ModelBrief · Gemini 4 Neon · 专题
最后更新 2026-11-20
EN 简体 繁體

Gemini 4 Neon 基准测试全盘点:AA 61 分四档拆解、模型卡 18 项表与独立榜单

发布于 2026-11-19 · 最后更新 2026-11-19

Gemini 4 Neon 发布仅 1 天,分数已经不少——但要分两类看:AA、Vals、Agent Arena 是独立榜单;DeepMind 模型卡的 18 项对照表是 Google 自己的跑分。最值得记住的一句话是:headline 的 61 分需要最贵的 xhigh 档,默认 high 档是 60 分,与 Carbon 持平;中低档位 Neon 反而落后于 Carbon。下面逐项拆开。

AA 指数:四档分数与代价

Artificial Analysis 智能指数 v5.0.1 由 9 项评估构成(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 四档的分数与代价(AA 模型页,2026-11-19 读取):

思考档位AA 指数每指数任务耗时首个答案 token一轮指数输出 tokens
xhigh(最高档)61,第三21.5 分钟56.51 秒283M
high(默认档)6014.8 分钟40.64 秒123M
medium558.3 分钟20.14 秒62.9M
low443.7 分钟13.93 秒28.3M

三点值得注意。第一,xhigh 比 high 只高 1 分,却多花 2.3 倍输出 token、慢 45%——为 1 分付 2.3 倍 token 是全表最差的性价比。第二,AA 明确指出,xhigh 档在同价位模型里「属于最慢的一档」(中位每任务 12.4 分钟、首个答案 token 中位 13.08 秒),Neon 的 21.5 分钟与 56.51 秒都远高于中位——「快速完成任务」是 Google 对相对 Carbon 的说法,不是绝对速度。第三,中低档位的对比会颠覆第一印象:Carbon 的 medium 档是 58.3 分、low 档 54 分,都高于 Neon 的 medium 55 分与 low 44 分。也就是说,Neon 的领先只存在于最高两档;日常用 medium 或 low 档的用户,Carbon 的分数反而更高。

独立榜单:编码、法律与 Agent 三个第一/第二

除综合指数外,Neon 在三个独立榜单上有名次。AA 编码智能体指数 58.6 分第一——这是 Neon 最硬的一块招牌,也是 Google 博客着力宣传的点;但要注意,该指数的构成 AA 模型页在本轮没有单独核对,引用时以 Google 博客口径为准。Vals 指数 70.9% 第二、落在帕累托前沿,同时法律研究基准与税务智能体基准双双第一——企业知识工作是 Neon 的强项。Agent Arena 指数 1336 分第二(4,200+ 真实智能体会话),可控性(steerability,适应任务中途的用户纠正)单项也是第二。LMArena Text 榜快照(经 kingy.ai,11 月 18 日):Neon High 1518 ±10 分第三,3,885 票,排名区间 1–5;对照 Carbon High 1526、Argon High 1521——票数还很少,分数还会动。Surge AI 的金融、会计、电子表格与复杂约束跟踪多数基准第一,则是 Google 博客对 Surge 结果的转述,原始榜单本轮未直读。

模型卡 18 项表:Google 自报,15 胜 3 负

DeepMind 模型卡的对照表拿 Neon 对比 Claude Opus 5.5 与 GPT-6.2 Sol,18 项中 Neon 领先 15 项。领先幅度最大的几项:GraphWalks 256K–1M(95.2% 对 Opus 的 66.8%)、SWE-sweep(Provider harness 39.0% 对 10.1%)、AutomationBench(56.3% 对 42.5%)、CursorBench 4.1(65.4% 对 58.1%)。但有 3 项 Neon 输了:Terminal-Bench 4.1(65.2% 对 Opus 的 65.8%)、FrontierCode 2.0(46.2% 对 47.3%)、Chartography(73.5% 对 Sol 的 75.1%)——恰好是编码 Agent 领域最受关注的两项(Terminal-Bench 与 FrontierCode)里 Neon 都输给 Opus 5.5 一点点,这与「编码智能体指数第一」的 headline 放在一起看才完整。

最大的 caveat 是 SWE-sweep 的两个 harness 口径:Provider harness(Google Antigravity 环境)39.0%,mini-SWE harness(第三方共享环境)只有 12.8%。同一个模型、同一个基准,换个 harness 分数差 3 倍。Agentic Commons 在发布当天的分析里专门点了这一点:「harness 的影响绝非小事」。引用 SWE-sweep 时必须注明 harness,否则就是误导。另注意:模型卡对照表是 Google 自己的跑分,对手数字取自对方报告而非同场运行。

安全与诚实数字:全部是 Google 内部测量

模型卡还给出一组安全与行为数字,全部来自 Google 内部评估(非独立验证):Antigravity 内部测试中「迄今最低的编造率」;Terminal-Bench 4.0 作弊率 0.0%(与 Carbon 持平);编码作弊评估中走捷径率 2.45%(Gemini 4 家族最低);错位行为率 0.09%;智能体诚实度 99.2%;Gray Swan 间接提示注入基准在 xhigh 档下攻击成功率 0.0%;拒绝率方面,Terminal-Bench 4.0 上仅拒绝 1.98% 的任务、Terminal-Bench-Science 上 0%。这些数字的方向都很好,但都出自 Google 之手;完整的 Neon 安全与安保报告尚未发布(模型卡称「未来几天内」),能力判定目前沿用 Argon 的结论。

还没有的分数

LiveBench 2.0 尚无 Neon 条目;LMArena 的票数还很少;没有任何独立上手实测(Quantslant / 虎嗅式第三方测评尚未出现);中国大陆一线科技媒体也还没有深度报道。换句话说,Neon 的分数表目前由 3 个独立指数 + 1 张 Google 自报对照表构成,第三方实测一栏是空的。本站 8 小时跟踪将盯梢 LiveBench 首次收录、LMArena 分数稳定后的读数与第一批独立实测。

本站结论:Neon 的分数是真实的,但 headline 需要拆开读:61 分是 xhigh 档的分数,默认档 60 分与 Carbon 持平,中低档落后于 Carbon;编码智能体指数第一是真招牌,但 Terminal-Bench 4.1 与 FrontierCode 2.0 上它都输给 Opus 5.5 一点点;SWE-sweep 的 39.0% 必须注明是 Antigravity harness 口径,第三方 harness 只有 12.8%。先看档位、再看 harness、最后看排名——这就是读 Neon 分数的正确顺序。

参考来源:本文为本站原创改写与整理,事实与数据核对自 Artificial Analysis 模型页(2026-11-19 读取)、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 专题