Google DeepMind présente Gemini 4 Neon : une intelligence de pointe avec un accomplissement des tâches plus rapide et moins coûteux
Points clés
- •Google DeepMind a lancé Gemini 4 Neon le 18 novembre 2026, le positionnant entre Carbon pour les projets les plus difficiles sur le long terme et Hydrogen pour l'exécution quotidienne rapide au sein de la famille Gemini 4.
- •Le modèle se classe troisième de l'Artificial Analysis Intelligence Index avec un score de 61 et deuxième du Vals Index, où il se situe sur la frontière de Pareto, ce qui signifie qu'aucun modèle concurrent n'associe un score plus élevé à un coût par tâche inférieur.
- •Neon est proposé à 3 $ par million de tokens d'entrée, 0,15 $ par million de tokens d'entrée en cache et 15 $ par million de tokens de sortie, avec une fenêtre de contexte d'un million de tokens et quatre niveaux de réflexion.
- •Sur les benchmarks de cybersécurité, Neon for cyber a atteint des résultats à l'état de l'art, dont 90,5 % sur SEC-bench Pro et 51,26 % sur WebExploitBench v1.2, l'accès pour les défenseurs de confiance étant déployé via le Fairwind Program.
- •DeepMind rapporte des indicateurs améliorés de sécurité et d'alignement, dont 0,0 % de tricherie sur Terminal-Bench 4.0, le taux de fabrication le plus bas enregistré lors des tests internes Antigravity et un taux de réussite des attaques de 0,0 % contre l'injection indirecte de prompts sur le benchmark de Gray Swan au niveau de réflexion le plus élevé.

Google DeepMind a présenté Gemini 4 Neon le 18 novembre 2026, un nouveau modèle qui, selon l'entreprise, associe une intelligence de pointe à un accomplissement rapide des tâches de bout en bout pour des workflows complexes d'ingénierie logicielle, de travail de connaissance et de recherche scientifique. L'annonce a été rédigée par Koray Kavukcuoglu, SVP de Google DeepMind et Chief AI Architect de Google. Deux fils conducteurs traversent cette annonce — la place de Neon dans les classements indépendants et le coût de chaque tâche accomplie — qui sont précisément les leviers que les équipes examinent pour décider si un modèle peut réellement porter des charges de travail agentiques en production.
Résultats des benchmarks, tarification et disponibilité
Selon Google DeepMind, Neon se classe devant les modèles comparables et troisième au classement général avec un score de 61 sur l'Artificial Analysis Intelligence Index à son niveau de réflexion xhigh, juste derrière des modèles plus grands et plus lents. Sur le Vals Index, Neon se classe deuxième et se situe sur la frontière de Pareto — une position signifiant qu'aucun modèle concurrent n'associe un score plus élevé à un coût par tâche inférieur. Au-delà des capacités brutes, l'entreprise indique continuer à rendre ses modèles plus faciles à utiliser : Neon se classe deuxième en « steerability » (capacité à s'adapter proprement aux corrections utilisateur en cours de tâche) sur le nouveau Agent Arena Index. Le modèle excelle également dans le suivi d'instructions en plusieurs étapes et s'appuie sur les progrès continus de DeepMind pour limiter les fabrications, enregistrant son taux de fabrication le plus bas à ce jour lors des tests internes Google Antigravity.
Neon est proposé à 3 $ par million de tokens d'entrée, avec des tokens d'entrée en cache à 0,15 $ par million (une remise de 95 %) et des tokens de sortie à 15 $ par million. Il offre une fenêtre de contexte d'un million de tokens. La remise sur les tokens en cache correspond directement aux workflows agentiques décrits plus loin dans l'annonce, où des sessions de longue durée relisent à plusieurs reprises un contexte volumineux, tandis que la large fenêtre rend possible la synthèse en contexte unique de feuilles de calcul, PDF, graphiques, audio et vidéo.
Le modèle est déployé dès aujourd'hui dans l'API Gemini sur Google AI Studio, dans Gemini pour les entreprises (via l'API et le sélecteur de modèles), pour les abonnés payants Google AI Pro et Ultra sur Google Antigravity, et pour les abonnés Pro et Ultra dans l'application Gemini.
Performances sur les travaux d'entreprise, analytiques et scientifiques
Le travail en entreprise se nourrit de feuilles de calcul, de PDF, de graphiques, d'audio et de vidéo. DeepMind indique que Neon peut synthétiser l'ensemble de ces données dans une seule fenêtre de contexte d'un million de tokens et les transformer en livrables structurés. Les évaluations indépendantes placent Neon parmi les meilleurs modèles : il se classe deuxième du Vals Index avec un score de 70,9 %, et premier à la fois sur le Legal Research Bench et le Tax Agent Bench.
Neon affiche également de solides résultats sur Surge AI, se classant premier sur la plupart des benchmarks couvrant la finance, la comptabilité, la modélisation de feuilles de calcul et le suivi de contraintes complexes. Il obtient 73,5 % sur Chartography pour la lecture de graphiques professionnels denses et se comporte à parité avec les meilleurs modèles sur Agents' Last Exam v1.1 (75,8 %). Il décroche la première place au classement général à la fois sur AutomationBench de Zapier avec 56,3 % et sur Vending-Bench 2 d'Andon Labs avec 16 843 $ — ce dernier étant une simulation de long terme de gestion d'une entreprise. Il fait aussi ses débuts à la deuxième place mondiale avec un score de 1336 sur le nouveau Agent Arena Index d'Arena, sur la base de plus de 4 200 sessions agentiques réelles.
Sur le raisonnement scientifique et mathématique — couvrant l'analyse quantitative, les mathématiques et les problèmes de recherche technique — Neon est le meilleur de sa catégorie sur Terminal-Bench Science (70,5 %), RiemannBench (84,0 %) et HLE-Diamond (71,3 %).
Conçu pour du code prêt pour la production
Conçu pour des workflows agentiques de longue durée, Neon maintient ses performances sur des tâches complexes et riches en outils de bout en bout, qu'il fonctionne de manière autonome ou qu'il agisse comme un Orchestrateur rapide et au jugement sûr, dirigeant des sous-agents Hydrogen en parallèle dans Google Antigravity. Il réduit les lectures de fichiers redondantes, partage sa progression au fur et à mesure et gère de manière fiable la compaction de contexte lors des longues sessions.
Sur les principaux workflows des développeurs et chercheurs, Neon atteint des performances de pointe et est compétitif face aux meilleurs modèles de sa catégorie. Il se classe premier au classement général de l'Artificial Analysis Coding Agent Index avec un score de 58,6, obtient 65,2 % sur Terminal-Bench 4.1 et 46,2 % à son réglage high par défaut sur FrontierCode 2.0. Pour du code prêt pour la production, Neon gère le débogage multi-fichiers et la refactorisation entre dépôts grâce à des modifications ciblées et chirurgicales. Sur SWE-sweep, il mène déjà sur le harnais mini-SWE avec 12,8 % et plus que triple ce résultat pour atteindre un record de 39,0 % dans Google Antigravity, ce qui, selon DeepMind, montre ce que le harnais Antigravity débloque.
DeepMind a également mis en avant des projets de démonstration réalisés avec Neon dans Google Antigravity :
- En pilotant Blender MCP, Gemini 4 Neon a utilisé /swarm pour construire une paillasse de laboratoire 3D photoréaliste visualisant les noms des modèles avec une précision élémentaire, associant des flammes de bec Bunsen pour Gemini 4 Carbon et Gemini 4 Hydrogen à des tubes à décharge de gaz haute tension pour Gemini 4 Argon et Neon.
- Le modèle a écrit de zéro un simulateur de ski freeride WebGL2 à la première personne sur le terrain d'élévation réel du Mont Blanc et de Chamonix, combinant 10 200 lignes de shaders personnalisés, une physique de ski à 120 Hz sur six lignes alpines, des traces dynamiques, des avalanches de plaque et de l'audio spatial Web Audio, sans aucun élément préfabriqué.
- En utilisant /swarm, Neon a exploité des photos d'archives pour recréer en 3D interactive le bureau de 1936 d'Alan Turing au King's College de Cambridge — de la King's Chapel à l'extérieur jusqu'à la salle X.8 à l'intérieur — avec une Machine de Turing universelle fonctionnelle posée sur son bureau.
- Un essaim d'agents Gemini 4 Neon a transformé une seule image en une feuille Google Sheets de 100 000 cellules sans aucune image intégrée ni Apps Script, en utilisant plus de 500 000 formules de feuilles de calcul actives pour effectuer la détection de contours, cartographier la profondeur 3D et rééclairer la scène selon six modes interactifs.
Efficacité et contrôle pour des workflows de qualité production
DeepMind indique affiner les niveaux de réflexion à chaque nouvelle version de modèle afin d'offrir aux équipes un contrôle plus fin et une progression plus fluide d'un palier à l'autre. Neon propose quatre niveaux de réflexion à montée régulière, permettant aux équipes d'ajuster l'intelligence et la dépense en tokens selon les besoins de chaque charge de travail. Ce contrôle reflète la manière dont les équipes de production consomment réellement les modèles : c'est le coût par tâche, et non le prix affiché par token, qui évolue avec l'usage.
Sur les benchmarks tiers, Neon offre de hautes performances à un coût par tâche inférieur. À son niveau de réflexion high par défaut, il associe un score élevé sur l'Artificial Analysis Intelligence Index à un coût par tâche inférieur de 32 % à celui de Carbon. Il se situe également sur la frontière de Pareto à la fois sur le Vals Index et l'Agent Arena au niveau high, avec un coût par tâche environ 50 % à 80 % inférieur à celui des meilleurs modèles concurrents de pointe. Le niveau de réflexion xhigh ajoute un raisonnement plus approfondi en plusieurs étapes pour les charges de travail d'ingénierie, d'analyse et de science les plus exigeantes : Neon affiche son score d'intelligence le plus élevé à ce niveau, tout en coûtant 36 % de moins ou plus par tâche que les modèles concurrents à leur réglage le plus élevé.
Conçu pour une cybersécurité défensive rapide, efficace et de pointe
À mesure que le codage agentique se généralise, DeepMind souligne que générer du code sécurisé dès le départ est essentiel. Gemini 4 Neon for cyber produit du code plus sécurisé que Carbon sur tous les défis faciles, moyens et difficiles de AutoBaxBench, atteignant l'état de l'art sur le palier difficile avec 76 %.
Sécuriser les systèmes signifie aussi trouver proactivement les failles avant les attaquants, et les tests d'intrusion ont longtemps été la pierre angulaire de la cybersécurité d'entreprise. Sur WebExploitBench v1.2, Neon atteint l'état de l'art avec 51,26 %, pour la moitié du coût des grands modèles concurrents.
Pour renforcer le code existant, Neon for cyber offre des performances de pointe sur l'ensemble du cycle de vie du durcissement du code — détection, validation et correction des vulnérabilités — tout en étant plus rapide et plus rentable que les grands modèles de pointe :
- Détection des vulnérabilités du code : Neon atteint des performances à l'état de l'art sur SEC-bench Pro avec 90,5 %, pour un coût d'environ moitié inférieur par défi.
- Validation des risques par exploitation : pour prioriser les vulnérabilités à corriger, les défenseurs s'appuient sur des modèles pour vérifier lesquelles sont exploitables. Sur ExploitGym, Neon atteint des performances de pointe en utilisant la moitié des tokens de Carbon.
- Correction des vulnérabilités : corriger la cause racine des vulnérabilités est une étape essentielle du cycle de vie de la défense en cybersécurité. Neon atteint 70,7 % sur CWE-bench v2 de Collinear, soit une amélioration de 3,4 points de pourcentage par rapport à Carbon.
Gemini 4 Neon for cyber sera déployé auprès de défenseurs de confiance dans les prochains jours dans le cadre du Fairwind Program.
Conçu pour une exécution sûre et fiable
Gemini 4 Neon s'appuie sur les améliorations de la pile de sécurité de Gemini 4, maintenant des protections au niveau de Gemini 4 Carbon contre les usages malveillants graves et l'injection de prompts, tout en progressant davantage sur l'alignement du modèle et le comportement agentique. Pour un modèle destiné à porter des travaux exigeants et de longue durée en production, DeepMind s'est concentré sur trois domaines :
Atténuation des risques de sécurité liés aux usages malveillants de pointe. Neon apportant des capacités de pointe à un modèle plus rapide et moins coûteux, DeepMind l'a associé à des garanties en temps réel robustes contre les usages malveillants en cybersécurité et biosécurité comparables aux protections de Carbon, tout en refusant beaucoup moins de travaux légitimes dans ces domaines — ne refusant par exemple que 1,98 % des tâches sur Terminal-Bench 4.0 et 0 % sur Terminal-Bench-Science.
Renforcement de l'alignement et d'un comportement discipliné du modèle. En usage interne de codage, les taux d'alerte du moniteur de désalignement des chaînes de pensée et des actions de DeepMind sont restés inférieurs aux références déjà basses établies par Carbon, suggérant une propension à l'alignement améliorée pour Neon — et ce même moniteur est déployé pour protéger Neon sur les surfaces externes. Neon est entraîné à accomplir des travaux en plusieurs étapes sans prendre de raccourcis, fabriquer de résultats ou dépasser les limites fixées par l'utilisateur, en continuant d'améliorer l'équilibre entre mener les demandes à terme et rester dans le périmètre. Il a égale Carbon avec 0,0 % de tricherie sur Terminal-Bench 4.0 et n'a pris de raccourcis que sur 2,45 % des tâches de l'évaluation de tricherie en codage de DeepMind — le taux le plus bas de tous les modèles Gemini 4. Il a également atteint un taux d'actions désalignées de 0,09 % sur la suite de sécurité agentique de DeepMind et un taux de réussite de 99,2 % sur son évaluation d'honnêteté des agents. Sur l'évaluation du comportement agentique, Neon s'appuie sur la solide référence de Carbon en réduisant davantage le sous-service de 43 % à 56 % et le dépassement de périmètre de 15 % à 35 % selon les différents niveaux d'effort.
Protection des utilisateurs contre les attaques par injection indirecte de prompts. Sur le benchmark IPI de Gray Swan, Neon se montre plus résilient que les autres modèles de sa catégorie lorsque des instructions malveillantes sont insérées dans les pages web, e-mails, documents ou codes auxquels il accède. Avec les garanties en temps réel à son niveau de réflexion le plus élevé, Neon a résisté à toutes les attaques du benchmark Gray Swan, égaleant le taux de réussite des attaques de 0,0 % atteint jusqu'ici uniquement par d'autres modèles Gemini.
De plus amples détails sont disponibles dans la fiche technique Gemini 4 Neon.
Conçu pour une analyse approfondie dans l'application Gemini
Dans l'application Gemini, Gemini 4 Neon vise les travaux exigeant un raisonnement de pointe et des réponses rapides :
- Rédaction et travail de connaissance de meilleure qualité : Neon rédige avec clarté, avec des réponses bien structurées et un ton naturel et direct. Il lit plus précisément les fichiers importés tels que les feuilles de calcul, les PDF et les photos, transforme les contenus denses en rapports et résumés utiles, et extrait les détails pertinents d'applications Google comme Gmail et Docs.
- Recherche et analyse fiables : Neon intègre fréquemment des détails provenant de sources sur le web pour garder les réponses à jour sur des sujets en évolution rapide, comme comparer les prix de plusieurs fournisseurs avant un achat important ou rassembler un dossier complexe avec les dernières données de marché.
- Aide plus rapide pour les tâches difficiles : les tâches dans Gemini peuvent désormais s'exécuter sur Neon, traitant les travaux complexes en plusieurs étapes plus rapidement et plus efficacement qu'avec des modèles plus grands. Les utilisateurs peuvent accomplir davantage tout en ménageant leurs limites d'usage lorsqu'ils confient des tâches fastidieuses, comme analyser des factures pour identifier pourquoi une charge d'électricité a grimpé ou recouper plusieurs reçus et documents pour négocier un remboursement.
La place de Neon dans la famille Gemini 4
Neon est conçu pour le codage complexe, le raisonnement analytique et les workflows d'entreprise de qualité production. Au sein de la famille Gemini 4, Carbon s'attaque aux projets les plus difficiles sur le long terme et Hydrogen gère l'exécution quotidienne rapide, tandis que Neon équilibre profondeur et efficience — délivrant un raisonnement de pointe pour des workflows complexes et à haute fréquence, plus rapidement et à moindre coût. Pour les équipes, cette hiérarchie devient une décision d'acheminement : associer la difficulté et la fréquence de chaque charge de travail au modèle dont l'économie par tâche lui convient le mieux.
Détails du déploiement
Gemini 4 Neon commence à être déployé dès aujourd'hui :
- Pour les développeurs : construisez avec le palier payant de l'API Gemini sur Google AI Studio et Android Studio ; les abonnés payants Google AI Pro et Ultra peuvent essayer Neon dans Google Antigravity, et tous les abonnés Pro et Ultra peuvent l'essayer dans AI Studio.
- Pour les entreprises : utilisez Gemini 4 Neon dans Gemini pour les entreprises, via l'API ou le sélecteur de modèles, ainsi que dans Google Antigravity.
- Pour les consommateurs : les abonnés Google AI Pro et Ultra peuvent sélectionner Gemini 4 Neon dans le sélecteur de modèles de l'application Gemini.
- Pour les défenseurs en cybersécurité : les membres éligibles du Fairwind Program commenceront à recevoir l'accès dans les prochains jours ; pour demander l'accès au Fairwind Program, contactez votre équipe de compte Cloud.
À propos de l'auteur
Koray Kavukcuoglu est l'un des experts les plus renommés au monde en intelligence artificielle. En tant que SVP de Google DeepMind, il dirige le développement des modèles d'IA générative les plus avancés de Google DeepMind et leur intégration à grande échelle dans les produits de Google. Avant son poste actuel, il était VP de la Recherche chez Google DeepMind, où il a fondé l'équipe d'apprentissage profond et où son équipe a réalisé des percées majeures telles que DQN (Deep Q-Network) et WaveNet.
L'annonce originale est disponible sur le blog de Google DeepMind à l'adresse https://deepmind.google/blog/introducing-gemini-4-neon/