Google DeepMind veröffentlicht Gemini 4 Neon mit schnellem Iterationszyklus
Google DeepMind hat Gemini 4 Neon vorgestellt, das vierte Modell innerhalb von sieben Wochen. Es bietet eine Mittelklasse-Option mit wettbewerbsfähigen Benchmark-Ergebnissen und neuen Integrationen für Entwickler.
Automatisch aus dem englischen Original übersetzt.
Google DeepMind hat Gemini 4 Neon veröffentlicht. Dies markiert die vierte Iteration der Gemini-4-Serie in einem Zeitraum von etwa sieben Wochen. Das neue Modell ist eine Option im mittleren Segment, die Kosten und Leistung ausbalancieren soll. Die Veröffentlichung fällt zeitlich zusammen mit bedeutenden Branchenereignissen wie der Festlegung des IPO-Preises durch Anthropic und einer großen Übernahme durch Palo Alto Networks.
Was passiert ist
Die Veröffentlichung von Gemini 4 Neon setzt den schnellen Rhythmus von Google DeepMind fort, der auf die vorherigen Modelle Argon, Carbon und Hydrogen folgte. Die Namenskonvention hat sich von Atomgewichten gelöst, da Neon technisch kleiner als Carbon ist, aber aufgrund von Destillations- und Reinforcement-Learning-Techniken in bestimmten Benchmarks bessere Ergebnisse erzielt. Argon, das erst vor sechs Wochen veröffentlicht wurde, ist bereits eingestellt, und ältere Modelle wie Pro und Flash aus früheren Generationen gehören nicht mehr zum aktiven Portfolio.
Neon kostet 3 US-Dollar pro Million Eingabe-Tokens, 0,15 US-Dollar für gecachte Eingaben und 15 US-Dollar pro Million Ausgabe-Tokens. Das Modell unterstützt ein Kontextfenster von einer Million Tokens und bietet vier unterschiedliche Leistungsstufen (Effort Levels). Die Einführung erfolgt über die kostenpflichtige Gemini API via AI Studio und Android Studio sowie über Gemini for Business. Abonnenten von Antigravity Pro und Ultra haben sofortigen Zugriff, und Nutzer der Standard-Gemini-App können es für Aufgaben zur „Tieferen Analyse“ auswählen.
Wichtige Entwickler-Tools haben Neon am ersten Tag integriert. Cursor, GitHub Copilot über seine verschiedenen Schnittstellen hinweg und LangChain Managed Deep Agents unterstützen das Modell nun. Diese sofortige Verfügbarkeit deutet auf eine strategische Initiative hin, das Modell in bestehende Engineering-Workflows einzubetten, anstatt es als eigenständige experimentelle Veröffentlichung zu behandeln.
Wie es funktioniert
Gemini 4 Neon nutzt fortschrittliche Destillations- und Reinforcement-Learning-Verfahren, um hohe Leistung zu erzielen, obwohl es ein kleineres Modell als sein Vorgänger Carbon ist. Bei der Destillation wird ein kleineres Schülermodell darauf trainiert, das Verhalten eines größeren Lehrermodells nachzuahmen. Dies ermöglicht schnellere Inferenz und niedrigere Kosten, während ein Großteil der Reasoning-Fähigkeit erhalten bleibt. Reinforcement Learning verfeinert die Ausgaben des Modells weiter basierend auf menschlichem oder automatisiertem Feedback, was die Steuerbarkeit und Genauigkeit verbessert.
Das Modell arbeitet mit vier Leistungsstufen, die es Nutzern ermöglichen, einen Kompromiss zwischen Geschwindigkeit und Tiefe des Reasonings zu finden. Auf höheren Leistungsstufen führt das Modell umfangreichere interne Prüfungen und Suchprozesse durch, was die Latenz erhöht, aber die Genauigkeit bei komplexen Aufgaben verbessert. Diese Flexibilität ermöglicht es Entwicklern, die geeignete Einstellung für verschiedene Arten von Abfragen zu wählen, von schnellen Code-Vervollständigungen bis hin zu tiefgreifenden analytischen Aufgaben.
Unabhängige Benchmarks unterstreichen die Fähigkeiten des Modells. Im Intelligence Index erreichte Neon bei hoher Leistungsstufe denselben Punktestand wie Carbon (60), bei Kosten von 3,74 US-Dollar pro Aufgabe. In der Agent Arena debütierte es auf dem zweiten Platz mit 1.336 Punkten aus rund 4.200 Sitzungen, was eine starke Steuerbarkeit demonstriert. Allerdings liegt es hinter Carbon in der separaten Text Arena, was darauf hindeutet, dass es zwar in agentenbasierten Interaktionen glänzt, reine Textgenerierung jedoch möglicherweise weiterhin größere Modelle bevorzugt.
Wichtige Details
- Preisgestaltung: Eingaben kosten 3 US-Dollar pro Million Tokens, gecachte Eingaben 0,15 US-Dollar und Ausgaben 15 US-Dollar pro Million Tokens.
- Kontextfenster: Unterstützt bis zu einer Million Tokens, wobei Vals eine maximale Ausgabegrenze von einer Million Tokens meldet.
- Benchmark-Leistung: Erzielte 70,9 % im Vals Index, was den zweiten Platz hinter Fable 5.2 bedeutet, jedoch zu weniger als der Hälfte der Kosten pro Aufgabe.
- Code-Migration: Erforderte durchschnittlich 160 Schritte für Code-Migrationsaufgaben, weniger als Carbons 234 oder Hydrogens 574, obwohl die Genauigkeit niedriger war als bei beiden.
- Steuerbarkeit: In frühen Tests befolgte das Modell Anweisungen, Terminalbefehle zu vermeiden, und führte null Shell-Befehle aus, wenn dies angefordert wurde.
- Veröffentlichungsrythmus: Der Abstand zwischen den jüngsten Veröffentlichungen hat sich verkürzt; zwischen Hydrogen und Neon lagen nur sechs Tage.
Warum es wichtig ist
Für Software-Ingenieure und technische Leiter bieten der schnelle Veröffentlichungszyklus und die wettbewerbsfähige Preisgestaltung von Gemini 4 Neon eine praktikable Alternative für alltägliche Coding- und Analyseaufgaben. Die Fähigkeit, die Leistung von Carbon in bestimmten Benchmarks zu geringeren Kosten zu erreichen, macht es zu einer attraktiven Option für Anwendungen mit hohem Datenaufkommen. Das starke Abschneiden in Agent Arenas deutet darauf hin, dass es gut für autonome Workflows geeignet ist, in denen Steuerbarkeit und Kosteneffizienz kritisch sind.
Die Integration mit wichtigen Tools wie GitHub Copilot und Cursor bedeutet, dass Entwickler Neon übernehmen können, ohne ihre bestehenden Umgebungen zu ändern. Dies reduziert Reibungsverluste und ermöglicht es Teams, die Fähigkeiten des neuen Modells in realen Szenarien zu testen. Allerdings deuten Kapazitätsfehler und blockierte Läufe in frühen Tests darauf hin, dass die Infrastruktur-Stabilität während der anfänglichen Rollout-Phase weiterhin eine Sorge sein könnte.
Der breitere Industriekontext, einschließlich Anthropics IPO und der Übernahme von Applied Compute durch Palo Alto Networks, unterstreicht die zunehmende Kommerzialisierung der KI-Infrastruktur. Da Modelle zunehmend commoditisiert werden, verschiebt sich der Fokus auf Integration, Zuverlässigkeit und Kosteneffizienz. Gemini 4 Neon stellt einen Schritt in diese Richtung dar und bietet eine ausgewogene Option für Entwickler, die robuste Leistung ohne den Premium-Preis der Spitzenmodelle benötigen.
Was Sie tun können
- Testen Sie Gemini 4 Neon in AI Studio oder Android Studio, um die Leistung für Ihre spezifischen Anwendungsfälle zu bewerten.
- Konfigurieren Sie Leistungsstufen in Ihren Anwendungen, um Geschwindigkeit und Genauigkeit basierend auf der Aufgabenkomplexität auszubalancieren.
- Integrieren Sie das Modell mit Cursor oder GitHub Copilot, um dessen Fähigkeiten innerhalb Ihres bestehenden Entwicklungsworkflows zu nutzen.
- Überwachen Sie Kapazitäten und Fehlerraten während der frühen Nutzungsphase, um potenzielle Stabilitätsprobleme in Ihrer Produktionsumgebung zu identifizieren.
- Vergleichen Sie die Kosten mit anderen Mittelklasse-Modellen wie Fable 5.2, um die wirtschaftlichste Option für Ihre Workloads zu bestimmen.
- Erkunden Sie die Funktionen zur Steuerbarkeit, indem Sie strenge Einschränkungen für die Tool-Nutzung festlegen, wie z. B. das Deaktivieren des Terminalzugriffs, um einen sicheren Betrieb zu gewährleisten.



