如果 Neon 每項任務真的比 Carbon 輸出更少 token,那麼血統問題就不如帳單問題重要。

• Google 任何將「adapted from」定義為有別於「based on」的聲明。在那之前,這兩個詞組是出版者所劃下、卻拒絕解釋的區別。

如何使用未充分指定的模型

以上任何一點都不構成避開該模型的理由,而是應該對它進行評估、而非根據模型卡推斷的理由。Neon 僅提供付費層級——沒有免費額度——共有四個思考層級(低、中、高(預設)、超高),統一的 1,048,576 token 視窗,支援 64K 同步輸出與長解碼可達 1M,僅支援隱式快取,批次與 flex 以半價計費($1.50/$7.50),優先層級為 1.8 倍($5.40/$27.00;該層級的快取輸入為 $0.27,標準層級為 $0.15)。音訊生成、圖像生成與 Live API 標示為不支援;程式碼執行、電腦操作、函式呼叫、結構化輸出、檔案搜尋、URL 上下文與兩種 grounding 選項均受支援。

系譜交代不清的實際後果是:你應該測量模型卡避而不談的那個東西——每完成一項任務的輸出 token 數——而且要在你實際部署的設定下測量。讓相同的 20 或 30 項任務用 Neon 在 高並用 Carbon 在其預設 中 設定下跑,計算 token 用量而不是每美元 token 數,再跟你自己的帳單比較。每 token 貴 50%、但每項任務精簡 30% 的模型反而比較便宜;每 token 貴 50% 而同樣冗長的模型則不然,而這個系列裡沒有任何一張模型卡會告訴你,你拿到的是哪一種。

我們自家的型錄只能部分回答該問題的後半段。它收錄了「google/gemini-4-carbon」與「google/gemini-4-argon」,但並未收錄 Gem​ini 4 Neon——該模型頁面目前查無內容,因此這裡的任何內容都不應被解讀為提供該模型的路由服務。路由器在您評估期間能提供的,是讓您所比較的各個模型共用單一金鑰與單一帳單;供應商定價會原樣轉嫁、不額外加價,因此 12 月 1 日對 Carbon 與 Argon 的價格調整(輸入 $2.00 至 $4.00,輸出 $10.00 至 $20.00)會在 Google 定價頁面出現的同一天反映到您的帳單上,而不是被吸收進轉售商利潤。此外,由於備援鏈可以把 Carbon 排在 Neon 之後,未經證實的衍生模型也能承載正式流量,而不會成為使用者與服務中斷之間唯一的防線。

真正待解的問題,不在於「改編自」是否誠實——就其所及而言,這顯然是誠實的。問題在於:一張把同一條未定義條款重複七次、發佈時不附參數量,又把架構、資料、硬體與軟體一概推給另一份姊妹文件的模型卡,對於一個每 token 成本高於其所衍生的前代模型的模型來說,是否已構成足夠的揭露。就目前的證據來看,Google 只告訴我們這棵家族樹的形狀,對分枝則隻字未提。《安全與資安報告》無論何時問世,都是下一份值得一讀的文件。