KI-oversikt
Gemini 4 Neon er en modell i Googles Gemini 4-familie, lansert 18. november 2026. Den er tilpasset fra Gemini 4 Carbon og er designet for å balansere resonneringsdybde, kjørehastighet og driftskostnad for krevende, høyfrekvente arbeidsbelastninger. Google posisjonerer Neon mellom Carbon, som retter seg mot de vanskeligste langtidsoppgavene, og Hydrogen, som fokuserer på rask, daglig utførelse.
Modellen er spesielt egnet for langvarige kodeagenter, feilsøking på repository-nivå, finansiell og juridisk analyse, vitenskapelig forskning og multimodale dokumentarbeidsflyter. Den aksepterer tekst, bilder, lyd og video, og kan behandle dokumenter som PDF-er, regneark, presentasjoner og Word-filer. Dens grense på 1,048,576 tokens er delt mellom inndata og utdata, i stedet for å være en kontekstgrense kun for inndata. Standard forgrunnsgenerering støtter opptil 65,536 utdata-tokens per segment; lang dekoding kan utvide genereringen over flere segmenter.
Gemini 4 Neon støtter fire tenkenivåer: LOW, MEDIUM, HIGH og XHIGH, der HIGH er standard. Googles publiserte 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 resultatene posisjonerer Neon som et sterkt alternativ for utviklere som bygger kapable agenter som må resonnere, bruke verktøy og fullføre komplekse oppgaver uten alltid å betale kostnaden for en større frontmodellenhet.
Modellkort — Google DeepMind
+2
Nøkkelfunksjoner i Gemini 4 Neon
- Produksjonsorientert agentisk koding: Håndterer feilsøking på tvers av flere filer, refaktorering av repositories, verktøytunge arbeidsflyter og langvarige programvareingeniøroppgaver. Google demonstrerer også at Neon koordinerer Hydrogen-underagenter i Antigravity.
- Multimodal inndata: Aksepterer tekst, bilder, lyd og video, slik at applikasjoner kan analysere dokumenter, diagrammer, opptak og videoinnhold i én arbeidsflyt.
- Langkontekst-resonnering: Støtter et samlet budsjett på 1,048,576 tokens for inn/ut, med lang dekoding for oppgaver som trenger mer enn standard forgrunnsutdatasegment.
- Fire konfigurerbare tenkenivåer:
LOW,MEDIUM,HIGHogXHIGHlar utviklere justere resonneringsdybde for ulike arbeidsbelastninger. - Vitenskapelige og analytiske evner: Leverer sterke rapporterte resultater på matematisk resonnering, vitenskapelige terminaloppgaver, tolkning av biologiske data og profesjonell analyse.
- Verktøybruk og strukturert generering: Støtter function calling, kodekjøring, forankring i Google Søk, URL-kontekst, datamaskinbruk og strukturerte utdata.
blog.google
+2
Tekniske spesifikasjoner for Gemini 4 Neon
| Spesifikasjon | Detaljer |
|---|---|
| Modellnavn | Gemini 4 Neon |
| Modell-ID | gemini-4-neon |
| Leverandør | |
| Modellfamilie | Gemini 4 |
| Lanseringsdato | November 18, 2026 |
| Modellopphav | Tilpasset fra Gemini 4 Carbon |
| Inndatamodaliteter | Text, images, audio, video |
| Utdatamodalitet | Text |
| Samlet grense for inn/ut-tokens | 1,048,576 tokens |
| Standard grense for forgrunnsutdata | 65,536 tokens per segment |
| Grense for long-decode-utdata | Op to 1,048,576 tokens minus input tokens |
| Tenkenivåer | LOW, MEDIUM, HIGH, XHIGH |
| Standard tenkenivå | HIGH |
| Kunnskapsavgrensning | March 2026 |
| Funksjonskall | Supported |
| Strukturerte utdata | Supported |
| Kodekjøring | Supported |
| Forankring i Google Søk | Supported |
| URL-kontekst | Supported |
| Datamaskinbruk | Supported |
| Kontekstbufring | Implicit caching; explicit caching unsupported |
| Finjustering | Not supported |
| RAG Engine | Not supported |
| Gemini Live API | Not supported |
| Støttede API-grensesnitt | GenerateContent, Interactions, Chat Completions |
Viktig skille for tokengrenser: Grensen på 1,048,576 tokens deles av inndata og utdata, inkludert resonnering og funksjonskall-tokens. Et normalt forgrunnssvar er begrenset til 65,536 utdata-tokens per segment. Lengre genereringer krever long-decode-fortsettelse gjennom støttede API-baner; de er ikke ett enkelt ubegrenset synkront svar.
Benchmark-ytelse for Gemini 4 Neon
Google DeepMinds modellkort fra november 2026 publiserer resultater på tvers av koding, kunnskapsarbeid, vitenskapelig resonnering, multimodal forståelse, langkontekstopgaver og cybersikkerhet.
| Benchmark | Gemini 4 Neon | Sammenligning eller vurdering |
|---|---|---|
| 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 and 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 modellkort for Gemini 4 Neon, november 2026.
Hva benchmark-resultatene betyr
1. Kodeagenter og programvareutvikling
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-rammeverk. Forskjellen mellom de to SWE-sweep-resultatene er viktig: agentrammeverk, verktøytilgang og kjøreomgivelser kan materielt påvirke målt ytelse.
2. Kunnskapsarbeid og automatisering
Neon oppnår 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 simulering av drift av en bedrift over en lengre periode. Disse evalueringene peker på nytten for arbeidsflyter som krever planlegging, verktøybruk og gjentatte beslutninger fremfor ett enkelt svar.
3. Vitenskapelig og matematisk resonnering
Neon scorer 84.0% på RiemannBench, 70.5% på Terminal-Bench-Science 0.1 og 71.3% på HLE-Diamond. Disse resultatene gjør vitenskapelig analyse, matematisk problemløsning og beregningsdrevet forskning til relevante mål for modellen.
4. Forståelse av lang kontekst
Neon når 95.2% på GraphWalks, som tester bredde-først-søk-resonnering over grafer ved kontekststørrelser mellom 256K og 1M tokens. Dette er særlig relevant for oppgaver som involverer store samlinger av dokumenter, kode eller sammenkoblet informasjon.
5. Multimodal forståelse
Modellkortet rapporterer 73.5% på Chartography og 89.0% på LVBench. Disse evalueringene dekker henholdsvis profesjonell diagramtolkning og forståelse av lang video.
Forbehold for benchmarker: 39.0% SWE-sweep-resultat kommer fra Googles Antigravity-rammeverk. Det bør ikke presenteres som direkte utskiftbart med 12.8% mini-SWE-resultatet eller en annen leverandørs resultat under et annet rammeverk. Mer generelt er benchmark-scorer ikke garantier for produksjonsytelse.
Gemini 4 Neon vs. andre modeller
De mest nyttige sammenligningene er med andre Gemini 4-modeller som retter seg mot ulike profiler for ytelse og kostnad, sammen med en konkurrerende generell resonneringsmodell.
| Dimensjon | Gemini 4 Neon | Gemini 4 Carbon | Gemini 4 Hydrogen | GPT-6.2 Sol |
|---|---|---|---|---|
| Hovedposisjonering | Balanse mellom frontierreasoning, hastighet og kostnad | Dypest, langhorisont-arbeid | Rask daglig utførelse | Allsidig generell resonneringsmodell |
| Typiske arbeidsoppgaver | Agentisk koding, bedriftsanalyse, vitenskap | Vanskelige, utvidede kode- og forskningsoppgaver | Høy-gjennomstrømming koding og agenter | Koding, kunnskapsarbeid og generelle agenter |
| Kontekst | 1M samlet tokens | 1M samlet tokens | 1M samlet tokens | 1.05M tokens |
| Inndatamodaliteter | Text, image, audio, video | Text, image, audio, video | Text, image, audio, video | Text, image |
| Tenkenivåer | Low, Medium, High, XHigh | Low, Medium, High, XHigh | Low, Medium, High, XHigh | Low, Medium, High, XHigh, Max |
| Merkbar distinksjon | Høy ytelse med lavere oppgavekostnad enn Carbon i Googles rapporterte evalueringer | Designet for de vanskeligste langtidsprosjektene | Optimalisert for hastighet og effektivitet | OpenAIs allsidige modell for daglig arbeid |
Gemini 4 Neon vs. Gemini 4 Carbon
Gemini 4 Carbon er Googles modell for de mest krevende, langhorisont-prosjektene. Neon er tilpasset fra Carbon, men vektlegger raskere oppgavefullføring og lavere driftskostnad for komplekse, ofte gjentatte arbeidsflyter.
Google rapporterer at Neon matchet eller overgikk Carbon på total kvalitet i tidlige evalueringer med omtrent tredobbel hastighet og 60% av kostnaden. Den publiserte sammenligningen rapporterer også 32% lavere oppgavekostnad enn Carbon på Neons standard tenkenivå HIGH. Dette er evalueringsspesifikke påstander, så utviklere bør benchmar ke begge modellene med egne verktøy, prompt-er og oppgavefordelinger.
Velg Carbon når en oppgave rettferdiggjør dypest mulig resonnering og utvidet utforskning. Velg Neon når du trenger sterk resonnering på tvers av et større antall produksjonsoppgaver og ønsker å kontrollere kostnad per oppgave.
Gemini 4 Neon vs. Gemini 4 Hydrogen
Hydrogen er designet for rask daglig utførelse på tvers av kode- og agentiske arbeidsflyter. Neon er ment for mer komplekse oppgaver som drar nytte av dypere analyse, mer omfattende verktøybruk og lengre resonneringssløyfer.
Begge støtter et samlet budsjett på 1 million tokens og fire tenkenivåer, men Neon er posisjonert for mer krevende ingeniørarbeid på repository-nivå, bedriftsanalyse og vitenskapelig arbeid. Hydrogen er et mer naturlig utgangspunkt for oppgaver med høyt volum der hastighet og kostnad er hovedbegrensningene.
En praktisk agentarkitektur kan bruke Neon som planlegger eller revisor og Hydrogen som implementerings-underagent. Googles Interactions API-dokumentasjon inkluderer et eksempel på å sende arbeid fra Neon til Hydrogen ved hjelp av previous_interaction_id.
Gemini 4 Neon vs. GPT-6.2 Sol
Googles modellkort sammenligner Neon med GPT-6.2 Sol på flere evalueringer. Neon scorer høyere 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 noe lavere på Terminal-Bench 4.1 (61.5% vs. 65.2%) og FrontierCode 2.0 (43.8% vs. 46.2%).
Denne sammenligningen antyder at Neon er en sterk kandidat for multimodale, verktøytunge arbeidsflyter og langkontekstopgaver. GPT-6.2 Sol er fortsatt relevant for applikasjoner bygget rundt OpenAIs økosystem og dets egne grensesnitt for resonnering og verktøy. Det faktiske valget bør avhenge av nødvendige modaliteter, API-integrasjon, latens og arbeidslastspesifikk evaluering.
Begrensninger ved Gemini 4 Neon
- Kontekstgrensen er delt: Budsjettet på 1,048,576 tokens inkluderer inndata, resonnering, verktøykall og endelig utdata. Det er ikke 1M inndata-tokens pluss en separat 1M utdata-tillegg.
- Forgrunnsutdata er begrenset til 65,536 tokens per segment: Lengre genereringer krever støttet long-decode-fortsettelse. Lang dekoding kan introdusere ekstra latens og krever kompatibel API-håndtering.
- Noen kjente genereringsparametere ignoreres eller avvises: Egendefinerte verdier for
temperature,top_pogtop_kignoreres.frequency_penalty,presence_penaltyogcandidate_countstørre enn én støttes ikke. Brukthinking_levelfor å kontrollere resonneringsdybde. - Eksplisitt kontekstbufring er utilgjengelig: Neon støtter implisitt bufring som brukes automatisk på delte prompt-prefikser på minst 4,096 tokens. Eksplisitt kontekstbufferopprettelse støttes ikke i den dokumenterte konfigurasjonen.
- Ingen støtte for finjustering eller RAG Engine: Modellens dokumentasjon lister begge som ikke støttet.
- Ingen støtte for Gemini Live API: Neon støtter lyd- og videofil-inndata, men er ikke en sanntids Live API-modell.
- Kunnskapsavgrensning: Det publiserte modellkortet lister March 2026 som kunnskapsavgrensning. Aktuell informasjon bør hentes via forankring eller eksterne verktøy i stedet for å antas å være del av modellkunnskapen.
- Hallusinasjoner og prompt-injeksjonsrisikoer består: Google erkjenner hallusinasjoner og pågående arbeid for å forbedre jailbreak-motstand. Verktøybrukende applikasjoner trenger fortsatt tillatelseskontroller, validering og menneskelig tilsyn.
Beste bruksområder for Gemini 4 Neon
- Kodeagenter på repository-nivå: Analyser store kodebaser, spor feil på tvers av filer, implementer refaktoreringer og kjør iterative verifiseringsarbeidsflyter.
- Bedriftsdokument-intelligens: Syntetiser informasjon fra PDF-er, regneark, presentasjoner og Word-dokumenter til rapporter og strukturerte leveranser.
- Vitenskapelig og matematisk forskning: Støtt matematisk resonnering, tolkning av biologiske data, beregningseksperimenter og terminalbaserte forskningsarbeidsflyter.
- Finansiell og juridisk analyse: Hent ut bevis fra store dokumentsamlinger, sammenlign tall, følg komplekse begrensninger og forbered strukturerte analytiske utkast.
- Multimodal video- og lydanalyse: Behandle opptak og videofiler sammen med tekst og dokumenter for å oppsummere hendelser eller trekke ut relevant informasjon.
- Cybersikkerhetsforsvar: Hjelp med sikker kodegenerering, sårbarhetsidentifikasjon, validering og patching i autoriserte defensive miljøer.
- Orkestrering av multiagenter: Bruk Neon til å planlegge, kvalitetssikre eller koordinere arbeid mens raskere modeller som Hydrogen håndterer smalere utførelsesoppgaver.
Disse bruksområdene samsvarer med Googles angitte tiltenkte bruksfelt. Høypåvirkningsutdata, sikkerhetsfunn og vitenskapelige konklusjoner krever fortsatt uavhengig verifisering.
Slik får du tilgang til Gemini 4 Neon API på CometAPI
CometAPI tilbyr et enhetlig API-grensesnitt for utviklere som integrerer modeller fra flere leverandører. Modellidentifikatoren for Gemini 4 Neon er gemini-4-neon.
Trinn 1: Opprett en CometAPI-konto og hent en API-nøkkel
Registrer deg eller logg inn på CometAPI. Åpne API-token-konsollen, opprett et token og lagre det som en miljøvariabel.
Trinn 2: Konfigurer Gemini 4 Neon API-forespørselen
Velg gemini-4-neon som modell-ID. For en grunnleggende integrasjon for tekstgenerering kan du bruke CometAPIs OpenAI-kompatible grensesnitt og Gemini-grensesnittet.