Google lançon Gemini 4 Neon, me performancë në programim në nivelin e Opus 5.5, por me çmime 25% më të ulëta për tokenët e API-së

foto

Modeli i ri i gjuhës së gjerë të inteligjencës artificiale të nivelit të mesëm i Google është këtu: Gemini 4 Neon u lançua më herët sot në Gemini API-n me pagesë në Google AI Studio dhe Android Studio, si dhe në aplikacionin Gemini dhe platformën e zhvillimit të asistuar nga IA Google Antigravity për abonentët e Google AI Pro dhe Ultra.

foto

Në një surprizë të mirëpritur, Neon nuk është vetëm shumë performues dhe i shpejtë, por edhe i përballueshëm, veçanërisht krahasuar me modelet pronësore me rezultate të ngjashme.

foto

“Në vlerësimet tona të hershme, ai u barazua ose tejkaloi Gemini 4 Carbon në cilësi të përgjithshme me 3 herë më shumë shpejtësi dhe 60% të kostos”, tha Thai Tran, drejtuesi i produkteve të inteligjencës artificiale në Glean, në njoftimin e Google. Megjithatë, postimi i lançimit të Google nuk jep kohë absolute përfundimi në sekonda ose minuta për një ngarkesë pune të përputhur Neon dhe Carbon. Krahasimi i saj më i qartë në këtë masë vjen nga një klient.

Neon kushton 3 dollarë për milion tokena hyrëse dhe 15 dollarë për milion tokena dalëse. Kjo i bën çmimet kryesore 50% më të larta se ato të Claude Sonnet 5.5 të kategorisë së mesme të Anthropic dhe GPT-6.2 Sol të kategorisë së mesme të OpenAI, por Google raporton se Neon i tejkalon të dy në Indeksin e Inteligjencës së Analizës Artificiale në cilësimet e tij më të larta të arsyetimit.

Më mbresëlënëse është se Neon kushton 25% më pak se çmimet standarde prej 4 dhe 20 dollarësh të modelit kryesor Opus 5.5 të Anthropic, pavarësisht se shënoi rreth një pikë përqindjeje në dy teste inxhinierike.

Google dhe përdoruesit e hershëm nxjerrin në pah disa punë për Gemini 4 Neon: gjurmimin e një tarife të papritur nëpër të dhënat e faturimit, gjetjen e të metave në softuerë të panjohur, testimin e hipotezave kërkimore dhe ndërtimin e spreadsheet-eve që kolegët mund t’i inspektojnë dhe ndryshojnë. Këto detyra ndajnë një kërkesë që një pyetje e drejtpërdrejtë rrallë e bën për një model të IA-së. Neon duhet të ndjekë provat përmes disa hapave dhe të prodhojë diçka që një person tjetër mund ta përdorë, qoftë kjo identifikimin e një tarife të dyshimtë apo dorëzimin e një skedari funksional.

Merrni një mosmarrëveshje faturimi. Google sugjeron që t’i kërkohet Neon të shqyrtojë deklaratat e shërbimeve dhe të shpjegojë pse është rritur një tarifë. Në një shembull të lidhur, një klient mund t’i kërkojë atij të verifikojë faturat dhe të dhënat e tjera kur kërkon një rimbursim. Neon mund të shqyrtojë PDF-të, hyrjet në spreadsheet dhe fotografitë së bashku, në mënyrë që klienti t’i japë atij të dhënat origjinale pa i transkriptuar më parë të gjitha në një format të vetëm. Google i ofron këto si shembuj të asaj që klientët mund të provojnë. Nuk jep asnjë shkallë suksesi për zbulimin e gabimeve të faturimit ose rikuperimin e parave.

Zhvilluesit përshkruajnë një rol të ngjashëm për Neon kur trashëgojnë softuer. Përpara se një inxhinier të mund të rregullojë një defekt, dikush duhet të gjurmojë se si funksionon aplikacioni dhe ta ngushtojë kërkimin në kodin që mund ta shpjegojë atë. Themeluesja e Thoughtful Lab, Karina Nguyen, tha se Neon e ndihmoi ekipin e saj të kuptonte shpejt arkitekturat komplekse të softuerëve. Në vlerësimet e sigurisë së firmës, tha ajo, ajo gjithashtu vuri re dobësi delikate që modelet e tjera nuk i kishin vënë re. Bashkëthemeluesi dhe shkencëtari kryesor i Cartwheel, Andrew Carr, përshkroi përdorimin e Neon në kërkimin e të mësuarit automatik, ku shqyrtoi punën e mëparshme, testoi hipotezat dhe përfshiu reagimet ndërsa një eksperiment përparonte.

Një demonstrim i Google në Sheets ilustron se çfarë mund të prodhojë Neon kur detyra kërkon një artefakt funksional. Google i dha një grupi agjentësh Neon një imazh të vetëm. Agjentët e rindërtuan atë në 100,000 qeliza të spreadsheet-it dhe përdorën më shumë se 500,000 formula për të identifikuar skajet, thellësinë e hartës dhe për të ndryshuar ndriçimin. Ata e arritën këtë pa e futur figurën origjinale ose pa shkruar një skript. Detaji praktik për një përdorues biznesi është ajo që ndodh pas dorëzimit: një koleg mund ta hapë fletën, të inspektojë formulat dhe të ndryshojë pamjen e rezultatit.

Të marra së bashku, këto shembuj përbëjnë argumentin më të fortë për Neon në detyrat ku njerëzit mund të kontrollojnë punën e tij. Një klient mund të krahasojë shpjegimin e tij me faturën origjinale, një inxhinier mund të hetojë një defekt të sinjalizuar dhe një analist mund të ndjekë një formulë të spreadsheet-it deri te të dhënat e tij. Testet kokë më kokë të Google tregojnë gjithashtu pse ky shqyrtim ka rëndësi. Neon e kaloi GPT-6.2 Sol në automatizimin e biznesit, ndërsa Sol lexoi grafikë të dendur profesionalë më saktë. Një ekip që zgjedh një model për një raport javor mund të zbulojë se lëvizja e informacionit përmes disa aplikacioneve dhe leximi i saktë i figurës thelbësore janë dy punë të ndryshme.

Google e vendos Neonin midis Hydrogen-it, modelit të tij të vogël, të lehtë dhe të shpejtë, dhe Carbon-it, modelit që rekomandon për projektet e tij më të vështira dhe të gjata.

Kjo hierarki parashikon vetëm pjesërisht rezultatet. Në nivelin më të lartë, Neoni e kalon Karbonin në indeksin e inteligjencës së përgjithshme. Në detyrat profesionale të matura nga Vals, të tre modelet e Google përfundojnë brenda rreth 2.5 pikë përqindjeje nga njëri-tjetri.

Google ofron rezultatin Vals të Neon. Analiza Artificiale konfirmoi në X se Neon u rendit i treti në indeksin e inteligjencës.

Rezultatet e kolegëve vijnë nga tabela e renditjes së Analizës Artificiale dhe Indeksi Vals, pamja publike e të cilit daton para publikimit të Neon.

Cilësimet e arsyetimit zbatohen në kolonën Analiza Artificiale. Ofruesit i përcaktojnë këto cilësime veçmas, kështu që dy modele që funksionojnë me përpjekje maksimale mund të shpenzojnë sasi shumë të ndryshme kohe dhe parash për një pyetje.

Krahasimi i çmimeve ndryshon gjithashtu në varësi të kalendarit dhe ngarkesës së punës. Çmimi hyrës i Carbon e bën atë më të lirë për token sesa Neon deri në nëntor.

Duke filluar nga 1 dhjetori, normat e hyrjes dhe daljes së Neon janë 25% më të ulëta se normat e planifikuara të Carbon. Dhe sipas çmimeve afatgjatë të OpenAI , një kërkesë Sol që tejkalon 272,000 tokena hyrëse kushton 4 dollarë për milion tokena hyrëse dhe 15 dollarë për milion tokena dalëse për të gjithë kërkesën. Në atë gjatësi, Sol humbet avantazhin e saj kryesor të çmimit të daljes.

Vlerësimi i Vals kombinon detyrat e financës, softuerit, ligjore dhe tatimore, duke i peshuar sektorët sipas kontributit të tyre në ekonominë amerikane. Google e vendos Neon në vendin e dytë në përgjithësi me 70.9% dhe të parin si në kërkimin ligjor ashtu edhe në detyrat e agjentit tatimor.

Rezultati i përgjithshëm ka më pak rëndësi për një firmë ligjore sesa rezultati ligjor, por për një blerës që shqyrton departamente të ndryshme, rezultatet e publikuara japin pak arsye për të dalluar Neon nga Sonnet vetëm në saktësinë e përgjithshme.

Sol ofron një ofertë të ndryshme. Vals e liston Sol me 3.18 dollarë për test, kundrejt 16.18 dollarëve për Sonnet. Sol është pas Sonnet me gati pesë pikë përqindjeje, megjithatë të dy kanë çmime standarde identike të hyrjes dhe daljes në kontekst të shkurtër.

Dallimi ilustron se sa shumë sjellja e modelit gjatë një pune mund të ndryshojë koston e tij. Njoftimi i Google nuk jep një shifër ekuivalente të dollarit Vals për Neon, duke lënë të hapur një pjesë të rëndësishme të atij krahasimi trepalësh.

Sapo fillon të gjenerojë rezultate, Neon transmeton rreth 110 tokena në sekondë me xhigh, sipas leximit të ditës së lançimit nga gjurmuesi i benchmark-ut Priors .

Artificial Analysis e rendit Carbon me 59 tokena për sekondë në nivelin më të lartë, që është edhe cilësimi i tij më i lartë. Këto lexime e vendosin Neon rreth 51 tokena për sekondë përpara, ose afërsisht 1.9 herë më shpejt se shpejtësia e prodhimit të Carbon .

Kjo e vendos Neon-in afër Gemini 3.8 Flash me 116 token/sekondë në nivelin maksimal. Hidrogjeni ende ka avantazhin për prodhim të shpejtë në 167 në nivelin maksimal dhe 171 në nivelin xigh.

Një transmetim i shpejtë mund të kërkojë ende pak kohë për të filluar. Priors rendit rreth 57 sekonda deri në tokenin e parë për Neon në xhigh. Një zhvillues që pret një rregullim të depos duhet të japë llogari edhe për kohën që agjenti shpenzon duke lexuar skedarë, duke ekzekutuar teste dhe duke rishikuar patch-in e tij.

Google raporton veçmas një ulje prej 32% të kostos për detyrë krahasuar me Carbon në indeksin e Artificial Analysis në cilësimin e parazgjedhur të lartë të Neon. Në xhigh, ku Neon fitoi 61, Artificial Analysis raportoi se avantazhi i kostos u ngushtua në rreth 17% krahasuar me Carbon që funksiononte në nivel të lartë.

Në FrontierCode 2.0 të Cognition , i cili vlerëson ndryshimet e kodit sipas kritereve të përcaktuara nga recensentët, Google raporton 46.2% për Neon në nivelin më të lartë të parazgjedhur. Opus shënoi 47.3% në krahasimin e Google , një epërsi prej 1.1 pikësh.

Për kontekst, rezultatet e Analizës Artificiale të përpiluara nga The Aggregate e vendosin Sol në 44.38% dhe Sonnet në 41.7%, të dyja në maksimum. Këto shifra u japin zhvilluesve një ide të gamës konkurruese. Vlerësimet përdorin konfigurime të ndryshme, dhe rezultatet e vetë Google tregojnë se sa të rëndësishme mund të jenë këto.

Në një vlerësim të veçantë të kodimit të quajtur SWE-sweep, Google raporton 12.8% me softuerin mini-SWE agent dhe 39.0% me Antigravity. Modeli bazë mbeti i njëjtë.

Në Antigravity, Neon mund ta ndajë një projekt midis agjentëve të shumtë të Hidrogjenit që punojnë paralelisht. Për një ekip inxhinierik që përdor softuerin e vet të agjentëve, përhapja e trefishtë është një arsye më e fortë për të testuar Neon brenda atij mjedisi sesa çdo renditje e vetme në tabelën e renditjes.

“Është më i lirë, më i shpejtë dhe ka një performancë më të mirë se Carbon”, shkroi Varun Mohan në X ditën e lançimit, duke përshkruar përvojën e tij duke përdorur Neon brenda kompanisë.

Omar Sanseviero , Drejtues i Përvojës për Zhvilluesit në Google DeepMind, veçoi një pritje më të shkurtër për tokenin e parë, një ndryshim që një zhvillues mund ta ndiejë përpara se një agjent ta përfundojë punën.

Logan Kilpatrick, punonjës teknik i Google DeepMind, pranoi se Google po “argëtohej paksa shumë me emërtimin” dhe ndau një udhëzues me një dallim praktik për abonentët: Përdoruesit Pro mund të zgjedhin Neon në aplikacionin Gemini, ndërsa Carbon kërkon Ultra.

Jashtë Google, llogaria X @synthwavedd nxori në pah epërsinë e Neon ndaj Opus 5.5 dhe Sol në shumicën e rreshtave të grafikut të Google. “Jam i impresionuar DeepMind,” shkroi llogaria.

Postimi e përshkroi gjithashtu Neon si më të lirë se të dy rivalët, një pretendim që ka nevojë për një kualifikim për Sol duke pasur parasysh çmimet e tij më të ulëta standarde të token-ave. Grafiku mat performancën dhe krahasimet e kostove varen nga puna që kryejnë agjentët.

Grafiku i pikëve referuese i ndarë nga bashkëthemeluesi i DeepMind, Demis Hassabis, tregon se ku ky entuziazëm ka mbështetjen më të madhe. Në AutomationBench të Zapier, Neon shënoi 56.3%, kundrejt 42.5% për Opus dhe 41.3% për Sol.

Në Terminal-Bench Science, një test që një zëdhënës i Google e theksoi në një email drejtuar VentureBeat, Neon arriti 70.5%, përpara Sol me 68.0% dhe Opus me 63.3%. Renditja ndryshoi në detyra të tjera. Opus e kaloi Neon me 65.8% në 65.2% në Terminal-Bench 4.1, ndërsa Sol udhëhoqi Neon me 75.1% në 73.5% në Chartography, një test se sa mirë modelet lexojnë grafikët kompleksë.

Shtatë javë më parë, Google prezantoi Gemini 4 Argon me rezultate që e vunë atë përpara GPT-6 Astra dhe Claude Opus 5.5 në 12 nga 18 testet që Google zgjodhi të publikonte.

Shumica e zhvilluesve mund të lexonin vetëm rezultatet. Fillimisht, Google kufizoi aksesin vetëm për partnerët e miratuar të sigurisë kibernetike. Carbon pasoi më 28 tetor, duke zënë vendin e parë në Indeksin e Inteligjencës Artificiale të Analizës të rishikuar rishtazi sipas një kufizimi të ngjashëm aksesi. Në kohën kur Google hapi Carbon për klientët që paguajnë më 10 nëntor , Claude Fable 5.2 i Anthropic e kishte tejkaluar atë.

Google tani ka një përgjigje për tre buxhete të ndryshme: Hydrogen për punë me volum të lartë, Neon për punë më të vështira që përsëriten shpesh dhe Carbon për projekte të zgjatura. Pjesa afatgjatë e rikthimit të Google mund të jetë që klientët të mund të mbajnë më shumë nga ato punë në një platformë edhe pse lidershipi në testet individuale ndryshon duar.

Koha i jep gjithashtu Google një mundësi me zhvilluesit që po shqyrtojnë GPT-6.2 Astra dhe Sol të reja të OpenAI. Siç raportoi VentureBeat një ditë para lançimit të Neon, CEO i Every, Dan Shipper, zbuloi se Astra ndonjëherë ndalonte herët në ndërtimet nga fillimi në fund, pavarësisht se përputhej me paraardhësin e saj në shumicën e testeve të kodimit të ekipit të tij. Ethan Mollick i Wharton e bindi Astra-n të ndërtonte një ashensor hapësinor të luajtshëm, por e pati të vështirë ta drejtonte.

Këto vëzhgime kanë të bëjnë veçanërisht me Astra-n. Sol mbetet një rival më i lirë i Neon-it, dhe reagimet e hershme tregojnë diçka që një blerës mund ta testojë në të tre: sa ndërhyrje duhet për ta kthyer një përpjekje të parë premtuese në një vepër të përfunduar.

Dallimi më i qartë praktik i Neon mund të jetë materiali që mund të marrë. Google thotë se dritarja e saj prej një milion tokenësh mund të mbajë një përzierje videosh, audiosh, grafikësh, spreadsheet-esh dhe PDF-sh. Merrni parasysh një analist që heton një mosmarrëveshje faturimi i cili ka një telefonatë të regjistruar, kontratën dhe një regjistër.

Neon mund t’i marrë të tre format e provave së bashku. API-ja e Sol mbështet hyrjet e tekstit dhe imazhit dhe një dritare konteksti prej 1.05 milionë tokenësh, por një ekip që e përdor atë do të kishte nevojë për një mënyrë tjetër për të përpunuar regjistrimin. Sonnet gjithashtu ofron një dritare prej një milion tokenësh , kështu që vetëm kapaciteti bën pak për të dalluar të treja.

Për ekipet e sigurisë, Google po e ndan shpërndarjen. Një version i specializuar kibernetik do të arrijë tek pjesëmarrësit e përshtatshëm të Programit Fairwind në ditët në vijim. Google raporton 90.5% të vlerësimit të gjetjes së dobësive dhe 70.7% të testit të patch-eve për atë version. Ndërmarrjet mund të kërkojnë qasje përmes ekipit të llogarisë së tyre në Google Cloud.

Për blerësit që zgjedhin një model të paracaktuar, aritmetika përcakton një prag të dobishëm. Me norma standarde të kontekstit të shkurtër dhe të njëjtën përzierje të të dhënave hyrëse dhe dalëse, Neon do të duhej të përdorte afërsisht një të tretën më pak tokena sesa Sol ose Sonnet për të fshirë premiumin e çmimit prej 50%.

Një rrjedhë pune që përfundon më shpejt ose kërkon më pak shqyrtim njerëzor mund ta justifikojë ende ndryshimin. Glean ka raportuar këtë lloj fitimi kundrejt Carbon. Nëse Neon fiton të njëjtin vend kundrejt Sol apo Sonnet varet nga ajo që shpenzon një ekip për të marrë një punë të përfunduar dhe të përdorshme.