一百万上下文配四档推理,Gemini 4 Neon把想多久做成了价格旋钮

首页 / AI资讯 / 大模型

0:00
0:00
1x
定时

11月19日,谷歌正式上线新一代模型Gemini 4 Neon。官方给它的定位是快速完成端到端任务的高频工作模型,支持100万词元上下文,能读电子表格、PDF、图表与音视频,也能在编程场景里做跨文件排错与代码重构。与以往不同的是,这次发布把思考深度做成了一个可选参数:Low、medium、high、xhigh四档,价格与分数随档位一起变化。

把想多久做成参数,价格表才有了第二根轴

过去比较模型只有一根轴:能力越强,单价越高。Gemini 4 Neon把推理级别做成显式参数,等于在同一张价目表上加了第二根轴。输入每百万词元3美元、输出15美元、缓存输入0.15美元,这是基础价;选了xhigh档之后,模型会花更多思考词元,账单随之上升,分数也随之上升。

这种设计对采购方的意义在于可以选择性付费。客服摘要、格式转换这类任务,Low或medium档就够用;跨文件排查缺陷、长链条数据分析,才值得开xhigh。同一个模型覆盖两种预算,比在同一代产品里发布两个不同尺寸的模型更省事,因为接口、上下文长度与工具调用方式完全一致,切换成本只是一行参数。

缓存输入0.15美元这一行是最容易被低估的数字。在智能体循环与多轮对话里,系统提示、工具定义与历史上下文会被反复送入,这部分输入如果每次都按3美元计费,长会话的成本会迅速失控。缓存价相当于对稳定不变的那部分打了一个很深的折,它改变的不是单次调用价格,而是持续运行的智能体能撑多久。

58.6分意味着什么,要看榜单量的是什么

官方给出的成绩单里,最显眼的是编程智能体指数58.6分、位列榜首,Artificial Analysis智能指数在xhigh档拿到61分、总榜第三。此外在Antigravity开发环境下的SWE-sweep解决率39.0%,FrontierCode 2.0达46.2%,Chartography为73.5%。这些数字要分开读,因为它们量的不是同一件事。

智能指数是混合难度的综合分,编程智能体指数更偏向多步工具调用与代码修改,SWE-sweep这类则是在特定脚手架下跑真实仓库问题。同一家模型在不同榜单上排名不同,原因往往不在模型,而在脚手架:给不给文件检索工具、允不允许自我修正、超时设多长,都会显著改变解决率。58.6分说明它在被测试的那套流程里表现最好,不等于在任何流程里都最好。

百万上下文这件事在榜单上几乎体现不出来。塞进三百页招标文件与塞进一百个表格是两种负载,前者考验长距离检索,后者考验结构化抽取,主流评测集很少覆盖这种差距。窗口够长只是入场券,能不能在长文本里稳定记住约束才是分数。

还有一层是官方自己的提醒。谷歌在发布说明里写明,测评排名与成本对比基于特定测试条件,不等同于各类实际业务场景下的表现。这句话不是免责套话,而是使用说明书:把榜单分数当成选型起点,再用自己的二十个真实任务跑一遍,才能得到可用的结论。

32%的成本降幅,比较基准是同系列的哪一档

官方称在默认high档下,Gemini 4 Neon的单任务成本比同系列Gemini 4 Carbon低约32%,任务质量达到甚至优于体量更大的Carbon,处理速度可达后者的3倍。这组说法有三个变量需要拆开:默认档位、任务定义、以及质量的衡量方式。

单任务成本与单词元价格是两回事。一个模型可能单价更高但用的词元更少,综合下来每个任务更便宜。32%的降幅只有在任务集合、成功判定与重试策略都固定时才可比。企业做预算时更应该算的是完成一个业务动作需要多少钱,包含失败的调用、人工复核的时间与返工的比例,而不是把每百万词元的报价直接相乘。

速度这一项在交互式场景里的权重被低估。3倍速意味着原本要等三分钟的批处理变成一分钟,原本要串行跑的十个子任务可以并行。对按人天计费的团队来说,等待时间本身就是成本;对按次计费的产品来说,吞吐决定了同一份算力能服务多少用户。

把档位、上下文与缓存三件事放在一张表里,就得到一张成本地形图:短问答选低档、长文档选高档、重复上下文靠缓存。谷歌这次没有发布更小的模型,而是让同一个模型承担不同预算,这种打法对采购方友好,对运维方要求更高,因为团队必须知道自己每个任务的档位该设在哪一级,否则省下来的单价会被浪费掉的思考词元吃掉。

调度者与执行者:Hydrogen子智能体被摆到了什么位置

Neon在架构上有一个值得注意的分工:它承担任务调度角色,调度Hydrogen子智能体并行开展多项工作,并跟进长周期任务的进度,重点适配大型代码库排错与海量数据分析这类多步骤连续处理的工作。这套安排配合Antigravity开发环境使用。

把调度与执行拆开,解决的是上下文污染问题。一个子任务跑偏,不该把整条主线的上下文一起带偏;让调度者只持有任务结构与验收标准,让执行者持有具体文件与命令,出错时只需要重跑那一段。代价是调度本身也要消耗词元,任务越碎,调度开销占比越高。

对开发团队来说,这意味着工作方式的调整。过去写一个超长提示词让模型一次做完,现在更有效的是把任务拆成可验收的小块,给每块定义清楚的输入输出。模型能力提升到能做多步之后,瓶颈就从模型能不能做转移到人会不会拆。这一层能力差异,短期内不会被榜单分数抹平。

素材来源:环球网、Google DeepMind博客、AI技术日报 发布时间:2026-11-20