Google DeepMind prezentuje Gemini 4 Neon: inteligencję na poziomie frontu z szybszym i tańszym wykonywaniem zadań
Najważniejsze informacje
- •Google DeepMind uruchomiło 18 listopada 2026 roku Gemini 4 Neon, pozycjonując go w rodzinie Gemini 4 między Carbonem do najtrudniejszych projektów w długim horyzoncie a Hydrogenem do szybkiej codziennej pracy.
- •Model zajmuje trzecie miejsce w Artificial Analysis Intelligence Index z wynikiem 61 i drugie w Vals Index, gdzie znajduje się na froncie Pareto — żaden konkurencyjny model nie łączy wyższego wyniku z niższym kosztem na zadanie.
- •Neon jest wyceniony na 3 dolary za milion tokenów wejściowych, 0,15 dolara za milion tokenów wejściowych z cache i 15 dolarów za milion tokenów wyjściowych, z oknem kontekstowym 1 miliona tokenów i czterema poziomami myślenia.
- •W benchmarkach cyberbezpieczeństwa Neon for cyber osiągnął wyniki na poziomie stanu techniki, w tym 90,5% w SEC-bench Pro i 51,26% w WebExploitBench v1.2, z dostępem dla zaufanych obrońców udostępnianym przez Fairwind Program.
- •DeepMind raportuje poprawione wskaźniki bezpieczeństwa i zgodności, w tym 0,0% oszustw w Terminal-Bench 4.0, najniższy odnotowany wskaźnik konfabulacji w wewnętrznych testach Antigravity oraz wskaźnik skuteczności ataków 0,0% wobec pośredniego wstrzykiwania promptów w benchmarku Gray Swan na najwyższym poziomie myślenia.

Google DeepMind zaprezentowało 18 listopada 2026 roku model Gemini 4 Neon — nowy model, który, jak podaje firma, łączy inteligencję na poziomie frontu z szybkim wykonywaniem zadań end-to-end w złożonych przepływach inżynierii oprogramowania, pracy wiedzy i nauki. Ogłoszenie zostało napisane przez Koraya Kavukcuoglu, pierwszego wiceprezesa Google DeepMind i głównego architekta AI w Google. Dwa wątki przewijają się przez ogłoszenie — pozycja Neonu w niezależnych rankingach oraz koszt każdego ukończonego zadania — i to te same dźwignie, które zespoły ważą, decydując, czy model realnie udźwignie produkcyjne obciążenia agentowe.
Wyniki benchmarków, ceny i dostępność
Według Google DeepMind Neon plasuje się przed porównywalnymi modelami i trzecie ogółem z wynikiem 61 w Artificial Analysis Intelligence Index na poziomie myślenia xhigh, tuż za większymi i wolniejszymi modelami. W Vals Index Neon zajmuje drugie miejsce i trafia na front Pareto — pozycję oznaczającą, że żaden konkurencyjny model nie łączy wyższego wyniku z niższym kosztem na zadanie. Poza samą wydajnością firma deklaruje, że nadal czyni swoje modele łatwiejszymi we współpracy: Neon zajmuje drugie miejsce pod względem sterowalności — płynnego dostosowywania się do poprawek użytkownika w trakcie zadania — w nowym Agent Arena Index. Model wyróżnia się też w wykonywaniu wieloetapowych instrukcji i bazuje na postępach DeepMind w ograniczaniu konfabulacji, notując najniższy jak dotąd wskaźnik konfabulacji w wewnętrznych testach Google Antigravity.
Neon jest wyceniony na 3 dolary za milion tokenów wejściowych, przy tokenach wejściowych z cache w cenie 0,15 dolara za milion (95-procentowa zniżka) i tokenach wyjściowych po 15 dolarów za milion. Oferuje okno kontekstowe o długości 1 miliona tokenów. Zniżka na tokeny z cache bezpośrednio odnosi się do opisanych później w ogłoszeniu przepływów agentowych, w których długotrwałe sesje wielokrotnie ponownie odczytują duży kontekst, natomiast szerokie okno umożliwia syntezę arkuszy kalkulacyjnych, plików PDF, wykresów, dźwięku i wideo w jednym kontekście.
Model jest udostępniany od dziś w Gemini API w Google AI Studio, w Gemini dla firm (przez API i listę wyboru modelu), dla płatnych subskrybentów Google AI Pro i Ultra w Google Antigravity oraz dla subskrybentów Pro i Ultra w aplikacji Gemini.
Sprawdza się w pracy enterprise, analitycznej i naukowej
Praca korporacyjna żyje w arkuszach kalkulacyjnych, plikach PDF, wykresach, dźwięku i wideo. Według DeepMind Neon potrafi syntetyzować wszystkie te dane wejściowe w jednym oknie kontekstowym o długości 1 miliona tokenów i przekształcać je w ustrukturyzowane rezultaty. Niezależne ewaluacje plasują Neon wśród czołowych modeli: zajmuje drugie miejsce w Vals Index z wynikiem 70,9% oraz pierwsze zarówno w Legal Research Bench, jak i Tax Agent Bench.
Neon odnosi też mocne zwycięstwa w kategoriach Surge AI, zajmując pierwsze miejsce w większości benchmarków obejmujących finanse, księgowość, modelowanie arkuszowe i złożone ograniczenia. Uzyskuje 73,5% w Chartography za odczytywanie gęstych profesjonalnych wykresów i wypada na równi z wiodącymi modelami w Agents' Last Exam v1.1 (75,8%). Zajmuje pierwsze miejsce ogółem zarówno w AutomationBench firmy Zapier z wynikiem 56,3%, jak i w Vending-Bench 2 firmy Andon Labs z wynikiem 16 843 dolarów — ten drugi to symulacja prowadzenia biznesu w długim horyzoncie. Debiutuje również na drugim miejscu globalnie z wynikiem 1336 w nowym Agent Arena Index Areny, na podstawie ponad 4200 rzeczywistych sesji agentowych.
W rozumowaniu naukowym i matematycznym — obejmującym analizę ilościową, matematykę i problemy badań technicznych — Neon jest najlepszy w klasie w Terminal-Bench Science (70,5%), RiemannBench (84,0%) i HLE-Diamond (71,3%).
Zaprojektowany do kodu gotowego na produkcję
Zaprojektowany do długotrwałych przepływów agentowych, Neon utrzymuje wydajność w złożonych, intensywnie korzystających z narzędzi zadaniach end-to-end — niezależnie od tego, czy działa samodzielnie, czy jako szybki, wyróżniający się dobrą oceną Orkiestrator kierujący równoległymi podagentami Hydrogen w Google Antigravity. Ogranicza nadmiarowe odczyty plików, raportuje postępy podczas pracy i niezawodnie radzi sobie z kompakcją kontekstu w długich sesjach.
W podstawowych przepływach deweloperskich i badawczych Neon osiąga wydajność na poziomie frontu i jest konkurencyjny wobec wiodących modeli w swojej klasie. Zajmuje pierwsze miejsce ogółem w Artificial Analysis Coding Agent Index z wynikiem 58,6, uzyskuje 65,2% w Terminal-Bench 4.1 i 46,2% na domyślnym poziomie high w FrontierCode 2.0. W zakresie kodu gotowego na produkcję Neon obsługuje debugowanie i refaktoryzację wielu plików w repozytoriach za pomocą celowych, chirurgicznych edycji. W SWE-sweep prowadzi już w harnessie mini-SWE z wynikiem 12,8% i bardziej niż potroi ten rezultat do rekordowego 39,0% w Google Antigravity, co — jak podaje DeepMind — pokazuje, co odblokowuje harness Antigravity.
DeepMind zaprezentowało również projekty demonstracyjne zbudowane z Neonem w Google Antigravity:
- Sterując Blender MCP, Gemini 4 Neon użył /swarm do zbudowania fotorealistycznej laboratorium 3D wizualizującego nazwy modeli z dokładnością pierwiastkową, parując płomienie palników Bunsena dla Gemini 4 Carbon i Gemini 4 Hydrogen z wysokonapięciowymi lampami wyładowanymi dla Gemini 4 Argon i Neon.
- Model napisał od zera symulator jazdy na nartach free ride WebGL2 w pierwszej osobie na rzeczywistym terenie wysokościowym Mont Blanc i Chamonix — łącząc 10 200 linii własnych shaderów, fizykę narciarską 120 Hz na sześciu alpejskich trasach, dynamiczne ślady jazdy na krawędziach, lawiny płytowe i przestrzenne Web Audio bez żadnych gotowych zasobów.
- Używając /swarm, Neon pozyskał zdjęcia archiwalne, aby odtworzyć gabinet Alana Turinga z 1936 roku w King's College w Cambridge w interaktywnym 3D — od kaplicy King's na zewnątrz po pomieszczenie X.8 w środku — z działającą Uniwersalną Maszyną Turinga na biurku.
- Rój agentów Gemini 4 Neon przekształcił pojedynczy obraz w arkusz Google o 100 000 komórek bez wbudowanych obrazów i bez Apps Script — wykorzystując ponad 500 000 aktywnych formuł arkusza do wykrywania krawędzi, mapowania głębi 3D i ponownego oświetlenia sceny w sześciu trybach interaktywnych.
Wydajność i kontrola w przepływach klasy produkcyjnej
DeepMind deklaruje, że z każdym nowym modelem doskonali poziomy myślenia, aby zapewnić zespołom lepszą kontrolę i płynniejsze przejścia między poziomami. Neon oferuje cztery poziomy myślenia skalujące się stabilnie, pozwalając zespołom dostosować inteligencję i wydatek tokenów do potrzeb każdego obciążenia. Ta kontrola odzwierciedla, jak zespoły produkcyjne faktycznie korzystają z modeli: to koszt na zadanie, a nie cena katalogowa za token, skaluje się z użyciem.
W benchmarkach podmiotów zewnętrznych Neon zapewnia wysoką wydajność przy niższym koszcie na zadanie. Na domyślnym poziomie myślenia high łączy wysoki wynik Artificial Analysis Intelligence Index z kosztem na zadanie o 32% niższym niż Carbon. Plasuje się też na froncie Pareto zarówno w Vals Index, jak i Agent Arena na poziomie high, z kosztem na zadanie o około 50–80% niższym niż u czołowych konkurencyjnych modeli frontu. Poziom myślenia xhigh dodaje głębsze, wieloetapowe rozumowanie do najtrudniejszych obciążeń inżynieryjnych, analitycznych i naukowych: Neon osiąga tu swój najwyższy wynik inteligencji, nadal kosztując o 36% lub więcej mniej na zadanie niż konkurencyjne modele na ich najwyższych ustawieniach.
Zaprojektowany do szybkiej, wydajnej cyberobrony na poziomie frontu
Wraz ze skalowaniem kodowania agentowego generowanie bezpiecznego kodu od początku jest — jak podkreśla DeepMind — kluczowe. Gemini 4 Neon for cyber produkuje bezpieczniejszy kod niż Carbon we wszystkich łatwych, średnich i trudnych zadaniach AutoBaxBench, osiągając stan techniki w poziomie trudnym z wynikiem 76%.
Zabezpieczanie systemów oznacza też proaktywne wykrywanie słabości, zanim znajdą je atakujący, a testy penetracyjne od lat są fundamentem cyberbezpieczeństwa enterprise. W WebExploitBench v1.2 Neon osiąga stan techniki z wynikiem 51,26% przy połowie kosztu konkurencyjnych dużych modeli.
Aby wzmacniać istniejący kod, Neon for cyber dostarcza wydajność na poziomie frontu w całym cyklu hartowania kodu — wykrywaniu podatności, ich walidacji i łataniu — będąc przy tym szybszym i bardziej opłacalnym niż duże modele frontu:
- Wykrywanie podatności w kodzie: Neon osiąga stan techniki w SEC-bench Pro z wynikiem 90,5%, kosztując około połowy na zadanie.
- Walidacja ryzyka przez eksploatację: aby priorytetyzować usuwanie podatności, obrońcy polegają na modelach sprawdzających, które podatności są podatne na wykorzystanie. W ExploitGym Neon osiąga wydajność na poziomie frontu, zużywając połowę tokenów Carbon.
- Łatanie podatności: usunięcie przyczyny źródłowej podatności to kluczowy krok w cyklu obrony cyberbezpieczeństwa. Neon osiąga 70,7% w CWE-bench v2 firmy Collinear, co daje wzrost o 3,4 punktu procentowego nad Carbon.
Gemini 4 Neon for cyber będzie udostępniany zaufanym obrońcom w najbliższych dniach w ramach Fairwind Program.
Zaprojektowany do bezpiecznego, niezawodnego działania
Gemini 4 Neon bazuje na ulepszeniach stosu bezpieczeństwa Gemini 4 — utrzymując ochronę na poziomie Gemini 4 Carbon przed poważnym nadużyciem i wstrzykiwaniem promptów, a jednocześnie robiąc postępy w doszkalaniu modelu i zachowaniu agentowym. W przypadku modelu mającego przenosić wymagające, długotrwałe obciążenia produkcyjne DeepMind skupiło się na trzech obszarach:
Łagodzenie ryzyk nadużycia na poziomie frontu. Ponieważ Neon wnosi możliwości na poziomie frontu do szybszego, tańszego modelu, DeepMind wyposażyło go w silne zabezpieczenia w czasie rzeczywistym przed nadużyciami w dziedzinie cyber i biobezpieczeństwa, porównywalne z ochronami Carbon, przy znacznie rzadszym odrzucaniu legalnej pracy w tych obszarach — odmawiając na przykład zaledwie 1,98% zadań w Terminal-Bench 4.0 i 0% w Terminal-Bench-Science.
Postęp w doszkalaniu i zdyscyplinowanym zachowaniu modelu. We wewnętrznym użytkowaniu kodującym wskaźniki alarmów monitora niezgodności łańcucha myślenia i działań pozostawały poniżej już niskich baz ustalonych przez Carbon, co sugeruje poprawę skłonności Neon do zgodności, a ten sam monitor jest wdrożony, aby chronić Neon w zewnętrznych kanałach. Neon jest trenowany do wykonywania wieloetapowej pracy bez skrótów, konfabulacji wyników ani przekraczania granic użytkownika — dalej poprawiając równowagę między realizacją żądań a pozostawaniem w zakresie. Wyrównał Carbon z wynikiem 0,0% oszustw w Terminal-Bench 4.0 i stosował skróty tylko w 2,45% zadań w ewaluacji kodujących oszustw DeepMind — najniższy wskaźnik spośród modeli Gemini 4. Osiągnął też wskaźnik niezgodnych działań 0,09% w swoim zestawie bezpieczeństwa agentowego oraz wskaźnik zaliczeń 99,2% w ewaluacji uczciwości agentów. W ewaluacji zachowania agentowego Neon, bazując na mocnej bazie Carbon, dodatkowo zmniejsza niedoserwis o 43–56% i nadmierną ingerencję o 15–35% w różnych poziomach wysiłku.
Ochrona użytkowników przed pośrednimi atakami wstrzykiwania promptów. W benchmarku IPI firmy Gray Swan Neon jest bardziej odporny niż inne modele w swojej klasie, gdy złośliwe instrukcje są umieszczane w stronach internetowych, e-mailach, dokumentach lub kodzie, do których ma dostęp. Przy zabezpieczeniach w czasie rzeczywistym na najwyższym poziomie myślenia Neon odparł każdy atak w benchmarku Gray Swan, wyrównując wskaźnik skuteczności ataku 0,0% osiągany dotąd tylko przez inne modele Gemini.
Więcej szczegółów znajduje się w karcie modelu Gemini 4 Neon.
Zaprojektowany do głębszej analizy w aplikacji Gemini
W aplikacji Gemini Gemini 4 Neon jest ukierunkowany na pracę wymagającą rozumowania na poziomie frontu i szybkich odpowiedzi:
- Wyższa jakość pisania i pracy wiedzy: Neon pisze przejrzyście, z dobrze ustrukturyzowanymi odpowiedziami i naturalnym, bezpośrednim tonem. Dokładniej odczytuje przesyłane pliki, takie jak arkusze, PDF-y i zdjęcia, przekształca gęste materiały w pomocne raporty i streszczenia oraz pobiera istotne szczegóły z aplikacji Google, takich jak Gmail i Docs.
- Niezawodne badania i analiza: Neon często włącza szczegóły ze źródeł w sieci, aby utrzymać aktualność odpowiedzi w szybko zmieniających się tematach — na przykład przy porównywaniu cen u dostawców przed dużym zakupem lub zestawianiu złożonego briefu z najświeższymi danymi rynkowymi.
- Szybsza pomoc w trudniejszych zadaniach: zadania w Gemini mogą teraz działać na Neonie, realizując złożone, wieloetapowe prace szybciej i wydajniej niż większe modele. Użytkownicy mogą zrobić więcej, rozciągając limity użycia, przekazując żmudne zadania — takie jak analiza rachunków, by ustalić, dlaczego opłata za media wzrosła, czy weryfikacja wielu paragonów i dokumentów w celu wynegocjowania zwrotu.
Miejsce Neonu w rodzinie Gemini 4
Neon jest zbudowany do złożonego kodowania, rozumowania analitycznego i produkcyjnych przepływów enterprise. W rodzinie Gemini 4 Carbon podejmuje najtrudniejsze projekty w długim horyzoncie, Hydrogen obsługuje szybkie codzienne wykonanie, a Neon balansuje głębię i wydajność — dostarczając rozumowanie na poziomie frontu dla złożonych, wysokoczęstotliwościowych przepływów szybciej i taniej. Dla zespołów podział na poziomy staje się decyzją o routingu: dopasowaniem trudności i częstotliwości każdego obciążenia do modelu, którego ekonomia na zadanie najlepiej do niego pasuje.
Szczegóły udostępniania
Gemini 4 Neon jest udostępniany od dziś:
- Dla deweloperów: buduj z płatnym poziomem Gemini API w Google AI Studio i Android Studio; płatni subskrybenci Google AI Pro i Ultra mogą wypróbować Neon w Google Antigravity, a wszyscy subskrybenci Pro i Ultra mogą go przetestować w AI Studio.
- Dla firm: używaj Gemini 4 Neon w Gemini dla firm, przez API lub listę wyboru modelu, oraz w Google Antigravity.
- Dla konsumentów: subskrybenci Google AI Pro i Ultra mogą wybrać Gemini 4 Neon z listy modeli w aplikacji Gemini.
- Dla obrońców cyberbezpieczeństwa: uprawnieni członkowie Fairwind Program zaczną otrzymywać dostęp w najbliższych dniach; aby poprosić o dostęp do Fairwind Program, skontaktuj się ze swoim zespołem obsługi konta Cloud.
O autorze
Koray Kavukcuoglu jest jednym z wiodących na świecie ekspertów w dziedzinie sztucznej inteligencji. Jako pierwszy wiceprezes Google DeepMind kieruje rozwojem najnowocześniejszych generatywnych modeli AI Google DeepMind i ich integracją z produktami Google na dużą skalę. Wcześniej był wiceprezesem ds. badań w Google DeepMind, gdzie założył zespół uczenia głębokiego, a jego zespół stworzył przełomowe osiągnięcia badawcze, takie jak DQN (Deep Q-Network) i WaveNet.
Oryginalne ogłoszenie jest dostępne na blogu Google DeepMind pod adresem https://deepmind.google/blog/introducing-gemini-4-neon/