Gemini 4 Neon догнала Opus 5.5 и тихо удивила рынок
Google почти незаметно выпустила Gemini 4 Neon, и на фоне давнего лидерства Claude Opus 5.5 это стало неожиданностью. Новая модель показала себя как удобный рабочий инструмент: она лучше понимает короткие команды, помогает с кодом и умеет разбирать сложные технические сбои.
Почему релиз Gemini 4 Neon привлек столько внимания
Еще недавно многим казалось, что рынок сильных ИИ-моделей уже сложился: наверху держался Claude Opus 5.5, а продукты OpenAI постоянно сравнивали с ним не в их пользу. На этом фоне выход Gemini 4 Neon 18 ноября прошел почти без шума, хотя именно он изменил расстановку сил.
Автор источника отмечает, что Neon неожиданно стала моделью, с которой комфортно работать в обычных задачах. Она схватывает смысл коротких и неидеальных запросов, может сама додумать недостающие шаги и отвечает более естественно, чем многие конкуренты. Для тех, кто работает с текстами, кодом, техподдержкой или внутренними задачами, это значит меньше времени на долгие объяснения и уточнения.
Что умеет Neon в реальной работе
Сильнее всего модель выделяется в прикладных сценариях. Она не просто делает то, о чем ее попросили, но и замечает соседние проблемы: старые баги, слабые места в проекте, мусор на диске или странные тормоза сервера. По описанию тестов, Neon хорошо справляется с ревью кода и не ограничивается поверхностными замечаниями.
В одном из показательных примеров модель работала с проектом TS Rust и помогла заметно уменьшить размер бинарника: с 47,44 МБ до 7,97 МБ. Также в тестах она ускорила работу в среднем в 1,5 раза, а на некоторых сценариях — до 20 раз. Для разработчиков и команд, которые считают скорость и стабильность продукта, это очень практичный результат.
Где Neon особенно удивила
Отдельно в статье разбираются случаи, где модель вела себя почти как опытный инженер. Когда сломанный MCP-адаптер не показал результат в чате, Neon не остановилась на ошибке, а полезла в логи, нашла причину сбоя, отрендерила графики локально и даже подготовила исправление. В другом кейсе модель помогла найти причину тормозов при создании git worktree: выяснилось, что раздел /work был отформатирован как обычный HDD, и именно это съедало почти четыре секунды из 6,3.
Есть и официальные демонстрации DeepMind и команды Antigravity: от превращения обычной картинки в огромную таблицу с 100 000 ячеек и 500 000 формул до сборки игры в браузере и игры за второго игрока. Для обычного пользователя это может быть слишком специфично, но для разработчиков и тех, кто автоматизирует рабочие процессы, это сигнал: модель уже умеет не только болтать, но и выполнять сложные цепочки действий.