„Nordamerikanisches Sojabohnenpaket“ Google ist endlich zurückgekehrt in die Mitte des KI-Spieltisches.
Google ist dieses Mal wirklich zurückgekehrt.
Am 18. November hat Google DeepMind die Leuchtreklame von Gemini 4 Neon eingeschaltet.
Dies ist das 4. Elementmodell, das die Gemini 4-Serie innerhalb von nur 7 Wochen vorgestellt hat. Wenn Sie einen Blick auf die offizielle veröffentlichte lange Liste der Benchmark-Ergebnisse und die praktischen Rückmeldungen der Community werfen, werden Sie feststellen, dass es sich genau an einem äußerst angenehmen „Sweet Spot“ befindet: Es verfügt über eine harte Kernintelligenz, die dem Flaggschiffmodell nahekommt oder es teilweise sogar übertrifft, und die Kosten für einzelne Aufgaben wurden auf etwa die Hälfte der Konkurrenz reduziert.
In der technischen Community von Reddit haben die anspruchsvollen Entwickler selten einhellig positive Bewertungen abgegeben und es direkt als „unglaublich billig und erschreckend leistungsstark“ bezeichnet. Normale Nutzer, die 19,99 US-Dollar pro Monat für das Google AI Pro-Abonnement zahlen, sind umso erfreuter: Sie müssen nicht auf das Ultra-Niveau aufsteigen, sondern können direkt im Gemini App ein Modell nahe Flaggschiff-Niveau nutzen. Zusammen mit der dichten Matrix von Modellen und Tools, die im gesamten November eingeführt wurden, ist Google AI, das einst am Rande des Spieltisches wanderte, endlich wieder in die Mitte des Spieltisches zurückgekehrt.
Das Einzige, was globale Programmierer verwirrt, ist wahrscheinlich die geheimnisvolle Namensgebung von Google. Von Argon Ende September, Carbon Ende Oktober, über Hydrogen Mitte November bis zum heutigen Neon: Sie sind weder nach der Ordnungszahl, noch nach dem Alphabet oder der Leistungsstärke sortiert.
Auf Hacker News hat ein ernsthafter Nutzer sogar alle chemischen Eigenschaften aufgelistet, um nach Mustern zu suchen, und am Ende verzweifelt geäußert, dass Google die Elemente wahrscheinlich zufällig aus einem Hut gezogen hat – die Benennung nach Starbucks-Bechergrößen wäre klarer als das; chinesische Nutzer haben bereits begonnen, auf das Element Nummer 118 „Oganesson“ zu warten, und scherzen nebenbei, dass sie beim Lesen von Techniknachrichten die Chemie der Mittelstufe noch einmal auswendig lernen müssen.
Von Nutzern entworfene „Periodensystem der Elemente“-Oberfläche zur Auswahl von Modellen für Gemini 4 | Bildquelle: Internet
01
Das „Meisterwerk“ der Alchemie
Obwohl der Name schwer zu erraten ist, ist die Positionierung von Neon in der Produktmatrix außerordentlich klar.
Es liegt genau zwischen dem schweren Flaggschiffmodell Carbon mit langem Zyklus und dem leichten, häufig ausgeführten Modell Hydrogen und ersetzt direkt die ökologische Nische der vorherigen Gemini 3.1 Pro und Argon. Demis Hassabis, Chefwissenschaftler von Alphabet und Vorsitzender von DeepMind, hat es hoch bewertet und es als „Meisterwerk der Alchemie“ bezeichnet.
Diese Bewertung wird durch solide harte Indikatoren gestützt. Neon verfügt über ein Kontextfenster von 1 Million Token (unterstützt bis zu 512K Kontext in Antigravity) und eine maximale Ausgabegrenze von 1 Million Token und unterstützt native multimodale Eingaben von Text, Audio, Video, PDF und Tabellenkalkulationen. Bei der Kernschlussfolgerungsfähigkeit bietet es vier einstellbare Denktiefen: low, medium, high (Standard) und xhigh, was Entwicklern großen Spielraum zur Kostenkontrolle gibt.
Die Daten des unabhängigen Bewertungsinstituts Artificial Analysis sprechen am meisten für sich. In der Gesamtrangliste des AA Intelligence Index v5.0.1 hat Neon mit aktiviertem xhigh-Modus 61 Punkte erreicht und belegt den dritten Platz weltweit, hinter GPT-6.2 Astra und Claude Fable 5.2, und übertrifft den high-Modus des eigenen älteren Bruders Carbon (60 Punkte), Claude Opus 5.5 von Anthropic (59 Punkte) sowie GPT-6.2 Sol von OpenAI (57 Punkte). Selbst im zurückgeschalteten Standard-high-Modus erreicht es 60 Punkte, und die 55 Punkte im medium-Modus übertreffen immer noch den xhigh-Modus des leichten Modells Hydrogen mit maximaler Anstrengung (54 Punkte).
Was Unternehmenskunden wirklich begeistert, ist das Streudiagramm mit Linien für Benchmark-Ergebnisse und Kosten pro Aufgabe. Neon liefert die Intelligenz eines erstklassigen Flaggschiffs zu den Kosten eines mittelklasse Massenmodells.
Seine Ausgabegeschwindigkeit erreicht etwa 110 Token pro Sekunde, fast das Doppelte von Carbon (ca. 57 Token/s); die durchschnittliche Zeit für die Ausführung einer einzelnen AA-Benchmark-Aufgabe wurde von 36 Minuten bei Carbon auf 21,5 Minuten verkürzt, und die Kosten pro Aufgabe liegen bei 6,44 US-Dollar, etwa 17 % niedriger als bei Carbon (7,76 US-Dollar) nach Wiederherstellung des Standardpreises. Im Standard-high-Modus der Antigravity-Plattform werden die Kosten pro Aufgabe sogar direkt um 32 % gegenüber Carbon gesenkt.
Vergleich der Intelligenzpunkte und Kosten pro Aufgabe der verschiedenen Modi von Gemini 4 Neon mit Carbon, Claude Opus 5.5 und GPT-6.2 Sol unter dem AA Index v5.0.1 | Bildquelle: Google
Wenn man sich dem aktuell umkämpftesten Bereich der Programmierung und Enterprise-Klasse zuwendet, ist diese Kosteneffizienz noch intuitiver spürbar. Auf der Rangliste des AA Coding Agent Index belegt Neon mit 58,6 Punkten (ca. 59 Punkte) den ersten Platz, und die nominelle Stärke ist ungefähr gleichwertig mit Claude Fable 5.2 und Opus 5.5 (beide 58 Punkte), die von Claude Code unterstützt werden. Wenn man jedoch die wirtschaftliche Rechnung aufmacht, liegen die durchschnittlichen Kosten pro Aufgabe von Neon unter der Antigravity CLI nur bei 6,86 US-Dollar, was etwa der Hälfte von Claude Opus 5.5 (12,61 US-Dollar) und Fable 5.2 (15,47 US-Dollar) entspricht.
In den detaillierten Tests, die die echte Ingenieurskapazität repräsentieren, erreichte Neon 65,4 % im CursorBench 4.1 und übertraf damit 58,1 % von Opus 5.5; im SWE-sweep unter der Antigravity-Umgebung erreichte es sogar 39,0 %, weit über 10,1 % von Opus 5.5 und 8,3 % von GPT-6.2 Sol. Und bei dem Zapier AutomationBench zur Simulation von Unternehmensautomatisierung (56,3 %), dem Vending-Bench 2 zur Simulation langfristiger Geschäftsabläufe (16.843 US-Dollar), dem RiemannBench für wissenschaftliche Schlussfolgerungen (84,0 %) sowie dem Einzelpunkt für die Ausgabequalität von AA-Briefcase (1771 Elo) belegte es durchweg den ersten Platz; die auf Cybersicherheit spezialisierte Version, die für Verteidiger des Fairwind-Programms zugänglich ist, erzielte auch einen hohen Wert von 90,5 % im SEC-bench Pro.
Vergleich von Gemini 4 Neon mit Claude Opus 5.5 und GPT-6.2 Sol bei Benchmarks für Programmierung, Wissensarbeit, wissenschaftliche Schlussfolgerungen und Cybersicherheit | Bildquelle: Google
Aber dieser neue Motor ist nicht ganz frei von Kritikpunkten.
Zuerst gibt es das Problem des „Geschwätzigseins“ und der Verzögerung im Hochleistungsmodus. Beim Ausführen der gesamten AA-Bewertung im xhigh-Modus hat Neon insgesamt 283 Millionen Ausgabe-Tokens ausgegeben, deutlich mehr als Carbon, und die Verzögerung der ersten Antwort erreichte 56,51 Sekunden. Für Szenarien, die nach extremer Reaktionsgeschwindigkeit streben, ist es offensichtlich klüger, es zurück in den medium-Modus zu schalten: Die Zeit kann auf 8,3 Minuten gedrückt werden, und die Ausgabemenge wird auf 62,9 Millionen Token konzentriert.
Ein weiterer kleiner Zwischenfall, über den Entwickler auf dem chinesischen technischen Forum „Laodaishuo“ gerne sprechen, ist die kurz vor Ende November aufgetretene „Preisumkehr“.
Die API von Neon wurde direkt zum offiziellen Preis von 3 US-Dollar für die Eingabe und 15 US-Dollar für die Ausgabe (pro Million Token, 95 % Rabatt auf 0,15 US-Dollar bei Cache-Treffern) eingeführt, und es wurde kein kostenloses Kontingent angeboten; während die Flaggschiffmodelle Carbon und Argon vor dem 30. November gerade noch in der Eröffnungsrabattphase von 2 US-Dollar bzw. 10 US-Dollar waren und erst am 1. Dezember auf den ursprünglichen Preis von 4 US-Dollar bzw. 20 US-Dollar zurückkehren. Das bedeutet, dass in den verbleibenden mehr als zehn Tagen im November der Stückpreis des Sub-Flaggschiffs um 50 % teurer war als das Flaggschiff, eine etwas humorvolle zeitliche Lücke im Geschäftsbetrieb.
02
Von einzelnen Künstlern zu einem Team unter der Leitung eines Generalunternehmers
Benchmark-Tabellen sind letztendlich statisch. Was den Technikbereich wirklich aufgeregt hat, ist die Dominanz, die Neon in der echten Ingenieurumgebung gezeigt hat.
Wenn Sie die Live-Demo von Google Antigravity öffnen, können Sie intuitiv spüren, was langfristige Multi-Agent-Koordination bedeutet.
In einem Projekt namens NEONPUTT 84 startet Neon den /swarm-Modus und steuert gleichzeitig 8 parallele Knoten wie Scaffold, Shaders, Courses, Physics, UI, Engine und Verifier in dem Echtzeit-aktualisierten Aufgaben-Diagramm. Sie teilen sich die Arbeit, schreiben benutzerdefinierte GLSL-Shader, eine 240-Hz-Physik-Engine und 8 Level, und bauen zusammen ein Mini-Golfspiel im Stil von 3D-Synthesewellen zusammen. Noch beeindruckender: Nachdem der Code geschrieben ist, übernimmt es selbst den Browser, klickt auf die Testoberfläche, zielt, schlägt den Ball und schafft stabil ein Hole-in-One.
Gemini 4 Neon steuert 8 parallele Sub-Agenten über /swarm in Antigravity zur kooperativen Entwicklung | Bildquelle: Google Antigravity
Gemini 4 Neon generiert das 3D-Mini-Golfspiel NEONPUTT '84 und bedient selbstständig den Browser zur Abnahme und Prüfung | Bildquelle: Google Antigravity
Wenn man den Zeitrahmen verlängert, ist seine Ausdauer ebenfalls beeindruckend. In der offiziellen wichtigen Demo lief Neon in Antigravity über /swarm ganze 12 Stunden lang ununterbrochen. Nur anhand von historischen Archivfotos hat es das Arbeitszimmer von Alan Turing 1936 am King's College in Cambridge Stein für Stein im 3D-Raum rekonstruiert und sogar einen wirklich interaktiv betriebsfähigen universellen Turing-Rechner auf diesem virtuellen Schreibtisch ausgeführt.
Auf dem YouTube-Kanal CHOOSETO.AI hat ein Entwickler, der gerade bei Google eingetreten ist, basierend auf frühen Beta-Zugriffen eine Menge erster praktischer Tests veröffentlicht und direkt alle Benchmarks übersprungen. Im Video schreibt Neon mit einer einzigen SDF-Mathematikformel direkt einen detaillierten 3D-Drachen, generiert eine animierte SVG-Pfau in einer einzigen Datei und verwandelt nebenbei eine alte 2D-Wohnungsgrundrisszeichnung von 1959 in ein begehbares 3D-Haus. Beim Übergang zu harten Backend-Szenarien stellt es selbstständig einen Dienst-Agent auf Google Cloud Run bereit und führt schnell ein Rollback durch, wenn eine Anwendung absichtlich manuell zum Absturz gebracht wird; es kann sogar eine Kollisionssimulation von Doppelgalaxien auf DGX Spark ausführen oder ohne Training direkt neuronale Netzwerkgewichte schreiben.
Abgesehen davon, dass es selbst schwere Arbeiten übernimmt, ist die klügste Weiterentwicklung von Neon, dass es gelernt hat, als „Generalunternehmer“ zu fungieren.
Diesmal wurde in Antigravity gleichzeitig der neue automatische Orchestrierungsmodus mit zwei Modellen (Orchestrator (Neon)) eingeführt. Bei komplexen Mehrdatei-Projekten übernimmt Neon die zentrale Rolle für Architekturplanung und Statusprüfung und überlässt die routinemäßigen Code-Änderungen, Paketaktualisierungen und Testausführungen dem günstigen und leichten Hydrogen; sobald der Ausführungsprozess steckenbleibt, wird die Kontrolle automatisch an Neon zurückgegeben, um den Plan zu korrigieren, was Entwicklern die Mühe erspart, manuell zwischen Modellen zu wechseln.
Die führenden Ingenieurteams haben sein Verhalten auch gut verstanden. Der offizielle Blog von GitHub Copilot erwähnt ausdrücklich, dass Neon im Vergleich zum älteren Bruder Carbon schneller startet und vor allem beim Ändern von Code zurückhaltender ist: Fälle, in denen es ungefragt andere Teile unbefugt ändert, sind stark zurückgegangen, und die Fabrikationsrate von Code- und Tool-Ergebnissen hat in internen Tests einen neuen Tiefstand erreicht. Für früh kooperierende Maschinenlern-Forschungsteams hat es vollständig das Problem von „neuen Forschern“ überwunden, bei dem sie bei fehlgeschlagenen Experimenten sofort aufgeben, und versteht es, wie ein erfahrener Wissenschaftler nach Gründen zu fragen, neue Signale zu suchen und die Modellierungsstrategie aktiv neu aufzubauen.
03
Die umkämpfte Comeback-Geschichte des „Nordamerikanischen Sojabohnenbrötchens“
Angesichts des heutigen Moments ist es schwer vorstell