標題卡寫著「Gemini 4 Neon 的首批獨立數據」,並有一行文字「61 是 xhigh 設定」。其預設設定得分為 59.6,而 Carbon 得分為 60.0,高於三張卡片所寫的 Gemini 4 Neon 於 xhigh 61.4、Gemini 4 Neon 於 high(預設)59.6,以及 Gemini 4 Carbon 於 high 60.0;底部註明 Artificial Analysis Intelligence Index v5.0.1,2026 年 11 月 19 日。
Guides & Insights

Gemini 4 Neon 的首批獨立基準測試:61 是 xhigh 數值,而在其預設設定下,它落後於 Carbon

作者

jinhao.song

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

Google 為 Gemini 4 Neon 發布的公告貼文,開頭主打 Artificial Analysis 智慧指數 61,總排名第三。Artificial Analysis 現在也為 Gemini 4 Neon 發布了專屬頁面,而該頁面顯示的是 61.4——這是針對 xhigh 變體,也就是四種思考設定中最深的一級,在 index v5.0.1 上於 96 個模型中排名第六。而在 Neon 實際預設的設定 high 下,同一個追蹤器給它的分數是 59.6。Gemini 4 Carbon——Google 的公告幾乎每一段都拿 Neon 與之比較的模型——在自己的最高設定下為 60.0。按照兩者公開頁面的方式去讀,最新的 Gemini 4 並不是最聰明的那一個:當你把它推到 Carbon 沒有的層級時,它贏 1.4 分;而當你以兩家廠商建議的設定來比較這兩款模型時,它則輸 0.4 分。

這些都不會讓 Neon 變成一個糟糕的模型,而同一面板裡的速度數字,是任何人發表過、對它最有力的論據。但這確實意味著,本週最有可能出現在簡報投影片裡的那個數字,是該模型最不具代表性的配置;而這項更正現在任何有瀏覽器的人都能查核,不必再從廠商自家的表格推斷。

追蹤器實際發布了什麼

Artificial Analysis 將 Gemini 4 Neon 列為於 2026 年 11 月 18 日發布,屬專有模型、由 Google 推出,具有 100 萬 token 的上下文視窗,以及文字、圖像、語音和影片輸入。它提供四個分別計分的變體——low、medium、high 與 xhigh——而頁面預設開啟 xhigh,這就是為什麼頭條數字是 61.4,而不是你在完全不帶思考參數呼叫模型時會得到的數字。目前生效的指數是 v5.0.1,這對任何持有較舊分數的人很重要:這是重新基準化的指數,夏季排行榜上的 61 與今天的 61 並非相同的量測。

同一頁面也為這個系列其餘成員評分,而在細看個別數字之前,排序值得先讀一讀。四者都使用同一組評估集——AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2 與 Terminal-Bench-Science 0.1——因此這項比較至少是同基準對同基準,而發布文章中的基準測試表就做不到這一點。

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.

一個模型、四項分數,以及陡峭得多的階梯

• Neon 在低模式下為 44.1,而 Carbon 在低模式下為 54.2,Gemini 4 Hydrogen 在低模式下則為 26.9。

• Neon 在中等 — 54.9,相較於 Carbon 的 58.3 和 Hydrogen 的 41.2。

• Neon 在高設定下 — 59.6,相較於 Carbon 的 60.0 與 Hydrogen 的 50.8。這是 Neon 的預設值,也是 Carbon 的上限。

• Neon 在 xhigh — 61.4,相較之下完全沒有 Carbon 條目。Gemini 4 Hydrogen 有第四個層級,得分為 53.9。

這四個數字的形狀,正是發布文章沒有傳達的部分。Neon 從最便宜到最深的設定橫跨 17.3 個指數點;Carbon 在其三個檔位之間則橫跨 5.8 點。Neon 不是一個碰巧帶有調校旋鈕的固定量——它是四個實質上不同的模型,取決於你指的是哪個檔位,而差異在底部最大,其中 Neon 的 低檔 比 Carbon 的 低檔 低 10.1 點。如果你一直用每個模型的單一數字來衡量 Neon 與 Carbon,那麼誠實的版本是一條曲線對上一條平直線。

這會帶來一個實際後果,方向與發布時的說法相反。Google 的文件指示開發者要在全部四個層級上進行評估,並挑選能通過其品質門檻的最低層級,同時警告 xhigh「可能導致過度思考,或在較簡單的提示(例如文字或 JSON 擷取)上耗盡 max_output_tokens」。獨立數據說明了為何這項建議是關鍵而非謹慎過了頭:在這個模型上,逐級下調並非微不足道的誤差。Neon 的預設值與其上限之間的 1.8 個百分點,是 Neon 與 Carbon 之間差距的四倍以上;high 與 medium 之間的 4.7 個百分點,則將近是其十二倍。

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.

一項任務的代價,是實測出來的,而非口頭宣稱的

值得檢驗的說法是「每項任務成本」這項。Google 表示,Gemini 4 Neon 在預設為 高 的設定下,每項任務成本比 Gemini 4 Carbon 低 32%,而比競爭對手的前沿模型在其最高思考設定下低 36% 以上。每項任務成本取決於模型輸出多少 token,而發布文章並未揭露 token 數量,因此直到本週之前,這個數字都無法從外部檢驗。

追蹤器的面板將 Neon 列為每項 Intelligence Index 任務 $6.44,Carbon 則為 $4.90。這不是節省 32%;而是溢價 31%,方向與該說法相反。誠實的但書是配置不一致,而且這對雙方都成立:$6.44 是 Neon 在 xhigh 設定下的價格,因為 xhigh 是頁面預設開啟的版本,而 $4.90 是 Carbon 在 high 設定下的價格,也就是其自身的最高設定。Google 的 32% 數字指的是 Neon 在 high 的情況,追蹤器另行將其評為 59.6,但並未在同一面板中以成本作為主要焦點。因此,正確的說法比「Google 錯了」更狹窄:Neon 的公布配置每項任務成本高於 Carbon 的公布配置,而 Google 所做的特定比較尚未被獨立重現。

可複現的是 token 概況,而這削弱了對「更快的模型」的直覺解讀。Neon 在 Intelligence Index 上產生了 2.83 億個輸出 token,Carbon 則為 2.05 億個——多出 38%——輸入 token 為 81.2 億個,輸出佔輸入的 3.5%。追蹤器所評分模型的中位數為 6,510 萬個輸出 token,因此 Neon 不只是比 Carbon 更愛輸出;它還是榜單上最冗長的模型之一,在該指標上於 95 個模型中排名第 93。曾以冗長著稱的 Carbon 則排在第 90 名。無論 Neon 為你省下什麼,都不是省在輸出的 token 上。

它真正更快的地方——這也是支持它最有力的理由——是實際耗時:

• 每項 Intelligence Index 任務耗時 — Neon 21.5 分鐘,Carbon 36.1 分鐘,Hydrogen 15.3 分鐘,Argon 29.6 分鐘。同級模型的中位數為 12.4 分鐘。

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

• 首個回答 token 的時間 — Neon 56.5 秒,Carbon 75.0 秒,Hydrogen 47.2 秒,Argon 47.1 秒。

Neon 完成同一組評估集所需的實際耗時比 Carbon 少 40%,生成速率約為兩倍,同時輸出更多 token,且在相同預設設定下得分低 0.4 分。這是一個前後一致的產品,而且與基準測試表所暗示的產品不同:它是你為了更早完成工作而選擇的模型,而不是你為了更常答對而選擇的模型。

發布貼文中追蹤器無法佐證的三個數字

排名。Google 說整體排名第三。追蹤器的即時頁面在 index v5.0.1 上,將 xhigh 變體排在 96 個中的第六。這兩個數字都能追溯到 Artificial Analysis,卻仍可能不同,因為模型集合會變動;但不可能兩者都同時是最新的。請引用即時頁面,並說明它屬於哪個變體,否則這個數字撐不過下一次發布。

分數背後的設定。未加任何限定說明的 61,會被視為該模型的分數。它是四個選項之一,是執行成本最高的一個,也是 Google 自家文件針對擷取型任務提出警告的那一個。預設值是 59.6。

每項任務的優勢。上述已討論:在追蹤器於其摘要面板公布的配置下,Neon 每項任務貴 31%,而非便宜 32%。廠商的說法仍可能在高點於 Google 自家測試框架上成立。尚未證明它在任何讀者可查證的地方成立。

公告中的其餘內容仍維持原樣——Google 所引用的第三方排行榜,以及 Google 自身尚未重現的評估,從 Chartography 的 73.5% 到 FrontierCode 2.0 的 46.2%,還有僅透過 Fairwind defenders programme 發布的資安數據。獨立數字並未推翻其中任何一項。它只是不是任何人都能驗證的部分,而如今可驗證的部分讀起來卻有所不同。

如果你正打算標準化採用 Neon,這會帶來什麼改變

如果你選擇 Neon 的原因是那個 61,那麼你應該帶進容量規劃的數字是 59.6;而在這個設定下,它能擊敗的現行家族模型一個也沒有——Carbon 的 60.0 領先它,而且 Carbon 每百萬個 token 的價格是 $2.00 和 $10.00,相較於 Neon 的 $3.00 和 $15.00,直到 Carbon 與 Argon 的導入期費率於 2026 年 12 月 1 日調升至 $4.00 和 $20.00 為止。

如果你當初的理由是速度,那麼這個說法確實成立,上面的數字也支持它。在同一個評估集上,二十一分鐘對上三十六分鐘,正是那種會改變你一個工作日能跑多少量的差異;而 1.9x 的生成速率,會先在互動式工作中顯現,遠早於它在批次作業中出現。

如果你當初的理由是 Google 的每任務經濟效益,那麼在你把生產路徑押上去之前,先自己跑一遍測試。token 組成結構正是決定那個每任務說法能否在你自己的流量上成立的那個關鍵,而獨立測量顯示,Neon 發出的 token 比它理應壓價的那個模型還多。在輸入量大的工作上,情況則反轉過來,因為 Neon 的輸入價格目前比 Carbon 高出 50%,而 Carbon 在十二月的調整甚至會以有利於 Neon 的方式抹平這道差距——那只是十四天的窗口,不是一套策略。

在你自己的流量上執行比較

之所以要在意四級階梯而非單一分數,是因為階梯是一項成本決策,而當兩個模型都只差一次呼叫時,做成本決策最便宜。我們的型錄收錄了google/gemini-4-carbon與google/gemini-4-argon,皆以供應商定價、不加價,這意味著那兩個模型上的 12 月 1 日階梯,會在它出現在 Google 帳單上的同一天出現在你的發票上,而 Neon 相對於它們的十二月位置會改變,無需任何人重新協商任何事。Gemini 4 Neon 尚未收錄於型錄,所以這不是建議你今天透過我們執行它——而是它上線時要跑的測試樣貌。

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.

上述數字所主張的評估,並不是跑一次基準測試。那是在高設定下,對兩個模型使用相同提示,以完成所需的 token 數而非秒數來衡量,並以你自己的部分任務作為樣本。這項測試需要能從同一把金鑰觸及兩個模型,且其後設有備援,因為執行 Neon 的重點,是要了解每項任務的主張能否經得起你的實際流量考驗;而備援的重點,在於你仍在評估的模型永遠不會成為通往生產環境的唯一路徑。Carbon 在其後,Argon 再在其後,如此一來,階梯式比較就成為路由變更,而不是遷移。

唯一不該做的,就是根據發布表來衡量這項決策。該追蹤器現已為同一款模型公布四項分數;最高分與預設值之間的差距,大於預設值與其所取代之模型之間的差距;而讓整套提案成立的內容中,那個成本主張正是投影片上唯一一個 Google 以外無人重現過的數字。

接下來要看什麼

三件事,全部可核查。追蹤器對 Neon 在高負載下的每項任務成本,是否落在 Google 的 32% 數字附近——光是那一列就能終結爭論,而且那是一個已有公布索引分數的變體。其次是 cyber 變體上的 Fairwind 閘門是否會開啟,因為那些安全數字仍然只是關於一個 Google 以外幾乎無人能呼叫的模型的說法。還有 12 月 1 日針對 Carbon 與 Argon 的調整能否經得起需求考驗,因為到了那一天,Neon 的固定 $3.00 與 $15.00 將不再顯得昂貴,而開始看起來像是每 token 最便宜的 Gemini 4 推理層級。

在那之前,有用的總結只有一句話:Gemini 4 Neon 是取得 Gemini 4 答案最快的方式,但以其出廠預設設定而言,它並非最準確的;而用來支撐其價格的效率主張,仍然只是廠商的一面之詞。