Google oficjalnie zaprezentowało Gemini 4 Neon, nowy model AI przeznaczony do programowania, analizy danych i wieloetapowych zadań agentowych. Model ma łączyć wysoką jakość rozumowania z niższym kosztem i szybszym wykonywaniem złożonej pracy.
Neon obsługuje kontekst o długości miliona tokenów, pracuje z tekstem, obrazami, dźwiękiem i wideo, a w API kosztuje 3 dolary za milion tokenów wejściowych i 15 dolarów za milion wyjściowych. Trafia do Google AI Studio, API, Google Antigravity i aplikacji Gemini.
Najważniejsze informacje w skrócie:
- Google zaprezentowało Gemini 4 Neon 18 listopada 2026 roku,
- model jest przeznaczony głównie do programowania, analiz i zadań agentowych,
- Neon uzyskał 61 punktów w Artificial Analysis Intelligence Index,
- obsługuje kontekst o długości 1 mln tokenów,
- analizuje tekst, obrazy, dźwięk i wideo,
- w API kosztuje 3 dolary za milion tokenów wejściowych i 15 dolarów za milion wyjściowych,
- trafia do Google AI Studio, API, Google Antigravity i aplikacji Gemini,
Gemini 4 Neon ma być środkiem pomiędzy największą mocą a rozsądnym kosztem
Google pozycjonuje Neon jako model przeznaczony do złożonych, często wykonywanych zadań, w których potrzebne jest zaawansowane rozumowanie, ale używanie największego dostępnego modelu byłoby zbyt wolne lub zbyt drogie. W rodzinie Gemini 4 najmocniejszy Carbon ma obsługiwać najtrudniejsze i najbardziej długotrwałe projekty, Hydrogen jest kierowany do szybkich zadań codziennych, natomiast Neon ma znaleźć się pomiędzy nimi i zapewniać większą część możliwości najwyższej klasy przy lepszej efektywności.
To podejście przypomina strategię, którą coraz wyraźniej widać również u OpenAI. W przypadku niedawno zaprezentowanych GPT-6.2 Astra i GPT-6.2 Sol różnica nie sprowadza się już wyłącznie do tego, który model jest najmocniejszy, ponieważ równie istotne stają się koszt jednego zadania i liczba operacji, które można wykonać w określonym budżecie. W firmach korzystających z AI na dużą skalę kilka punktów więcej w benchmarku może mieć mniejsze znaczenie niż pięciokrotna różnica w cenie.
Neon jest więc ciekawy nie dlatego, że Google może pochwalić się kolejnym modelem znajdującym się wysoko w rankingach, ale dlatego, że próbuje znaleźć lepszy punkt pomiędzy jakością a ekonomią pracy. To właśnie ten obszar będzie coraz ważniejszy w momencie, gdy modele przestaną odpowiadać na pojedyncze pytania, a zaczną wykonywać setki operacji w ramach jednego procesu.
Wynik 61 punktów wygląda dobrze, ale benchmarki nie pokazują całego obrazu
W Artificial Analysis Intelligence Index Gemini 4 Neon uzyskał 61 punktów przy ustawieniu xhigh i według danych przywoływanych przez Google znalazł się na trzecim miejscu w klasyfikacji. To rezultat stawiający model w ścisłej czołówce, szczególnie w zadaniach związanych z programowaniem, analizą i wiedzą specjalistyczną.
Znacznie więcej mówi jednak zestawienie jakości z czasem i kosztem wykonania zadania. Według Artificial Analysis Neon przy najwyższym poziomie rozumowania potrzebuje średnio około 21,5 minuty na wykonanie zadania z indeksu, podczas gdy mediana dla porównywanych modeli wynosi około 12,1 minuty. Model generuje również więcej tokenów niż większość konkurentów, więc jego przewaga jakościowa nie oznacza automatycznie większej szybkości ani niższego kosztu w każdym zastosowaniu.
Określenia „szybki” i „wydajny” trzeba więc czytać w konkretnym kontekście. Neon może być efektywniejszy od większych modeli Google przy wybranych zadaniach i jednocześnie pozostawać wolniejszy w niezależnych testach prowadzonych przy maksymalnym poziomie rozumowania. Ostatecznie większe znaczenie niż pojedynczy wynik benchmarku będzie miało to, ile czasu i tokenów model potrzebuje do wykonania konkretnej pracy.
Może Cię zainteresować: Microsoft wypuszcza własne modele do programowania. MAI Code 2 trafia do GitHub Copilot
Google mocno stawia na programowanie i pracę na istniejących projektach
Jednym z najważniejszych obszarów Gemini 4 Neon jest tworzenie i modyfikowanie oprogramowania. Model ma lepiej wykonywać długie zadania obejmujące wiele plików, analizować istniejące repozytoria, wprowadzać zmiany w kodzie i reagować na poprawki użytkownika bez konieczności rozpoczynania całego procesu od początku.
Google zwraca szczególną uwagę na steerability, czyli zdolność modelu do zmiany sposobu działania w trakcie wykonywania zadania. W nowym Agent Arena Index Neon zajmuje drugie miejsce pod względem reagowania na korekty użytkownika wydawane podczas pracy. Przy agentach programistycznych jest to ważniejsze niż może się wydawać, ponieważ realna praca nad kodem bardzo rzadko polega na wydaniu jednego idealnego polecenia i odebraniu gotowego rozwiązania po kilku minutach.
Google rozwija jednocześnie cały ekosystem narzędzi dla programistów, dlatego Neon trafia między innymi do Google AI Studio, Android Studio i Google Antigravity. Sam model staje się w takim układzie jednym z elementów środowiska, w którym AI może analizować kod, korzystać z narzędzi i realizować całe zadania zamiast przygotowywać wyłącznie pojedyncze fragmenty programu.
Milion tokenów kontekstu ma znaczenie przede wszystkim przy dużych projektach
Gemini 4 Neon obsługuje okno kontekstowe o długości miliona tokenów, dzięki czemu może podczas jednego zadania pracować z bardzo dużymi zbiorami danych. Google wymienia między innymi arkusze kalkulacyjne, dokumenty PDF, wykresy, nagrania audio, materiały wideo oraz kod, które mogą być wspólnie analizowane w ramach jednego procesu.
Duży kontekst jest szczególnie przydatny w pracy z rozbudowanymi repozytoriami kodu, dokumentacją techniczną czy wieloma dokumentami biznesowymi, gdzie sztuczne dzielenie danych na niewielkie fragmenty może powodować utratę zależności pomiędzy informacjami. To również jeden z powodów, dla których Google Gemini od dłuższego czasu jest rozwijane jako narzędzie do pracy z dokumentami i dużymi zestawami materiałów, a nie wyłącznie chatbot do krótkich rozmów.
Samo okno kontekstowe nie gwarantuje oczywiście, że model wykorzysta milion tokenów równie skutecznie w każdym zadaniu. Im więcej materiału przekazujemy do analizy, tym ważniejsze stają się odpowiednie wyszukiwanie informacji, hierarchia źródeł i zdolność modelu do zachowania najważniejszych zależności. Liczba tokenów pozostaje więc parametrem technicznym, a nie prostym odpowiednikiem jakości.
Cena Gemini 4 Neon pokazuje, że Google chce walczyć także ekonomią
Gemini 4 Neon kosztuje w API 3 dolary za milion tokenów wejściowych oraz 15 dolarów za milion tokenów wyjściowych. Przy wykorzystaniu zapisanych wcześniej danych wejściowych cena cache spada do 0,15 dolara za milion tokenów, co oznacza 95-procentowy rabat względem standardowego wejścia.
Cache ma duże znaczenie przy zadaniach wykonywanych wielokrotnie na tym samym materiale, na przykład podczas pracy z jednym rozbudowanym repozytorium kodu, dokumentacją firmy czy dużym zestawem danych. Zamiast za każdym razem płacić pełną cenę za przekazanie tego samego kontekstu, część informacji może zostać ponownie wykorzystana znacznie taniej.
Na papierze stawki wyglądają konkurencyjnie, szczególnie w porównaniu z najmocniejszymi modelami klasy frontier, ale sama cena tokena nie mówi jeszcze, ile faktycznie kosztuje rozwiązanie konkretnego problemu. Artificial Analysis wskazuje, że Neon przy najwyższym poziomie rozumowania jest stosunkowo rozwlekły i generuje dużą liczbę tokenów, dlatego końcowy rachunek zależy również od sposobu, w jaki model dochodzi do odpowiedzi. Dla firm wykorzystujących AI na dużą skalę właśnie koszt całego zadania będzie znacznie ważniejszy niż cennik miliona tokenów.
Może Cię zainteresować: Gemini będzie przechowywać rozmowy przez dwa miesiące. Nawet gdy wyłączysz historię
Neon ma reagować lepiej na zmiany poleceń podczas pracy
Google zwraca uwagę również na zachowanie modelu w długich procesach, w których użytkownik zmienia wymagania już po rozpoczęciu zadania. Neon ma sprawniej dostosowywać się do takich korekt i kontynuować pracę bez konieczności powtarzania wcześniejszych instrukcji czy budowania całego rozwiązania od nowa.
To cecha szczególnie ważna w przypadku agentów AI wykonujących zadania składające się z wielu etapów. Przy analizie dokumentów, tworzeniu kodu czy pracy nad raportem użytkownik może po kilku minutach zdecydować, że chce zmienić strukturę wyniku, wykorzystać inne dane albo zrezygnować z części wcześniejszych założeń. Model, który potrafi poprawnie włączyć taką zmianę do istniejącego procesu, jest praktycznie znacznie bardziej użyteczny niż system wymagający ciągłego restartowania pracy.
Google twierdzi również, że Neon osiągnął najniższy dotychczas poziom fabrykowania informacji w wewnętrznych testach Google Antigravity. To jednak wynik pochodzący z własnych pomiarów firmy, dlatego należy traktować go jako deklarację producenta, dopóki niezależne testy nie pokażą, jak model radzi sobie z halucynacjami w rzeczywistych zastosowaniach.
Gemini 4 Neon trafia do aplikacji Gemini, AI Studio i Google Antigravity
Google rozpoczęło wdrażanie Gemini 4 Neon 18 listopada. Deweloperzy mogą korzystać z modelu przez płatną warstwę Gemini API w Google AI Studio, a użytkownicy Google AI Pro i Ultra otrzymują dostęp również w Google Antigravity. Neon trafia także do środowiska biznesowego Gemini oraz do aplikacji Gemini.
W przypadku zwykłych użytkowników model można wybierać w aplikacji Gemini w ramach planów Google AI Pro i Ultra. To istotne, ponieważ Neon nie pozostaje eksperymentalnym modelem zamkniętym w API, lecz od początku jest elementem komercyjnej oferty Google i ma konkurować bezpośrednio z płatnymi modelami OpenAI oraz Anthropic.
Premiera Gemini 4 Neon dobrze pokazuje, jak szybko zmienia się dziś rynek modeli AI. Jeszcze niedawno każda nowa generacja była oceniana przede wszystkim przez pryzmat tego, czy pobiła konkurenta w benchmarku, natomiast obecnie równie istotne są cena, szybkość, obsługiwany kontekst oraz zdolność do wykonywania wieloetapowej pracy. Google nie musi więc udowadniać, że Neon jest najmocniejszym modelem na świecie. Znacznie ważniejsze będzie to, czy przy codziennym wykorzystaniu okaże się wystarczająco dobry, aby użytkownicy nie mieli potrzeby sięgania po większy i droższy model przy każdym trudniejszym zadaniu.
Źródło: Google, Artificial Analysis. Opracowanie własne.
Dziękujemy za przeczytanie artykułu na Techoteka.pl.
Codziennie publikujemy najważniejsze informacje z Polski i ze świata dotyczące technologii, sztucznej inteligencji, nowych rozwiązań cyfrowych oraz trendów technologicznych, które kształtują przyszłość.
Obserwuj nas na Facebooku, aby być na bieżąco z najważniejszymi wydarzeniami ze świata technologii.



