Google показала Gemini 4 Neon для кода, науки и аналитики
Google представила Gemini 4 Neon — модель для сложного программирования, анализа данных и научной работы. В компании делают ставку на длинный контекст, высокую скорость и результаты в тестах, которые важны для бизнеса, разработчиков и исследователей.
Что умеет Gemini 4 Neon
Neon рассчитана на задачи, где нужно не просто ответить на вопрос, а собрать разрозненную информацию в понятный результат. Модель работает с длинными задачами разработки, поиском по данным, аналитикой и научными сценариями от начала до конца.
По заявлениям Google, она сочетает скорость с возможностями более крупных моделей, а на уровне рассуждений xhigh набирает 61 балл в Artificial Analysis Intelligence Index. Среди сопоставимых моделей это лучший результат, а в общем рейтинге Neon идёт третьей, немного уступая более тяжёлым и медленным системам. В Vals Index модель заняла второе место, а в новом Agent Arena Index — тоже вторую позицию за способность учитывать правки пользователя в процессе работы.
Сколько стоит и где уже доступна
У Gemini 4 Neon окно контекста — до 1 миллиона токенов. Это значит, что модель может держать в памяти очень большой объём материалов: документы, таблицы, диаграммы, аудио и видео в рамках одной задачи.
По ценам Gemini API указано следующее: 1 миллион входных токенов стоит 3 доллара, кешированные входные токены — 0,15 доллара со скидкой 95%, а 1 миллион выходных токенов — 15 долларов. Распространение идёт постепенно: модель появляется в Gemini API через Google AI Studio, в Gemini for business через API и меню выбора модели, а также в Google Antigravity и в приложении Gemini для подписчиков Google AI Pro и Ultra.
Чем Neon полезна для работы и исследований
Google отдельно подчёркивает задачи, где важны корпоративные данные, финансы, право, налоговые сценарии и долгие цепочки действий. В независимых оценках Neon вошла в число лидеров, а в Vals Index получила 70,9%. Ещё она заняла первые места в Legal Research Bench и Tax Agent Bench.
В тестах для бизнеса и автоматизации модель тоже показала сильные результаты: в Surge AI она лидировала в большинстве заданий по финансам, бухгалтерии, табличным моделям и сложным ограничениям. В Chartography, где нужно читать насыщенные данными диаграммы, Neon набрала 73,5%, в Agents’ Last Exam v1.1 — 75,8%, в AutomationBench от Zapier — 56,3%, а в Vending-Bench 2 — 16 843 доллара. Для науки и математики Google приводит ещё ряд сильных показателей: Terminal-Bench Science — 70,5%, RiemannBench — 84,0%, HLE-Diamond — 71,3%.
Похоже, модель особенно полезна там, где сотруднику нужно быстро разобраться в большой куче материалов, не теряя точность: в аналитике, исследованиях, подготовке отчётов, проверке гипотез, работе с кодом и поиске ошибок. В Google Antigravity Neon умеет не только выполнять задачу сама, но и координировать параллельную работу субагентов, если сценарий слишком большой для одного прохода.