ModelBrief · Gemini 4 Neon · 專題
最後更新 2026-11-20
EN 简体 繁體

Gemini 4 Neon 基準測試全盤點:AA 61 分四檔拆解、模型卡 18 項表與獨立榜單

發佈於 2026-11-19 · 最後更新 2026-11-19

Gemini 4 Neon 發佈僅 1 天,分數已經不少——但要分兩類看:AA、Vals、Agent Arena 是獨立榜單;DeepMind 模型卡的 18 項對照表是 Google 自己的跑分。最值得記住的一句話是:headline 的 61 分需要最貴的 xhigh 檔,默認 high 檔是 60 分,與 Carbon 持平;中低檔位 Neon 反而落後於 Carbon。下面逐項拆開。

AA 指數:四檔分數與代價

Artificial Analysis 智能指數 v5.0.1 由 9 項評估構成(AA-Briefcase、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience、GDP.pdf、HLE-Diamond、CritPt v2、Terminal-Bench-Science 0.1)。Neon 四檔的分數與代價(AA 模型頁,2026-11-19 讀取):

思考檔位AA 指數每指數任務耗時首個答案 token一輪指數輸出 tokens
xhigh(最高檔)61,第三21.5 分鐘56.51 秒283M
high(默認檔)6014.8 分鐘40.64 秒123M
medium558.3 分鐘20.14 秒62.9M
low443.7 分鐘13.93 秒28.3M

三點值得注意。第一,xhigh 比 high 只高 1 分,卻多花 2.3 倍輸出 token、慢 45%——爲 1 分付 2.3 倍 token 是全表最差的性價比。第二,AA 明確指出,xhigh 檔在同價位模型裏「屬於最慢的一檔」(中位每任務 12.4 分鐘、首個答案 token 中位 13.08 秒),Neon 的 21.5 分鐘與 56.51 秒都遠高於中位——「快速完成任務」是 Google 對相對 Carbon 的說法,不是絕對速度。第三,中低檔位的對比會顛覆第一印象:Carbon 的 medium 檔是 58.3 分、low 檔 54 分,都高於 Neon 的 medium 55 分與 low 44 分。也就是說,Neon 的領先只存在於最高兩檔;日常用 medium 或 low 檔的用戶,Carbon 的分數反而更高。

獨立榜單:編碼、法律與 Agent 三個第一/第二

除綜合指數外,Neon 在三個獨立榜單上有名次。AA 編碼智能體指數 58.6 分第一——這是 Neon 最硬的一塊招牌,也是 Google 博客着力宣傳的點;但要注意,該指數的構成 AA 模型頁在本輪沒有單獨覈對,引用時以 Google 博客口徑爲準。Vals 指數 70.9% 第二、落在帕累託前沿,同時法律研究基準與稅務智能體基準雙雙第一——企業知識工作是 Neon 的強項。Agent Arena 指數 1336 分第二(4,200+ 真實智能體會話),可控性(steerability,適應任務中途的用戶糾正)單項也是第二。LMArena Text 榜快照(經 kingy.ai,11 月 18 日):Neon High 1518 ±10 分第三,3,885 票,排名區間 1–5;對照 Carbon High 1526、Argon High 1521——票數還很少,分數還會動。Surge AI 的金融、會計、電子表格與複雜約束跟蹤多數基準第一,則是 Google 博客對 Surge 結果的轉述,原始榜單本輪未直讀。

模型卡 18 項表:Google 自報,15 勝 3 負

DeepMind 模型卡的對照表拿 Neon 對比 Claude Opus 5.5 與 GPT-6.2 Sol,18 項中 Neon 領先 15 項。領先幅度最大的幾項:GraphWalks 256K–1M(95.2% 對 Opus 的 66.8%)、SWE-sweep(Provider harness 39.0% 對 10.1%)、AutomationBench(56.3% 對 42.5%)、CursorBench 4.1(65.4% 對 58.1%)。但有 3 項 Neon 輸了:Terminal-Bench 4.1(65.2% 對 Opus 的 65.8%)、FrontierCode 2.0(46.2% 對 47.3%)、Chartography(73.5% 對 Sol 的 75.1%)——恰好是編碼 Agent 領域最受關注的兩項(Terminal-Bench 與 FrontierCode)裏 Neon 都輸給 Opus 5.5 一點點,這與「編碼智能體指數第一」的 headline 放在一起看才完整。

最大的 caveat 是 SWE-sweep 的兩個 harness 口徑:Provider harness(Google Antigravity 環境)39.0%,mini-SWE harness(第三方共享環境)只有 12.8%。同一個模型、同一個基準,換個 harness 分數差 3 倍。Agentic Commons 在發佈當天的分析裏專門點了這一點:「harness 的影響絕非小事」。引用 SWE-sweep 時必須註明 harness,否則就是誤導。另注意:模型卡對照表是 Google 自己的跑分,對手數字取自對方報告而非同場運行。

安全與誠實數字:全部是 Google 內部測量

模型卡還給出一組安全與行爲數字,全部來自 Google 內部評估(非獨立驗證):Antigravity 內部測試中「迄今最低的編造率」;Terminal-Bench 4.0 作弊率 0.0%(與 Carbon 持平);編碼作弊評估中走捷徑率 2.45%(Gemini 4 家族最低);錯位行爲率 0.09%;智能體誠實度 99.2%;Gray Swan 間接提示注入基準在 xhigh 檔下攻擊成功率 0.0%;拒絕率方面,Terminal-Bench 4.0 上僅拒絕 1.98% 的任務、Terminal-Bench-Science 上 0%。這些數字的方向都很好,但都出自 Google 之手;完整的 Neon 安全與安保報告尚未發佈(模型卡稱「未來幾天內」),能力判定目前沿用 Argon 的結論。

還沒有的分數

LiveBench 2.0 尚無 Neon 條目;LMArena 的票數還很少;沒有任何獨立上手實測(Quantslant / 虎嗅式第三方測評尚未出現);中國大陸一線科技媒體也還沒有深度報道。換句話說,Neon 的分數表目前由 3 個獨立指數 + 1 張 Google 自報對照表構成,第三方實測一欄是空的。本站 8 小時跟蹤將盯梢 LiveBench 首次收錄、LMArena 分數穩定後的讀數與第一批獨立實測。

本站結論:Neon 的分數是真實的,但 headline 需要拆開讀:61 分是 xhigh 檔的分數,默認檔 60 分與 Carbon 持平,中低檔落後於 Carbon;編碼智能體指數第一是真招牌,但 Terminal-Bench 4.1 與 FrontierCode 2.0 上它都輸給 Opus 5.5 一點點;SWE-sweep 的 39.0% 必須註明是 Antigravity harness 口徑,第三方 harness 只有 12.8%。先看檔位、再看 harness、最後看排名——這就是讀 Neon 分數的正確順序。

參考來源:本文爲本站原創改寫與整理,事實與數據覈對自 Artificial Analysis 模型頁(2026-11-19 讀取)、DeepMind 模型卡(2026-11-18)、Google 官方博客(2026-11-18)、kingy.ai LMArena 快照(2026-11-18)

← 返回 Gemini 4 Neon 專題