Google DeepMind stellt Gemini 4 Neon vor: Intelligenz auf Frontier-Niveau mit schnellerer und günstigerer Aufgabenerledigung
Wichtige Erkenntnisse
- •Google DeepMind hat Gemini 4 Neon am 18. November 2026 vorgestellt und positioniert es innerhalb der Gemini-4-Familie zwischen Carbon für die schwersten, langfristigen Projekte und Hydrogen für die schnelle alltägliche Ausführung.
- •Das Modell belegt Platz 3 im Artificial Analysis Intelligence Index mit einem Score von 61 und Platz 2 im Vals Index, wo es auf der Pareto-Frontier liegt – kein konkurrierendes Modell verbindet einen höheren Score mit niedrigeren Kosten pro Aufgabe.
- •Neon kostet 3 US-Dollar pro Million Input-Token, 0,15 US-Dollar pro Million gecachter Input-Token und 15 US-Dollar pro Million Output-Token, mit einem Kontextfenster von 1 Million Token und vier Thinking-Leveln.
- •Bei Cybersecurity-Benchmarks erzielte Neon for cyber State-of-the-Art-Ergebnisse, darunter 90,5 % im SEC-bench Pro und 51,26 % im WebExploitBench v1.2; der Zugang für vertrauenswürdige Verteidiger erfolgt über das Fairwind Program.
- •DeepMind meldet verbesserte Sicherheits- und Ausrichtungsmetriken, darunter 0,0 % Betrug bei Terminal-Bench 4.0, die niedrigste je im internen Antigravity-Testing gemessene Fehlinformationsrate und eine 0,0 %-Erfolgsquote gegen indirekte Prompt Injection im Gray-Swan-Benchmark auf dem höchsten Thinking-Level.

Google DeepMind hat am 18. November 2026 Gemini 4 Neon vorgestellt – ein neues Modell, das laut Unternehmen Intelligenz auf Frontier-Niveau mit schneller End-to-End-Aufgabenerledigung in komplexen Software-Engineering-, Wissens- und wissenschaftlichen Workflows verbindet. Die Ankündigung stammt von Koray Kavukcuoglu, SVP of Google DeepMind und Chief AI Architect bei Google. Zwei Themen ziehen sich durch die Ankündigung – die Platzierung Neons in unabhängigen Bestenlisten und die Kosten pro abgeschlossener Aufgabe – und genau diese Faktoren wägen Teams ab, wenn sie entscheiden, ob ein Modell produktive Agent-Workloads realistisch tragen kann.
Benchmark-Ergebnisse, Preise und Verfügbarkeit
Laut Google DeepMind liegt Neon vor vergleichbaren Modellen und belegt mit 61 Punkten im Artificial Analysis Intelligence Index auf dem xhigh-Thinking-Level insgesamt Platz 3 – knapp hinter größeren, langsameren Modellen. Im Vals Index belegt Neon Platz 2 und liegt auf der Pareto-Frontier – eine Position, die bedeutet, dass kein konkurrierendes Modell einen höheren Score mit niedrigeren Kosten pro Aufgabe verbindet. Über die reine Leistungsfähigkeit hinaus arbeitet das Unternehmen nach eigenen Angaben kontinuierlich daran, seine Modelle benutzerfreundlicher zu machen: Im neuen Agent Arena Index belegt Neon Platz 2 bei der Steerability – der sauberen Reaktion auf Nutzerkorrekturen mitten in einer laufenden Aufgabe. Das Modell zeichnet sich zudem durch die Befolgung mehrstufiger Anweisungen aus und baut auf DeepMinds laufenden Fortschritten bei der Eindämmung von Fehlinformationen auf, wobei im internen Google-Antigravity-Testing die bislang niedrigste Fehlinformationsrate des Unternehmens verzeichnet wurde.
Neon kostet 3 US-Dollar pro Million Input-Token; gecachte Input-Token sind für 0,15 US-Dollar pro Million verfügbar (95 % Rabatt) und Output-Token für 15 US-Dollar pro Million. Das Modell bietet ein Kontextfenster von 1 Million Token. Der Rabatt für gecachte Input-Token passt direkt zu den später in der Ankündigung beschriebenen Agent-Workflows, bei denen lang laufende Sitzungen großen Kontext wiederholt neu einlesen, während das breite Fenster die Synthese von Tabellen, PDFs, Diagrammen, Audio und Video in einem einzigen Kontext ermöglicht.
Das Modell wird ab heute in der Gemini API in Google AI Studio, in Gemini for Business (über die API und das Modell-Dropdown), für zahlende Google AI Pro- und Ultra-Abonnenten in Google Antigravity sowie für Pro- und Ultra-Abonnenten in der Gemini-App ausgerollt.
Liefert Ergebnisse für Unternehmens-, Analyse- und wissenschaftliche Arbeit
Unternehmensarbeit spielt sich in Tabellen, PDFs, Diagrammen, Audio und Video ab. Laut DeepMind kann Neon alle diese Eingaben in einem einzigen Kontextfenster von 1 Million Token zusammenführen und in strukturierte Ergebnisse überführen. Unabhängige Bewertungen ordnen Neon den Top-Modellen zu: Im Vals Index erreicht es Platz 2 mit einem Score von 70,9 % und in beiden Disziplinen, dem Legal Research Bench und dem Tax Agent Bench, jeweils Platz 1.
Neon verzeichnet zudem starke Erfolge in mehreren Kategorien bei Surge AI und belegt bei den meisten Benchmarks zu Finanzen, Buchhaltung, Tabellenkalkulationsmodellierung und komplexer Constraint-Einhaltung Platz 1. Beim Lesen dichter professioneller Diagramme erzielt es 73,5 % bei Chartography und liegt bei Agents' Last Exam v1.1 (75,8 %) auf Augenhöhe mit den führenden Modellen. In Zapiers AutomationBench mit 56,3 % und in Andon Labs' Vending-Bench 2 mit 16.843 US-Dollar erreicht es jeweils Platz 1 – Letzteres eine langfristige Simulation der Geschäftsführung. Im neuen Agent Arena Index von Arena debütiert es mit einem Score von 1336 auf Platz 2 global, basierend auf mehr als 4.200 realen Agent-Sitzungen.
Bei wissenschaftlichem und mathematischem Denken – von quantitativer Analyse über Mathematik bis hin zu technischen Forschungsproblemen – ist Neon führend bei Terminal-Bench Science (70,5 %), RiemannBench (84,0 %) und HLE-Diamond (71,3 %).
Entwickelt für produktionsreifen Code
Konzipiert für lang laufende Agent-Workflows, hält Neon die Leistung bei komplexen, toolintensiven Aufgaben durchgehend aufrecht – ob eigenständig oder als schneller, urteilsfähiger Orchestrator, der parallele Hydrogen-Subagenten in Google Antigravity steuert. Es reduziert redundante Dateizugriffe, teilt Fortschritte während der Arbeit mit und verarbeitet Context Compaction in langen Sitzungen zuverlässig.
In zentralen Entwickler- und Forschungs-Workflows erzielt Neon Frontier-Leistung und ist mit den führenden Modellen seiner Klasse konkurrenzfähig. Es belegt Platz 1 insgesamt im Artificial Analysis Coding Agent Index mit einem Score von 58,6, erreicht 65,2 % bei Terminal-Bench 4.1 und 46,2 % auf seiner Standard-Einstellung high bei FrontierCode 2.0. Für produktionsreifen Code bewältigt Neon Debugging und Refactoring über mehrere Dateien und Repositories hinweg mit gezielten, chirurgischen Änderungen. Bei SWE-sweep führt es den mini-SWE-Harness bereits mit 12,8 % an und steigert dieses Ergebnis in Google Antigravity mehr als verdreifacht auf einen State-of-the-Art-Wert von 39,0 %, was laut DeepMind zeigt, was der Antigravity-Harness freisetzt.
DeepMind hob zudem Demonstrationsprojekte mit Neon in Google Antigravity hervor:
- Angetrieben von Blender MCP nutzte Gemini 4 Neon /swarm, um einen fotorealistischen 3D-Labortisch zu bauen, der die Modellnamen mit elementarer Genauigkeit visualisiert: Bunsenbrenner-Flammen für Gemini 4 Carbon und Gemini 4 Hydrogen sowie Hochspannungs-Gasentladungsröhren für Gemini 4 Argon und Neon.
- Das Modell schrieb von Grund auf einen WebGL2-Freeride-Skisimulator in der Ego-Perspektive auf realen Höhendaten von Mont Blanc und Chamonix – mit 10.200 Zeilen eigenen Shadern, Ski-Physik mit 120 Hz auf sechs Alpin-Strecken, dynamischen geschnitzten Spuren, Schneebrettlawinen und räumlichem Web-Audio, ganz ohne vorgefertigte Assets.
- Mit /swarm erstellte Neon aus Archivfotos Alan Turings Arbeitszimmer von 1936 am King's College in Cambridge als interaktives 3D-Modell – von der King's Chapel außen bis zum Raum X.8 innen, komplett mit einer funktionierenden Universal Turing Machine auf dem Schreibtisch.
- Ein Gemini-4-Neon-Agenten-Schwarm verwandelte ein einzelnes Bild in eine Google Sheet-Tabelle mit 100.000 Zellen – ohne eingebettete Bilder und ohne Apps Script – und nutzte über 500.000 live Spreadsheet-Formeln für Kantenerkennung, 3D-Tiefenzuordnung und Szenenbeleuchtung in sechs interaktiven Modi.
Effizienz und Kontrolle für produktionsreife Workflows
DeepMind verfeinert die Thinking-Level mit jeder neuen Modellversion, um Teams feinere Kontrolle und einen sanfteren Übergang zwischen den Stufen zu ermöglichen. Neon bietet vier Thinking-Level mit stetiger Skalierung, mit denen Teams Intelligenz und Token-Verbrauch an die Anforderungen der jeweiligen Workload anpassen können. Diese Kontrolle spiegelt wider, wie Produktteams Modelle tatsächlich nutzen: Nicht der Token-Listenpreis, sondern die Kosten pro Aufgabe skalieren mit der Nutzung.
In Benchmark-Dritter liefert Neon hohe Leistung bei niedrigeren Kosten pro Aufgabe. Auf dem Standard-Thinking-Level high verbindet es einen hohen Artificial Analysis Intelligence Index-Score mit 32 % niedrigeren Kosten pro Aufgabe als Carbon. Es liegt auf dem Thinking-Level high sowohl im Vals Index als auch im Agent Arena auf der Pareto-Frontier, mit rund 50 bis 80 % niedrigeren Kosten pro Aufgabe als führende konkurrierende Frontier-Modelle. Das xhigh-Thinking-Level ermöglicht tieferes, mehrstufiges Denken für die anspruchsvollsten Engineering-, Analyse- und wissenschaftlichen Workloads: Neon erreicht hier seinen höchsten Intelligenz-Score und kostet dabei dennoch 36 % oder mehr weniger pro Aufgabe als konkurrierende Modelle auf deren höchster Stufe.
Entwickelt für schnelle, effiziente Cyber-Abwehr auf Frontier-Niveau
Mit der Skalierung von agentic coding wird die sichere Codeerstellung von Anfang an kritisch, betont DeepMind. Gemini 4 Neon for cyber erzeugt sichereren Code als Carbon in allen einfachen, mittleren und schweren Herausforderungen des AutoBaxBench und erreicht auf der schweren Stufe mit 76 % einen State-of-the-Art-Wert.
Sicherheit bedeutet auch, Schwachstellen proaktiv zu finden, bevor Angreifer es tun. Penetrationstests sind ein Eckpfeiler der Unternehmens-Cybersicherheit. Im WebExploitBench v1.2 ist Neon State of the Art mit 51,26 % – bei halben Kosten im Vergleich zu konkurrierenden großen Modellen.
Zur Härtung bestehender Codes liefert Neon for cyber Frontier-Leistung über den gesamten Code-Härtungszyklus – Schwachstellensuche, Validierung und Patchen – und ist dabei schneller und kosteneffizienter als große Frontier-Modelle:
- Finden von Code-Schwachstellen: Neon erreicht State-of-the-Art-Leistung im SEC-bench Pro mit 90,5 % – bei etwa halben Kosten pro Herausforderung.
- Validierung von Risiken durch Ausnutzung: Um Schwachstellen zu priorisieren, verlassen sich Verteidiger auf Modelle, die prüfen, welche Schwachstellen ausnutzbar sind. Im ExploitGym erreicht Neon Frontier-Leistung mit nur der Hälfte der Tokens von Carbon.
- Patchen von Schwachstellen: Die Behebung der Ursache einer Schwachstelle ist ein kritischer Schritt im Verteidigungszyklus. Neon erreicht 70,7 % bei Collinears CWE-bench v2, eine Verbesserung von 3,4 Prozentpunkten gegenüber Carbon.
Gemini 4 Neon for cyber wird in den kommenden Tagen im Rahmen des Fairwind Program an vertrauenswürdige Verteidiger ausgerollt.
Entwickelt für sichere, verlässliche Ausführung
Gemini 4 Neon baut auf Verbesserungen des Gemini-4-Sicherheits-Stacks auf und bewahrt den Schutz auf Carbon-Niveau gegen schweren Missbrauch und Prompt Injection, während es bei Modell-Ausrichtung und agentischem Verhalten weiter voranschreitet. Für ein Modell, das anspruchsvolle, lang laufende Produktionsaufgaben tragen soll, konzentrierte sich DeepMind auf drei Bereiche:
Minderung von Sicherheitsrisiken durch Frontier-Missbrauch. Da Neon Frontier-Fähigkeiten in ein schnelleres, günstigeres Modell bringt, stattete DeepMind es mit starken Echtzeit-Schutzmechanismen gegen Cyber- und Biologische-Sicherheits-Missbrauch aus, vergleichbar mit den Carbon-Schutzmaßnahmen, während deutlich weniger legitime Aufgaben in diesen Bereichen abgelehnt werden – etwa nur 1,98 % der Aufgaben bei Terminal-Bench 4.0 und 0 % bei Terminal-Bench-Science.
Verbesserung der Ausrichtung und disziplinierten Modellverhaltens. In der internen Codenutzung blieben die Alarmraten von DeepMinds Monitor für Chain-of-Thought- und Handlungs-Fehlausrichtung unter den ohnehin niedrigen von Carbon gesetzten Baselines, was auf eine verbesserte Ausrichtungsneigung bei Neon hindeutet; derselbe Monitor schützt Neon auf externen Oberflächen. Neon ist darauf trainiert, mehrstufige Arbeit ohne Abkürzungen, ohne erfundene Ergebnisse und ohne Überschreitung von Nutzergrenzen abzuschließen – und verbessert so weiter die Balance zwischen Aufgabenabschluss und Einhaltung des Rahmens. Es erreichte wie Carbon 0,0 % Betrug bei Terminal-Bench 4.0 und nahm bei DeepMinds Evaluierung von Code-Betrug nur bei 2,45 % der Aufgaben Abkürzungen – die niedrigste Rate aller Gemini-4-Modelle. Zudem erzielte es eine Fehlausrichtungsrate von 0,09 % in DeepMinds agentischem Sicherheits-Test und eine Bestehensquote von 99,2 % in der Agent-Ehrlichkeits-Evaluierung. In der Evaluierung agentischen Verhaltens baut Neon auf Carbons starker Baseline auf und reduziert Unterleistung um 43–56 % und Übergriffe um 15–35 % über verschiedene Anstrengungsstufen hinweg.
Schutz vor indirekten Prompt-Injection-Angriffen. Im IPI-Benchmark von Gray Swan ist Neon widerstandsfähiger als andere Modelle seiner Klasse, wenn bösartige Anweisungen in die von ihm aufgerufenen Webseiten, E-Mails, Dokumente oder Codes eingeschleust werden. Mit Echtzeit-Schutzmechanismen auf dem höchsten Thinking-Level wehrte Neon jeden Angriff im Gray-Swan-Benchmark ab und erreichte damit die 0,0 %-Erfolgsquote, die bislang nur andere Gemini-Modelle erzielten.
Weitere Details finden sich in der Gemini 4 Neon model card.
Entwickelt für tiefere Analyse in der Gemini-App
In der Gemini-App ist Gemini 4 Neon auf Arbeiten ausgerichtet, die Frontier-Denkvermögen und schnelle Antworten erfordern:
- Hochwertigeres Schreiben und Wissensarbeit: Neon schreibt klar, mit gut strukturierten Antworten und natürlichem, direktem Ton. Es liest Uploads wie Tabellen, PDFs und Fotos präziser, wandelt dichtes Material in hilfreiche Berichte und Zusammenfassungen um und zieht relevante Details aus Google-Apps wie Gmail und Docs heran.
- Verlässliche Recherche und Analyse: Neon zieht häufig Details aus Quellen im Web heran, um Antworten zu aktuellen Themen aktuell zu halten – etwa beim Vergleich von Preisen verschiedener Anbieter vor einer größeren Anschaffung oder beim Erstellen einer komplexen Kurzbriefing mit den neuesten Marktdaten.
- Schnellere Hilfe bei anspruchsvolleren Aufgaben: Aufgaben in Gemini können nun auf Neon laufen und komplexe mehrstufige Jobs schneller und effizienter erledigen als mit größeren Modellen. Nutzer erledigen mehr, während die Nutzungslimits schonender genutzt werden – etwa beim Analysieren von Abrechnungen, um zu klären, warum eine Versorgungsgebühr sprunghaft gestiegen ist, oder beim Abgleich mehrerer Belege und Dokumente zur Verhandlung einer Rückerstattung.
Neons Platz in der Gemini-4-Familie
Neon wurde für komplexe Programmierung, analytisches Denken und produktionsreife Unternehmens-Workflows entwickelt. Innerhalb der Gemini-4-Familie übernimmt Carbon die schwierigsten, langfristigen Projekte und Hydrogen die schnelle alltägliche Ausführung, während Neon Tiefe und Effizienz ausbalanciert – und liefert Frontier-Denkvermögen für komplexe, hochfrequente Workflows schneller und kosteneffizienter. Für Teams wird die Staffelung zu einer Routing-Entscheidung: Anpassung der Schwierigkeit und Frequenz jeder Workload an das Modell, dessen Kosten pro Aufgabe am besten passen.
Rollout-Details
Gemini 4 Neon startet heute mit dem Rollout:
- Für Entwickler: Bauen Sie mit der kostenpflichtigen Gemini-API-Tarifstufe in Google AI Studio und Android Studio; zahlende Google AI Pro- und Ultra-Abonnenten können Neon in Google Antigravity ausprobieren, und alle Pro- und Ultra-Abonnenten können es in AI Studio testen.
- Für Unternehmen: Nutzen Sie Gemini 4 Neon in Gemini for Business – über die API oder das Modell-Dropdown – sowie in Google Antigravity.
- Für Verbraucher: Google AI Pro- und Ultra-Abonnenten können Gemini 4 Neon über das Modell-Dropdown in der Gemini-App auswählen.
- Für Cybersicherheits-Verteidiger: Berechtigte Mitglieder des Fairwind Program erhalten in den nächsten Tagen Zugang; für eine Anfrage zum Fairwind Program wenden Sie sich an Ihr Cloud-Kundenkonto-Team.
Über den Autor
Koray Kavukcuoglu zählt zu den weltweit führenden Experten für künstliche Intelligenz. Als SVP of Google DeepMind leitet er die Entwicklung von Google DeepMinds neuesten generativen KI-Modellen und deren Integration in Googles Produkte im großen Maßstab. Vor seiner aktuellen Rolle war er VP of Research bei Google DeepMind, wo er das Deep-Learning-Team gründete und sein Team bedeutende Forschungsdurchbrüche wie DQN (Deep Q-Network) und WaveNet vorantrieb.
Die ursprüngliche Ankündigung ist auf dem Google DeepMind Blog unter https://deepmind.google/blog/introducing-gemini-4-neon/ verfügbar.