Gemini 4 Neon: что умеет модель, где доступна и сколько стоит

Профиль Gemini 4 Neon: заявленные Google возможности для программирования, аналитики и науки, каналы доступа, цена API и ограничения опубликованных бенчмарков.

Gemini 4 Neon: что умеет модель, где доступна и сколько стоит. Тематическая карточка Comrad404.

18 ноября 2026 года Google объявила Gemini 4 Neon — модель для сложной разработки программного обеспечения, интеллектуальной работы и научных задач. Компания описывает её как инструмент для многошаговых процессов, в которых нужно работать с файлами, таблицами, документами и внешними инструментами. Ниже разобраны заявленные возможности модели, практические сценарии, каналы доступа, цена и результаты бенчмарков. Оценки производительности принадлежат Google; независимых тестов редакции в доступных материалах нет.

Схема: 18 ноября 2026 года Google объявила Gemini 4 Neon — модель для сложной разработки программного обеспечения, интеллектуальной работы и научных задач.; Эти условия описывают заявленные Google каналы на дату публикации и не подтверждают доступность модели для каждого аккаунта или во всех странах.; В задачах работы со знаниями Google сообщает второе место на Vals Index с результатом 70,9%, а также первые места на Legal Research Bench и Tax Agent Bench.
Основные элементы, разобранные в статье.

Что Google выпустила и кому может пригодиться Gemini 4 Neon

В официальной публикации от 18 ноября Google представляет Gemini 4 Neon как универсальную модель для трёх направлений: разработки ПО, работы со знаниями и научных задач. Это дата анонса и начала развёртывания, о которых сообщает компания. Предоставленный материал не указывает дату более раннего preview, поэтому продолжительность предварительного доступа установить нельзя. Источник: Google DeepMind, Introducing Gemini 4 Neon.

Модель рассчитана не только на ответы в одном запросе. Google описывает длительные рабочие процессы, где Neon последовательно использует инструменты, анализирует набор материалов и сохраняет ход работы в продолжительной сессии. Такой подход может быть полезен разработчику, которому нужно разобрать репозиторий и подготовить изменения в нескольких файлах, аналитику, собирающему выводы из документов и таблиц, или исследователю, сопоставляющему публикации, данные и графики.

Это описание сценариев производителя, а не результат самостоятельного запуска модели редакцией. Пригодность Neon для конкретной задачи будет зависеть от качества исходных данных, подключённых инструментов, настроек и проверки результата человеком.

Большой контекст, мультимодальный ввод и агентные процессы

Google заявляет для Gemini 4 Neon контекстное окно объёмом до 1 миллиона токенов. В одном рабочем контексте модель, по описанию компании, может синтезировать таблицы, PDF-файлы, графики, аудио и видео и преобразовывать эти материалы в структурированные результаты. Практический пример — подготовка сводки по большому архиву документов и записей, где нужные сведения распределены между несколькими форматами.

Размер контекста не означает автоматической безошибочности. Модель может неверно извлечь факт, пропустить важную деталь или не разрешить противоречие между двумя документами. Поэтому длинный контекст расширяет объём доступных материалов, но не заменяет проверку ссылок, расчётов и исходных данных.

Для программирования Google описывает длительные агентные процессы с использованием инструментов. Neon может работать самостоятельно или выступать оркестратором параллельных Hydrogen-субагентов в Google Antigravity. Компания также заявляет сокращение повторного чтения файлов, обмен прогрессом и работу с уплотнением контекста в длинных сессиях.

На практике это даёт основу для разделения сложной задачи на этапы: один процесс может анализировать структуру проекта, другой — искать связанные файлы, а итоговый агент — собирать изменения. Однако само наличие оркестрации не гарантирует корректного результата: изменения в коде, команды инструментов и итоговые выводы необходимо проверять отдельно.

Где доступна Gemini 4 Neon и как рассчитывается цена

Согласно анонсу Google, развёртывание началось в Gemini API через Google AI Studio и в Gemini for business — через API и выбор модели в интерфейсе. Для платных подписчиков Google AI Pro и Ultra Neon указана в Google Antigravity, а для подписчиков Pro и Ultra — в приложении Gemini. Эти условия описывают заявленные Google каналы на дату публикации и не подтверждают доступность модели для каждого аккаунта или во всех странах.

Google указывает цену 3 доллара за миллион входных токенов, 0,15 доллара за миллион кешированных входных токенов и 15 долларов за миллион выходных токенов. Компания называет кешированный ввод скидкой 95% относительно обычной цены входа. Итоговая стоимость зависит от объёма входных и выходных данных и от доли входа, которая учитывается как кешированная.

Из этих тарифов нельзя вывести универсальную стоимость одного рабочего процесса без знания его нагрузки. Длинный анализ документов может потребовать большого числа входных токенов, а агентная задача — дополнительных выходных токенов и обращений к инструментам. Поэтому перед использованием в приложении потребуется оценить типичный объём запросов и отдельно учесть, какая часть входных данных будет повторно использоваться из кеша. Цены и перечисленные каналы доступа приведены в анонсе Google.

Бенчмарки: какие результаты приводит Google

Google приводит результаты на наборах тестов, измеряющих разные способности модели. На Artificial Analysis Intelligence Index компания указывает 61 балл и третье место в целом при уровне рассуждений xhigh. На Artificial Analysis Coding Agent Index Neon, по данным Google, заняла первое место с результатом 58,6. Для Terminal-Bench 4.1 приведено 65,2%, а для FrontierCode 2.0 — 46,2% при настройке high.

В задачах работы со знаниями Google сообщает второе место на Vals Index с результатом 70,9%, а также первые места на Legal Research Bench и Tax Agent Bench. В публикации также указаны 73,5% на Chartography и 75,8% на Agents’ Last Exam v1.1. Для научных и технических задач компания приводит 70,5% на Terminal-Bench Science, 84,0% на RiemannBench и 71,3% на HLE-Diamond.

Эти числа нельзя свести к одной универсальной шкале качества: каждый тест проверяет свой набор задач, а места в рейтинге зависят от состава участников и условий измерения. Кроме того, приведённые результаты опубликованы производителем. В доступных материалах недостаточно сведений о методике, чтобы независимо воспроизвести все показатели или полноценно оценить сопоставимость наборов.

Отдельно Google сообщает о SWE-sweep: 12,8% на mini-SWE harness и 39,0% в собственном окружении Google Antigravity. Эти значения получены в разных окружениях, поэтому их нельзя трактовать как прямое сравнение одной и той же модели при неизменных условиях. Приведённые рейтинги показывают, какие результаты Google заявляет для Neon, но не гарантируют аналогичную эффективность в конкретном проекте.

Практические сценарии и ограничения профиля

Заявленный профиль Neon особенно ориентирован на задачи, где нужно объединять большой объём разнородной информации или выполнять последовательность действий. В разработке это может быть многофайловая отладка, рефакторинг и работа с репозиторием. В аналитике — сводка по таблицам, PDF-файлам, графикам и записям. В исследовательской работе — структурирование материалов и сопоставление данных из разных источников.

API подойдёт для встраивания модели в собственные приложения, а Google AI Studio, Antigravity и приложение Gemini дают перечисленные компанией интерфейсы для работы с моделью. Выбор канала зависит от того, нужен ли программный доступ, агентная среда или пользовательский интерфейс с подпиской. Условия доступа и цена относятся к описанию Google на дату анонса и могут зависеть от аккаунта и региона.

Главное ограничение оценки — отсутствие независимого тестирования в предоставленных материалах. Даже заявленные 1 миллион токенов контекста не доказывают безошибочную обработку длинных архивов, а высокие места в рейтингах не заменяют проверку на данных конкретной организации. Код, юридические выводы, научные результаты и расчёты следует сверять с исходными материалами и независимыми критериями, особенно когда ошибка может привести к финансовому, правовому или техническому ущербу.