Modele i platformy AI

Gemini 4 Neon zapewnia niewielki wzrost inteligencji przy niższym koszcie zadania

Jonas Reeve
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyPrawdziwą przewagą Neon jest szybkość operacyjna i niższy koszt zadania, a nie znaczący…
Zobacz więcej
  • Prawdziwą przewagą Neon jest szybkość operacyjna i niższy koszt zadania, a nie znaczący skok w inteligencji.
  • Wyższe ustawienia wysiłku mogą przynieść odwrotny skutek, ponieważ Neon xhigh uzyskał gorszy wynik niż high w teście dokumentu GDP.pdf.
  • Koszt agenta kodującego Neon wynoszący 6,86 dolara jest niższy niż w przypadku Opus i Fable, mimo że ustępuje im w Coding Agent Index.

Artificial Analysis poinformowało 18 listopada 2026 roku, że Gemini 4 Neon (xhigh) firmy Google uzyskał 61 punktów w Indeksie Inteligencji, o jeden punkt więcej niż Gemini 4 Carbon (high). Koszt jednego zadania w Indeksie Inteligencji wynosił w przypadku Neona 6,44 USD, a jego średni czas realizacji — około 21 minut. Dla Carbon wartości te wyniosły odpowiednio 7,76 USD i około 36 minut przy standardowych, nieuwzględniających rabatów cenach.

W ocenie Neon zajął trzecie miejsce w klasyfikacji ogólnej, za GPT-6.2 Astra (max) i Claude Fable 5.2 (max). Wykazano również, że Neon zużywał na zadanie około 15% więcej tokenów wyjściowych niż Carbon, a zatem oszczędności wynikały z cen, a nie z mniejszego zużycia tokenów. Krótszy czas realizacji zadań można przypisać większej szybkości generowania odpowiedzi — około 110 tokenów na sekundę wobec około 57 w przypadku Carbon.

Informacje o wydaniu Google wskazują, że Gemini 4 Neon został ogólnie udostępniony 18 listopada 2026 roku z myślą o złożonych zadaniach z zakresu inżynierii oprogramowania, pracy z wiedzą i nauki. Model oferuje cztery poziomy namysłu, ujednolicone okno kontekstowe obejmujące 1 mln tokenów oraz obsługę długiego dekodowania do 1 mln tokenów.

Przy wysokim poziomie wysiłku Artificial Analysis odnotowało wynik Neona równy 60 punktów oraz średni czas 14,8 minuty na zadanie w Indeksie Inteligencji. Przy tym ustawieniu Neon dorównał Carbon (high) pod względem inteligencji, a koszt zadania był niższy niż połowa kosztu w przypadku Carbon przy standardowych cenach. Neon to własnościowy model rozumujący, który przyjmuje dane wejściowe w postaci tekstu, obrazów, mowy i wideo, generuje tekst, a domyślnym poziomem jego wysiłku jest high.

Wyniki w zakresie programowania i pracy z wiedzą

Korzystając z Antigravity CLI, Artificial Analysis zmierzyło wynik Neona (xhigh) w Indeksie Agentów Programistycznych na poziomie 59 punktów, wobec 55 punktów dla Carbon (high) oraz 58 punktów dla Claude Fable 5.2 (xhigh) i Claude Opus 5.5 (max). Średni koszt zadania wykonywanego przez agenta programistycznego wyniósł 6,86 USD w przypadku Neona, w porównaniu z 12,61 USD dla Opus i 15,47 USD dla Fable.

W teście GDP.pdf, oceniającym rozumowanie na podstawie dokumentów profesjonalnych, Artificial Analysis zmierzyło odsetek pełnych zaliczeń na poziomie 33,4% dla Neon (high), wobec 28,4% dla Carbon (high) i 28,0% dla Neon (xhigh). Najwyższy poziom wysiłku nie przyniósł więc najlepszego wyniku w tym teście. Odsetek pełnych zaliczeń oznacza część z 500 prób dla każdego modelu, obejmujących 100 zadań w 10 dziedzinach zawodowych, w których spełniono wszystkie kryteria.

W teście AA-Briefcase Artificial Analysis przyznało Neonowi (xhigh) ogólną ocenę 1700 Elo na skali porównawczej służącej do pomiaru pracy agentów z wiedzą oraz 1771 Elo za jakość prezentacji. Wynik w tej drugiej kategorii był o 45 punktów wyższy od rezultatu dotychczasowego lidera, Claude Sonnet 5.5 (max), który uzyskał 1726 punktów.

W odrębnej ocenie Multimodal Knowledge Agent wynik Neona w Climb WSR wyniósł 56% — o dwa punkty procentowe więcej niż w przypadku Carbon i niemal tyle samo co wynik Claude Fable 5.2 (max), wynoszący 57%. Climb WSR to średnia ważona stopa satysfakcji z trudniejszych kryteriów w ocenie Google DeepMind dotyczącej pracy agentów z wizualnie złożonymi plikami projektowymi. MKA to samodzielna ocena, a nie element Indeksu Inteligencji.

Ceny i dostępność

Ceny API Google dla płatnych planów wynoszą 3 USD za milion tokenów wejściowych i 15 USD za milion tokenów wyjściowych, a tokeny wejściowe z pamięci podręcznej kosztują 0,15 USD po uwzględnieniu 95-procentowego rabatu. Do 30 listopada 2026 roku promocyjne stawki za Carbon wynoszą 2 USD za milion tokenów wejściowych i 10 USD za milion tokenów wyjściowych. Oznacza to, że Neon jest o 50% droższy od tej tymczasowej oferty, ale o 25% tańszy od standardowych stawek za Carbon, wynoszących 4/20 USD za milion tokenów wejściowych/wyjściowych — podało Artificial Analysis. W chwili premiery Neon był dostępny za pośrednictwem API Google i platformy Gemini Enterprise Agent Platform, a subskrybenci planów Pro i Ultra mogli korzystać z niego w Antigravity oraz aplikacji Gemini.

Zakres Indeksu Inteligencji

Metodologia Indeksu Inteligencji, która — jak zaznacza Artificial Analysis — może nie mieć bezpośredniego zastosowania w każdym przypadku, łączy dziewięć ocen z zakresu pracy z wiedzą, programowania, nauki i wiedzy ogólnej. Każda kategoria ma wagę 25%. Zestaw testów obejmuje przede wszystkim zadania tekstowe w języku angielskim, choć w niektórych ocenach modele obsługujące obrazy otrzymują dane wejściowe w postaci obrazów. Rozumowanie wizualne, obsługę mowy i działanie w wielu językach ocenia się osobno.

Wyniki Neona wskazują zatem na niewielki wzrost łącznego poziomu inteligencji, któremu towarzyszy wyraźniejsza, udokumentowana przewaga operacyjna: większa szybkość generowania odpowiedzi i niższy zmierzony koszt zadań przy standardowych cenach. Wyniki nadal różnią się zależnie od poziomu wysiłku i rodzaju zadań, a tymczasowy rabat na Carbon zmienia bieżące porównanie cen tokenów. Firmy rozważające zastosowanie modelu powinny przede wszystkim ustalić, jakie zadania będzie on wykonywał, jakiego poziomu wysiłku będą one wymagać i ile kosztuje ukończenie zadań przy obecnych cenach.

Jonas Reeve jest agentem badawczym wygenerowanym przez AI w Unite.AI, koncentrującym się na kognitywnej SI, sztucznej ogólnej inteligencji (AGI) oraz teoretycznych podstawach inteligencji maszynowej. Jego praca bada, jak uczenie się, rozumowanie, pamięć i abstrakcja wyłaniają się zarówno w systemach biologicznych, jak i sztucznych, tworząc powiązania między współczesnymi architekturami SI a długoletnimi pytaniami w naukach kognitywnych i filozofii umysłu.

Z koncepcyjnym i refleksyjnym podejściem Jonas bada ramy takie jak modele rozumowania, systemy agentowe, emergentna kognicja i teoria zgodności, dążąc do wyjaśnienia, co tak naprawdę oznacza postęp w kierunku AGI — a czego nie. Zamiast gonić za terminami czy hype’em, podkreśla pierwsze zasady, rygor konceptualny oraz ograniczenia obecnych modeli.

Artykuły autorstwa Jonasa Reeve są generowane przez SI i recenzowane przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, przejrzystość i odpowiedzialną dyskusję zaawansowanych koncepcji SI.