AI-oversigt
Gemini 4 Neon er en model i Googles Gemini 4-familie, udgivet den 18. november 2026. Den er tilpasset fra Gemini 4 Carbon og designet til at balancere ræsonneringsdybde, udførelseshastighed og driftsomkostninger for krævende arbejdsbelastninger med høj frekvens. Google positionerer Neon mellem Carbon, der sigter mod de sværeste langsigtede opgaver, og Hydrogen, der fokuserer på hurtig, daglig udførelse.
Modellen er særligt velegnet til langkørende kodeagenter, fejlfinding på repository-niveau, finansiel og juridisk analyse, videnskabelig forskning og multimodale dokumentarbejdsgange. Den accepterer tekst, billeder, lyd og video og kan bearbejde dokumenter såsom PDF'er, regneark, præsentationer og Word-filer. Dens grænse på 1.048.576 tokens deles mellem input og output frem for at være en kontekstramme kun for input. Standard forgrundsgenerering understøtter op til 65.536 outputtokens pr. segment; lang dekodning kan forlænge genereringen over flere segmenter.
Gemini 4 Neon understøtter fire tænkeniveauer: LOW, MEDIUM, HIGH og XHIGH, hvor HIGH er standard. Googles offentliggjorte evalueringer rapporterer en score på 61 på Artificial Analysis Intelligence Index, 65.2% på Terminal-Bench 4.1 og 70.5% på Terminal-Bench-Science 0.1. Disse resultater positionerer Neon som et stærkt valg for udviklere, der bygger kapable agenter, som skal kunne ræsonnere, bruge værktøjer og fuldføre komplekse opgaver uden altid at betale prisen for en større frontier-model.
Model Card — Google DeepMind
+2
Nøglefunktioner i Gemini 4 Neon
- Produktionsorienteret agentisk kodning: Håndterer fejlfinding på tværs af flere filer, refaktorering af repositories, værktøjstunge arbejdsgange og langvarige softwareingeniøropgaver. Google demonstrerer også, at Neon koordinerer Hydrogen-underagenter i Antigravity.
- Multimodalt input: Accepterer tekst, billeder, lyd og video, så applikationer kan analysere dokumenter, diagrammer, optagelser og videoinhold i én arbejdsgang.
- Langkontekst-ræsonnering: Understøtter et samlet input/output-budget på 1.048.576 tokens, med lang dekodning til opgaver, der kræver mere end det standard forgrunds-outputsegment.
- Fire konfigurerbare tænkeniveauer:
LOW,MEDIUM,HIGHogXHIGHlader udviklere justere ræsonneringsdybden til forskellige arbejdsbelastninger. - Videnskabelige og analytiske evner: Leverer stærke rapporterede resultater inden for matematisk ræsonnering, videnskabelige terminalopgaver, tolkning af biologiske data og professionel analyse.
- Værktøjsbrug og struktureret generering: Understøtter funktionskald, kodeeksekvering, forankring via Google Søgning, URL-kontekst, computerbrug og strukturerede outputs.
blog.google
+2
Tekniske specifikationer for Gemini 4 Neon
| Specifikation | Detaljer |
|---|---|
| Modelnavn | Gemini 4 Neon |
| Model-ID | gemini-4-neon |
| Udbyder | |
| Modelfamilie | Gemini 4 |
| Udgivelsesdato | 18. november 2026 |
| Modellinie | Tilpasset fra Gemini 4 Carbon |
| Inputmodaliteter | Tekst, billeder, lyd, video |
| Outputmodalitet | Tekst |
| Samlet input/output token-grænse | 1.048.576 tokens |
| Standard forgrunds-outputgrænse | 65.536 tokens pr. segment |
| Lang-dekoderet outputgrænse | Op til 1.048.576 tokens minus inputtokens |
| Tænkeniveauer | LOW, MEDIUM, HIGH, XHIGH |
| Standard tænkeniveau | HIGH |
| Vidensgrænse | Marts 2026 |
| Funktionskald | Understøttet |
| Strukturerede outputs | Understøttet |
| Kodeeksekvering | Understøttet |
| Google Søgning-forankring | Understøttet |
| URL-kontekst | Understøttet |
| Computerbrug | Understøttet |
| Kontekstcaching | Implicit caching; eksplicit caching ikke understøttet |
| Finjustering | Ikke understøttet |
| RAG Engine | Ikke understøttet |
| Gemini Live API | Ikke understøttet |
| Understøttede API-grænseflader | GenerateContent, Interactions, Chat Completions |
Vigtig forskel vedrørende token-grænsen: Grænsen på 1.048.576 tokens deles mellem input og output, inkl. ræsonnering og tokens til funktionskald. Et normalt forgrundssvar er begrænset til 65.536 outputtokens pr. segment. Længere genereringer kræver lang-dekodnings-fortsættelse via understøttede API-veje; de er ikke ét ubegrænset, synkront svar.
Benchmark-ydeevne for Gemini 4 Neon
Google DeepMinds modelkort fra november 2026 offentliggør resultater på tværs af kodning, vidensarbejde, videnskabelig ræsonnering, multimodal forståelse, langkontekst-opgaver og cybersikkerhed.
| Benchmark | Gemini 4 Neon | Sammenligning eller evaluering |
|---|---|---|
| Artificial Analysis Intelligence Index v5.0.1 | 61 | Claude Opus 5.5: 59; GPT-6.2 Sol: 57 |
| Vals Index v2.2 | 70.9% | Claude Opus 5.5: 70.1%; GPT-6.2 Sol: 66.1% |
| CursorBench 4.1 | 65.4% | Claude Opus 5.5: 58.1% |
| Terminal-Bench 4.1 | 65.2% | Claude Opus 5.5: 65.8%; GPT-6.2 Sol: 61.5% |
| FrontierCode 2.0 | 46.2% | Claude Opus 5.5: 47.3%; GPT-6.2 Sol: 43.8% |
| SWE-sweep (provider harness) | 39.0% | Claude Opus 5.5: 10.1%; GPT-6.2 Sol: 8.3% |
| AutomationBench | 56.3% | Claude Opus 5.5: 42.5%; GPT-6.2 Sol: 41.3% |
| Agents' Last Exam v1.1 | 75.8% | Claude Opus 5.5: 71.6%; GPT-6.2 Sol: 73.0% |
| RiemannBench | 84.0% | Claude Opus 5.5 og GPT-6.2 Sol: 80.0% |
| Terminal-Bench-Science 0.1 | 70.5% | Claude Opus 5.5: 63.3%; GPT-6.2 Sol: 68.0% |
| HLE-Diamond | 71.3% | Claude Opus 5.5: 67.9%; GPT-6.2 Sol: 64.0% |
| GraphWalks (256K–1M, BFS F1) | 95.2% | Claude Opus 5.5: 66.8%; GPT-6.2 Sol: 80.1% |
Kilde: Google DeepMinds Gemini 4 Neon model card, november 2026.
Hvad benchmarkresultaterne betyder
- Kodningsagenter og softwareudvikling
Neon scorer 65.2% på Terminal-Bench 4.1 og 46.2% på FrontierCode 2.0. På SWE-sweep scorer den 12.8% med mini-SWE-harnesset og 39.0% med Googles Antigravity-harness. Forskellen mellem de to SWE-sweep-resultater er vigtig: agent-harnesses, værktøjsadgang og eksekveringsmiljøer kan i væsentlig grad påvirke målte resultater.
- Vidensarbejde og automatisering
Neon opnår 56.3% på AutomationBench og 75.8% på Agents' Last Exam v1.1. Google rapporterer også en score på $16,843 på Andon Labs' Vending-Bench 2, en simulation af at drive en virksomhed over en længere periode. Disse evalueringer peger på dens nytte for arbejdsgange, der kræver planlægning, værktøjsbrug og gentagne beslutninger frem for ét enkelt svar.
- Videnskabelig og matematisk ræsonnering
Neon scorer 84.0% på RiemannBench, 70.5% på Terminal-Bench-Science 0.1 og 71.3% på HLE-Diamond. Disse resultater gør videnskabelig analyse, matematisk problemløsning og beregningsmæssig forskning til relevante evalueringstargets for modellen.
- Forståelse af lang kontekst
Neon når 95.2% på GraphWalks, som tester breadth-first search-ræsonnering over grafer ved kontekststørrelser mellem 256K og 1M tokens. Dette er særligt relevant for opgaver, der involverer store samlinger af dokumenter, kode eller forbundne informationer.
- Multimodal forståelse
Modelkortet rapporterer 73.5% på Chartography og 89.0% på LVBench. Disse evalueringer dækker henholdsvis professionel diagramfortolkning og forståelse af lange videoer.
Forbehold ved benchmarks: Resultatet på 39.0% for SWE-sweep stammer fra Googles Antigravity-harness. Det bør ikke præsenteres som direkte udskifteligt med resultatet på 12.8% for mini-SWE eller en anden udbyders resultat under et andet harness. Mere generelt er benchmark-scorer ikke garantier for produktionsevne.
Gemini 4 Neon vs. andre modeller
De mest nyttige sammenligninger er med andre Gemini 4-modeller, der retter sig mod forskellige ydelses- og omkostningsprofiler, sammen med en konkurrerende generel ræsonneringsmodel.
| Dimension | Gemini 4 Neon | Gemini 4 Carbon | Gemini 4 Hydrogen | GPT-6.2 Sol |
|---|---|---|---|---|
| Hovedpositionering | Balance mellem frontier-ræsonnering, hastighed og omkostning | Dybest, langsigtet arbejde | Hurtig, daglig udførelse | Alsidig model til generel ræsonnering |
| Typiske opgaver | Agentisk kodning, enterprise-analyse, videnskab | Svære, langvarige kodnings- og forskningsopgaver | Høj-throughput kodning og agenter | Kodning, vidensarbejde og generelle agenter |
| Kontekst | 1M samlede tokens | 1M samlede tokens | 1M samlede tokens | 1.05M tokens |
| Inputmodaliteter | Tekst, billede, lyd, video | Tekst, billede, lyd, video | Tekst, billede, lyd, video | Tekst, billede |
| Tænkeniveauer | Low, Medium, High, XHigh | Low, Medium, High, XHigh | Low, Medium, High, XHigh | Low, Medium, High, XHigh, Max |
| Bemærkelsesværdig forskel | Høj ydeevne med lavere opgaveomkostning end Carbon i Googles rapporterede evalueringer | Designet til de hårdeste, langsigtede projekter | Optimeret til hastighed og effektivitet | OpenAI's alsidige model til dagligt arbejde |
Gemini 4 Neon vs. Gemini 4 Carbon
Gemini 4 Carbon er Googles model til de mest krævende, langsigtede projekter. Neon er tilpasset fra Carbon, men lægger vægt på hurtigere opgaveløsning og lavere driftsomkostninger for komplekse, ofte gentagne arbejdsgange.
Google rapporterer, at Neon matchede eller overgik Carbon på overordnet kvalitet i tidlige evalueringer med cirka tredobbelt hastighed og 60% af omkostningen. Den offentliggjorte sammenligning rapporterer også 32% lavere opgaveomkostning end Carbon på Neons standardtænkeniveau HIGH. Dette er evalueringsspecifikke påstande, så udviklere bør benchmarke begge modeller med deres egne værktøjer, prompts og opgavefordelinger.
Vælg Carbon, når en opgave retfærdiggør den dybeste ræsonnering og udvidet udforskning. Vælg Neon, når du har brug for stærk ræsonnering på tværs af et større antal produktionopgaver og ønsker at styre omkostningen pr. opgave.
Gemini 4 Neon vs. Gemini 4 Hydrogen
Hydrogen er designet til hurtig daglig udførelse på tværs af kodnings- og agentiske arbejdsgange. Neon er tiltænkt mere komplekse opgaver, der drager fordel af dybere analyse, mere omfattende værktøjsbrug og længere ræsonneringssløjfer.
Begge understøtter et samlet budget på 1 million tokens og fire tænkeniveauer, men Neon er positioneret til mere krævende ingeniørarbejde på repository-niveau, enterprise-analyse og videnskabeligt arbejde. Hydrogen er et mere naturligt udgangspunkt for opgaver med høj volumen, hvor hastighed og omkostning er de primære begrænsninger.
En praktisk agentarkitektur kan bruge Neon som planlægger eller reviewer og Hydrogen som udførende underagent. Googles Interactions API-dokumentation inkluderer et eksempel på at overdrage arbejde fra Neon til Hydrogen ved hjælp af previous_interaction_id.
Gemini 4 Neon vs. GPT-6.2 Sol
Googles modelkort sammenligner Neon med GPT-6.2 Sol på flere evalueringer. Neon scorer højere på Artificial Analysis Intelligence Index (61 vs. 57), Vals Index (70.9% vs. 66.1%) og Agents' Last Exam v1.1 (75.8% vs. 73.0%). GPT-6.2 Sol scorer en smule lavere på Terminal-Bench 4.1 (61.5% vs. 65.2%) og FrontierCode 2.0 (43.8% vs. 46.2%).
Denne sammenligning antyder, at Neon er en stærk kandidat til multimodale, værktøjstunge arbejdsgange og langkontekst-opgaver. GPT-6.2 Sol er fortsat relevant til applikationer bygget omkring OpenAI's økosystem og dets egne ræsonnerings- og værktøjsgrænseflader. Det faktiske valg bør afhænge af de krævede modaliteter, API-integration, latenstid og arbejdsbelastningsspecifik evaluering.
Begrænsninger i Gemini 4 Neon
- Kontekstgrænsen er delt: Budgettet på 1.048.576 tokens inkluderer input, ræsonnering, værktøjsopkald og endeligt output. Det er ikke 1M inputtokens plus en separat 1M outputtildeling.
- Forgrunds-output er begrænset til 65.536 tokens pr. segment: Længere genereringer kræver understøttet lang-dekodnings-fortsættelse. Lang dekodning kan introducere ekstra latenstid og kræver kompatibel API-håndtering.
- Nogle velkendte genereringsparametre ignoreres eller afvises: Brugerdefinerede værdier for
temperature,top_pogtop_kignoreres.frequency_penalty,presence_penaltyogcandidate_countstørre end én er ikke understøttet. Brugthinking_leveltil at styre ræsonneringsdybden. - Eksplicit kontekstcaching er ikke tilgængelig: Neon understøtter implicit caching, som automatisk anvendes på delte prompt-præfikser på mindst 4.096 tokens. Eksplicit oprettelse af kontekstcache er ikke understøttet i den dokumenterede konfiguration.
- Ingen finjustering eller RAG Engine-understøttelse: Modeldokumentationen angiver begge som ikke understøttede.
- Ingen Gemini Live API-understøttelse: Neon understøtter input af lyd- og videofiler, men er ikke en realtids Live API-model.
- Vidensgrænse: Det offentliggjorte modelkort angiver marts 2026 som vidensgrænsen. Aktuel information bør hentes via forankring eller eksterne værktøjer og ikke antages at være en del af modellens viden.
- Hallucinationer og prompt-injektionsrisici består: Google anerkender hallucinationer og igangværende arbejde for at forbedre jailbreak-resistens. Værktøjsbrugende applikationer har stadig brug for tilladelseskontrol, validering og menneskelig overvågning.
Bedste anvendelsestilfælde for Gemini 4 Neon
- Kodeagenter på repository-niveau: Analysér store kodebaser, spore fejl på tværs af filer, implementér refactoringer og kør iterative verifikationsarbejdsgange.
- Enterprise-dokumentintelligens: Sammensæt information fra PDF'er, regneark, præsentationer og Word-dokumenter til rapporter og strukturerede leverancer.
- Videnskabelig og matematisk forskning: Understøt matematisk ræsonnering, tolkning af biologiske data, beregningsmæssige eksperimenter og terminalbaserede forskningsarbejdsgange.
- Finansiel og juridisk analyse: Udtræk evidens fra store dokumentkollektioner, sammenlign tal, følg komplekse begrænsninger og forbered strukturerede analytiske udkast.
- Multimodal video- og lydanalyse: Behandl optagelser og videofiler sammen med tekst og dokumenter for at opsummere hændelser eller udtrække relevante oplysninger.
- Cybersikkerhedsforsvar: Hjælp med sikker kodegenerering, sårbarhedsidentifikation, validering og patching i autoriserede, defensive miljøer.
- Orkestrering af multiagenter: Brug Neon til at planlægge, gennemgå eller koordinere arbejde, mens hurtigere modeller som Hydrogen håndterer snævrere udførelsesopgaver.
Disse anvendelser stemmer overens med Googles angivne tilsigtede brug. Output med stor effekt, sikkerhedsfund og videnskabelige konklusioner kræver stadig uafhængig verifikation.
Sådan får du adgang til Gemini 4 Neon API på CometAPI
CometAPI leverer en samlet API-grænseflade til udviklere, der integrerer modeller fra flere udbydere. Gemini 4 Neon-modelidentifikatoren er gemini-4-neon.
Trin 1: Opret en CometAPI-konto og få en API-nøgle
Registrér dig eller log ind på CometAPI. Åbn API-tokenkonsollen, opret et token, og gem det som en miljøvariabel.
Trin 2: Konfigurer Gemini 4 Neon API-anmodningen
Vælg gemini-4-neon som model-ID. Til en basal tekstgenereringsintegration kan du bruge CometAPI's OpenAI-kompatible grænseflade og Gemini-grænseflade.