Google DeepMind、迅速な反復サイクルで「Gemini 4 Neon」をリリース
Google DeepMindは、7週間で4番目のモデルとなる「Gemini 4 Neon」を発表しました。競争力のあるベンチマークスコアと開発者向けの新しい統合機能を備えたミッドティアのオプションを提供します。
英語の原文から自動翻訳されました。
Google DeepMindが「Gemini 4 Neon」をリリースし、約7週間でGemini 4シリーズの第4世代モデルが登場しました。このリリースは、コストとパフォーマンスのバランスを目指すミッドティアモデルを導入するもので、AnthropicのIPO価格設定やPalo Alto Networksによる大型買収など、業界の大きな動きと同時に発表されました。
何が起きたか
「Gemini 4 Neon」のリリースは、Argon、Carbon、Hydrogenといった先行モデルに続き、Google DeepMindの急速な展開ペースを示しています。命名規則は原子量から離れており、Neonは技術的にCarbonより小さいにもかかわらず、蒸留(distillation)と強化学習の手法により特定のベンチマークで上回る性能を発揮しています。わずか6週間前にリリースされたArgonはすでに廃止され、ProやFlashなどの旧世代のレガシーモデルもアクティブなラインナップからは外れています。
Neonの価格は、入力トークン100万あたり3ドル、キャッシュ済み入力は0.15ドル、出力トークン100万あたり15ドルです。100万トークンのコンテキストウィンドウをサポートし、4つの異なるエフォートレベル(処理負荷レベル)を提供します。このモデルは、AI StudioおよびAndroid Studio経由の有料Gemini API、ならびにビジネス向けGeminiへ展開されています。Antigravity ProおよびUltraのサブスクライバーは即座にアクセスでき、標準的なGeminiアプリのユーザーは「詳細分析(Deeper analysis)」タスク用に選択できます。
主要な開発者ツールでは初日からNeonが統合されています。Cursor、GitHub Copilot(各種インターフェースを含む)、そしてLangChain Managed Deep Agentsがこのモデルをサポートしています。この即時の利用可能性は、実験的なスタンドアロンリリースとしてではなく、既存のエンジニアリングワークフローへの組み込みを重視した戦略的なプッシュを示唆しています。
仕組み
「Gemini 4 Neon」は、先行モデルであるCarbonよりも小型でありながら、高度な蒸留と強化学習を活用して高い性能を実現しています。蒸留とは、より大きな教師モデルの挙動を模倣するように小さな学生モデルを訓練するプロセスであり、推論速度の向上とコスト削減を図りつつ、多くの推論能力を維持することを可能にします。強化学習は、人間または自動フィードバックに基づいてモデルの出力をさらに洗練させ、制御性(steerability)と精度を向上させます。
このモデルは4つのエフォートレベルで動作し、ユーザーは速度と推論の深さの間でトレードオフを選択できます。高いエフォートレベルでは、モデルはより広範な内部チェックと検索プロセスを実行するため、レイテンシは増加しますが、複雑なタスクにおける精度は向上します。この柔軟性により、開発者はクイックなコード補完から深い分析タスクまで、クエリの種類に応じて適切な設定を選択できます。
独立系のベンチマークはその能力を浮き彫りにしています。「Intelligence Index」では、高エフォートレベルでCarbonのスコア60に匹敵し、タスクあたり3.74ドルのコストでした。「Agent Arena」では、約4,200セッションで1,336ポイントを獲得し、2位でデビューを果たし、優れた制御性を示しました。しかし、別の「Text Arena」ではCarbonに劣後しており、エージェントベースのインタラクションでは優れているものの、純粋なテキスト生成では依然として大規模モデルが有利であることを示唆しています。
主要な詳細
- 価格: 入力はトークン100万あたり3ドル、キャッシュ済み入力は0.15ドル、出力はトークン100万あたり15ドル。
- コンテキストウィンドウ: 最大100万トークンをサポート。Valsによると、最大出力制限も100万トークン。
- ベンチマーク性能: Vals Indexで70.9%のスコアを記録し、Fable 5.2に次ぐ2位となったが、タスクあたりのコストは半分以下。
- コード移行: コード移行タスクでは平均160ターンを要し、Carbonの234ターンやHydrogenの574ターンより少なかったが、精度は両者より低かった。
- 制御性: 初期テストでは、ターミナルコマンドの使用を避けるという指示に従い、指示された際にシェルコマンドをゼロ回実行した。
- リリース間隔: 最近のリリース間のギャップは短縮されており、HydrogenとNeonの間隔はわずか6日間だった。
なぜ重要なのか
ソフトウェアエンジニアやテクニカルリードにとって、「Gemini 4 Neon」の迅速なリリースサイクルと競争力のある価格は、日常のコーディングや分析タスクに対する現実的な代替案を提供します。特定のベンチマークでCarbonのパフォーマンスを低いコストで同等に実現できる能力は、大量処理アプリケーションにとって魅力的な選択肢となります。エージェントアリーナでの強い実績は、制御性とコスト効率性が重要な自律型ワークフローに適していることを示唆しています。
GitHub CopilotやCursorといった主要ツールとの統合により、開発者は既存の環境を変更することなくNeonを採用できます。これにより摩擦が減り、チームは実世界のシナリオで新モデルの能力を試すことができます。ただし、初期テストで見られた容量エラーやスタールーン(停止)は、初期ロールアウト段階においてインフラの安定性が依然として懸念事項であることを示しています。
AnthropicのIPOやPalo Alto NetworksによるApplied Computeの買収など、より広い業界の文脈は、AIインフラの商業化が進んでいることを強調しています。モデルがコモディティ化するにつれ、焦点は統合、信頼性、コスト効率に移っています。「Gemini 4 Neon」はこの方向性への一歩を表しており、トップティアモデルのプレミアム価格なしで堅牢なパフォーマンスを必要とする開発者に対してバランスの取れたオプションを提供します。
できること
- AI StudioまたはAndroid Studioで「Gemini 4 Neon」をテストし、特定のユースケースでのパフォーマンスを評価してください。
- アプリケーション内のエフォートレベルを設定し、タスクの複雑さに基づいて速度と精度のバランスを取ってください。
- CursorやGitHub Copilotとモデルを統合し、既存の開発ワークフロー内でその能力を活用してください。
- 初期使用時の容量とエラー率を監視し、本番環境での潜在的な安定性の問題を特定してください。
- Fable 5.2などの他のミッドティアモデルと比較してコストを検討し、ワークロードに最も経済的なオプションを決定してください。
- ターミナルアクセスの無効化など、ツール使用に対する厳格な制約を設定することで、制御性機能を探求し、安全な運用を確保してください。



