Actualités IA

Google DeepMind lance Gemini 4 Neon avec un cycle d'itération rapide

Google DeepMind a lancé Gemini 4 Neon, son quatrième modèle en sept semaines, offrant une option de milieu de gamme avec des scores de benchmark compétitifs et de nouvelles intégrations pour les développeurs.

Un circuit cérébral néon sur des racks de serveurs représentant Gemini 4 Neon
Illustration générée pour cet article

Traduit automatiquement depuis l'original anglais.

Google DeepMind a publié Gemini 4 Neon, marquant la quatrième itération de sa série Gemini 4 en environ sept semaines. Ce lancement introduit un modèle de milieu de gamme visant à équilibrer coût et performance, arrivant parallèlement à des mouvements industriels majeurs, notamment la valorisation de l'introduction en bourse d'Anthropic et une acquisition importante par Palo Alto Networks.

Ce qui s'est passé

La sortie de Gemini 4 Neon poursuit le rythme soutenu de Google DeepMind, après les modèles précédents Argon, Carbon et Hydrogen. La convention de nommage s'est éloignée des poids atomiques, car Neon est techniquement plus petit que Carbon mais surpasse ce dernier dans certains benchmarks grâce aux techniques de distillation et d'apprentissage par renforcement. Argon, sorti il y a seulement six semaines, est déjà retiré, et les modèles hérités comme Pro et Flash des générations précédentes ne font plus partie de la gamme active.

Neon est facturé à 3 $ par million de tokens d'entrée, 0,15 $ pour l'entrée mise en cache et 15 $ par million de tokens de sortie. Il prend en charge une fenêtre de contexte d'un million de tokens et offre quatre niveaux d'effort distincts. Le modèle est déployé sur l'API Gemini payante via AI Studio et Android Studio, ainsi que sur Gemini for Business. Les abonnés Antigravity Pro et Ultra y ont accès immédiatement, et les utilisateurs de l'application Gemini standard peuvent le sélectionner pour les tâches d'« Analyse approfondie ».

Les principaux outils de développement ont intégré Neon dès le premier jour. Cursor, GitHub Copilot à travers ses différentes interfaces, et LangChain Managed Deep Agents prennent désormais en charge le modèle. Cette disponibilité immédiate suggère une poussée stratégique pour intégrer le modèle dans les flux de travail d'ingénierie existants plutôt que de le traiter comme une version expérimentale autonome.

Comment cela fonctionne

Gemini 4 Neon exploite des techniques avancées de distillation et d'apprentissage par renforcement pour atteindre des performances élevées malgré sa taille inférieure à celle de son prédécesseur, Carbon. La distillation consiste à entraîner un petit modèle étudiant pour imiter le comportement d'un grand modèle enseignant, permettant une inférence plus rapide et des coûts réduits tout en conservant une grande partie de la capacité de raisonnement. L'apprentissage par renforcement affine davantage les sorties du modèle en fonction des retours humains ou automatisés, améliorant la pilotabilité et la précision.

Le modèle fonctionne avec quatre niveaux d'effort, permettant aux utilisateurs de faire des compromis entre vitesse et profondeur de raisonnement. À des niveaux d'effort plus élevés, le modèle effectue des vérifications internes et des processus de recherche plus étendus, ce qui augmente la latence mais améliore la précision sur les tâches complexes. Cette flexibilité permet aux développeurs de choisir le réglage approprié pour différents types de requêtes, allant des complétions de code rapides aux tâches analytiques profondes.

Les benchmarks indépendants mettent en évidence ses capacités. Sur l'Intelligence Index, Neon a égalé le score de Carbon de 60 à effort élevé, pour un coût de 3,74 $ par tâche. Dans l'Agent Arena, il a fait ses débuts à la deuxième place avec 1 336 points sur environ 4 200 sessions, démontrant une forte pilotabilité. Cependant, il reste derrière Carbon dans la Text Arena séparée, indiquant que bien qu'il excelle dans les interactions basées sur des agents, la génération pure de texte peut encore favoriser les modèles plus grands.

Détails clés

  • Tarification : L'entrée coûte 3 $ par million de tokens, l'entrée mise en cache est de 0,15 $, et la sortie est de 15 $ par million de tokens.
  • Fenêtre de contexte : Prend en charge jusqu'à un million de tokens, avec Vals signalant une limite maximale de sortie d'un million de tokens.
  • Performance de benchmark : A obtenu un score de 70,9 % sur le Vals Index, se classant deuxième derrière Fable 5.2 mais à moins de la moitié du coût par tâche.
  • Migration de code : Moyenne de 160 tours pour les tâches de migration de code, moins que les 234 de Carbon ou les 574 d'Hydrogen, bien qu'il ait obtenu un score inférieur aux deux en termes de précision.
  • Pilotabilité : Lors des premiers tests, le modèle a respecté les instructions visant à éviter les commandes de terminal, exécutant zéro commande shell lorsqu'instruit.
  • Cadence de sortie : L'écart entre les sorties récentes s'est réduit, avec seulement six jours entre Hydrogen et Neon.

Pourquoi c'est important

Pour les ingénieurs logiciels et les responsables techniques, le cycle de sortie rapide et la tarification compétitive de Gemini 4 Neon offrent une alternative viable pour les tâches quotidiennes de codage et d'analyse. La capacité à égaler les performances de Carbon sur certains benchmarks à un coût inférieur en fait une option attrayante pour les applications à fort volume. Sa solide performance dans les arènes d'agents suggère qu'il est bien adapté aux flux de travail autonomes où la pilotabilité et l'efficacité des coûts sont critiques.

L'intégration avec des outils majeurs comme GitHub Copilot et Cursor signifie que les développeurs peuvent adopter Neon sans changer leurs environnements existants. Cela réduit la friction et permet aux équipes d'expérimenter les capacités du nouveau modèle dans des scénarios réels. Cependant, la présence d'erreurs de capacité et de exécutions bloquées lors des premiers tests indique que la stabilité de l'infrastructure peut encore être préoccupante pendant la phase initiale de déploiement.

Le contexte industriel plus large, incluant l'IPO d'Anthropic et l'acquisition d'Applied Compute par Palo Alto Networks, souligne la commercialisation croissante de l'infrastructure IA. À mesure que les modèles deviennent plus commodités, l'accent se déplace vers l'intégration, la fiabilité et l'efficacité économique. Gemini 4 Neon représente un pas dans cette direction, fournissant une option équilibrée pour les développeurs ayant besoin de performances robustes sans le prix premium des modèles haut de gamme.

Ce que vous pouvez faire

  • Testez Gemini 4 Neon dans AI Studio ou Android Studio pour évaluer ses performances sur vos cas d'utilisation spécifiques.
  • Configurez les niveaux d'effort dans vos applications pour équilibrer la vitesse et la précision en fonction de la complexité de la tâche.
  • Intégrez le modèle avec Cursor ou GitHub Copilot pour tirer parti de ses capacités au sein de votre flux de travail de développement existant.
  • Surveillez les taux de capacité et d'erreur lors de l'utilisation initiale pour identifier d'éventuels problèmes de stabilité dans votre environnement de production.
  • Comparez les coûts avec d'autres modèles de milieu de gamme comme Fable 5.2 afin de déterminer l'option la plus économique pour votre charge de travail.
  • Explorez ses fonctionnalités de pilotabilité en définissant des contraintes strictes sur l'utilisation des outils, telles que la désactivation de l'accès au terminal, pour garantir un fonctionnement sûr.
  • #google deepmind
  • #gemini 4 neon
  • #ai models
  • #developer tools
  • #benchmarking

Outils de la Boutique Bytechap

Continuer la lecture

Tous les articles