Google представила новую ИИ-модель Gemini 4 Neon с контекстным окном до миллиона токенов. Нейросеть предназначена для программирования, сложного анализа и выполнения многоэтапных задач. В независимых тестах новинка вошла в число лидеров, а доступ к ней уже начали открывать разработчикам и платным подписчикам.
Gemini 4 Neon заняла третье место в рейтинге Artificial Analysis Intelligence Index, получив 61 балл при максимальном уровне рассуждений xhigh. В отдельном рейтинге инструментов для программирования Artificial Analysis Coding Agent Index модель вышла на первое место с результатом 58,6 балла. Google делает акцент на сочетании производительности, скорости и стоимости выполнения задач, а не на максимальной мощности любой ценой.
В тесте Terminal-Bench 4.1, проверяющем способность ИИ решать практические задачи через командную строку, Neon справилась с 65,2% заданий. Claude Opus 5.5 показала 65,8%, а GPT-6.2 Sol набрала 61,5%. На FrontierCode 2.0 результат Google составил 46,2% против 47,3% у Claude. Таким образом, новинка конкурирует с ведущими моделями, но не превосходит их во всех сценариях. Сравнение основано на опубликованных результатах испытаний, а не на универсальной оценке качества программирования.
Особенно заметная разница обнаружилась при проверке работы с программными репозиториями. В SWE-sweep модель решила 12,8% заданий при использовании облегчённой среды mini-SWE, однако в Google Antigravity показатель вырос до 39,0%. Результат показывает, насколько сильно эффективность ИИ зависит от окружающих инструментов, организации выполнения задачи и доступа к исходному коду. Сравнивать подобные цифры без учёта условий тестирования было бы неправильно.
Одной из главных технических характеристик стало контекстное окно на миллион токенов. Токен представляет собой единицу обработки информации, которая для текста может соответствовать слову, его части или отдельному символу. Большой контекст позволяет одновременно анализировать объёмные документы, программные проекты, изображения, аудио и видео, учитывая связи между разными фрагментами. Согласно спецификации модели, миллион токенов составляет общий лимит контекста, включая входные и выходные данные. При обычной синхронной генерации размер ответа по умолчанию ограничен 64 тысячами токенов.
Google также проверила способность нейросети работать с большим контекстом, а не только принимать его на вход. В тесте GraphWalks, где требуется находить связи в крупных структурах данных, Neon достигла показателя F1 в 95,2% на заданиях с контекстом от 256 тысяч до миллиона токенов. Для сравнения, в опубликованной таблице Claude Opus 5.5 получила 66,8%, а GPT-6.2 Sol набрала 80,1%. Подобные результаты характеризуют конкретный тип задач и не гарантируют одинаковой точности при анализе любых документов.
Разработчики адаптировали Neon для длительной работы ИИ-агентов, способных самостоятельно обращаться к инструментам, изменять файлы, выполнять команды и проверять результаты. Модель может действовать как самостоятельный исполнитель или управлять несколькими агентами Gemini 4 Hydrogen через Google Antigravity. В ходе продолжительных сеансов система старается избегать повторного чтения уже изученных файлов, передаёт сведения о ходе выполнения и сокращает накопленный контекст, сохраняя необходимую информацию.
Для демонстрации возможностей Google поручила Neon создать трёхмерный симулятор горнолыжного спуска на основе рельефа Монблана и Шамони. ИИ написал программу с 10 200 строками пользовательских шейдеров, физической моделью движения с частотой 120 Гц, динамическими следами лыж и лавинами. В другом эксперименте группа агентов превратила одно изображение в электронную таблицу на 100 тысяч ячеек, использовав более 500 тысяч формул без встроенных изображений и Google Apps Script. Оба примера компания представила как демонстрации работы системы в Antigravity.
Отдельное направление связано с кибербезопасностью. Google подготовила вариант Gemini 4 Neon for cyber для поиска уязвимостей, проверки возможности их эксплуатации и исправления программного кода. На SEC-bench Pro модель достигла 90,5%, в WebExploitBench v1.2 получила 51,26%, а в CWE-bench v2, оценивающем исправление распространённых классов ошибок, набрала 70,7%. На сложном уровне AutoBaxBench показатель безопасной генерации кода составил 76%. Результаты относятся к испытательным заданиям и не означают, что нейросеть обнаружит или устранит такую же долю уязвимостей в реальной инфраструктуре.
Специализированный вариант для киберзащиты пока не предназначен для свободного использования. Google планирует предоставлять доступ проверенным специалистам через программу Fairwind в ближайшие дни после анонса. Компания отдельно подчёркивает, что защитные механизмы должны препятствовать опасному применению расширенных возможностей модели. В частности, разработчики проверяли устойчивость к попыткам заставить ИИ выполнять посторонние инструкции, скрытые во внешних документах и веб-страницах.
Подобные атаки называют промпт-инъекциями. Злоумышленник размещает вредоносную команду в содержимом, которое нейросеть должна обработать как обычную информацию. Google утверждает, что Neon с максимальным уровнем рассуждений и дополнительными защитными механизмами успешно отразила все атаки в выбранном испытании Gray Swan. Однако результат конкретного теста не доказывает полной защищённости. В технической документации разработчики также признают возможность ошибочных ответов и указывают март 2026 года как границу обучающих знаний модели.
За пределами программирования Neon рассчитана на работу с корпоративной информацией. Нейросеть анализирует электронные таблицы, финансовые документы, диаграммы и большие массивы разнородных материалов. В Vals Index модель заняла второе место с результатом 70,9%, а в тесте AutomationBench, оценивающем автоматизацию рабочих процессов, получила 56,3%. При проверке математических и научных способностей показатели составили 84,0% на RiemannBench и 70,5% на Terminal-Bench Science. Все значения относятся к указанным версиям тестов.
Стоимость использования Gemini 4 Neon через API составляет 3 доллара за миллион входных токенов и 15 долларов за миллион выходных. Повторное использование ранее сохранённого контекста обходится в 0,15 доллара за миллион входных токенов, что на 95% дешевле обычной обработки входных данных. По оценке Google, при стандартном уровне рассуждений high стоимость выполнения сопоставимой задачи оказывается на 32% ниже, чем у Gemini 4 Carbon. При максимальном режиме xhigh расходы возрастают, но модель получает больше вычислительных ресурсов для сложных рассуждений.
Внутри семейства Gemini 4 новинка занимает промежуточное положение. Carbon предназначена для наиболее сложных и продолжительных проектов, Hydrogen ориентирована на быстрое выполнение повседневных задач, а Neon должна сочетать глубокий анализ с меньшими затратами. При этом Neon создана на основе Carbon, что прямо указано в технической документации Google DeepMind. Компания рассчитывает использовать такую специализацию для распределения задач между разными моделями в рамках единой агентной системы.
С 18 ноября Gemini 4 Neon начали внедрять в платный уровень Gemini API через Google AI Studio, инструменты Android Studio, корпоративные сервисы Gemini for business и платформу Google Antigravity. В обычном приложении Gemini модель доступна подписчикам Google AI Pro и Ultra через меню выбора нейросети. Доступность конкретных функций зависит от сервиса и тарифа. Для разработчиков главное изменение заключается в возможности поручать ИИ более продолжительные задачи с большим объёмом исходных материалов, сохраняя сравнительно высокие результаты программирования без перехода на самую дорогую модель семейства.