「北美大豆包」谷歌,终于杀回 AI 牌桌中央


用一半的成本打出顶级 Agent 表现,谷歌 AI 这一波真的支棱起来了。

作者|Wildcard

编辑|靖宇

谷歌,这次是真的回来了。

11 月 18 日,Google DeepMind 点亮了Gemini 4 Neon的霓虹灯牌。

这是 Gemini 4 系列在短短 7 周内甩出的第 4 款元素模型。如果看一眼官方放出的基准跑分长表和社区实测反馈,你会发现它精准卡在了一个极其舒服的「甜点」位上,既有接近、甚至局部反超旗舰的硬核智商,又把单任务成本砍到了竞争对手的一半左右。

在 Reddit 技术社区里,挑剔的开发者们罕见地给出了一边倒的好评,直呼它「便宜得离谱又强得可怕」。每月花 19.99 美元订阅 Google AI Pro 的普通用户更是喜出望外,不用咬牙上 Ultra 档位,就能在 Gemini App 里直接用上准旗舰水准的模型。加上整个 11 月密集落地的模型与工具矩阵,那个曾经在牌桌边缘徘徊的谷歌 AI,终于重新杀回了牌桌中央。

唯一让全球程序员一头雾水的,大概只有谷歌神秘的命名学。从 9 月底的 Argon(氩)、10 月底的 Carbon(碳),到 11 月中旬的 Hydrogen(氢)和如今的 Neon(氖),既不按原子序数排,也不按字母表或能力强弱分。

Hacker News 上真有较真的网友把化学性质全列出来找规律,最后绝望地吐槽谷歌大概是把元素扔进帽子里随机抓出来的,用星巴克杯型命名都比这清楚;国内网友则已经开始催更第 118 号元素「鿫」(Oganesson),顺便调侃看个科技新闻还得重背初中化学。

网友为 Gemini 4 设计的「元素周期表」选模型界面|图片来源:网络

01

炼金术「杰作」

名字虽然让人摸不着头脑,但 Neon 在产品矩阵里的刀法却异常清晰。

它精准卡在重型长周期旗舰 Carbon,与轻量高频执行模型 Hydrogen 之间,直接取代了此前 Gemini 3.1 Pro 和 Argon 的生态位。Alphabet 首席科学家兼 DeepMind 董事长 Demis Hassabis 给它的评价颇高,称其为「炼金术的杰作」。

支撑这句评价的是实打实的硬指标。Neon 拥有 100 万 token 的上下文窗口(在 Antigravity 中支持最高 512K 上下文)和最高 100 万 token 的输出上限,支持文本、音视频、PDF 及电子表格的原生多模态输入。在核心推理能力上,它提供了 low、medium、high(默认)和 xhigh 四档可调思考深度,给了开发者极大的控本空间。

独立评测机构 Artificial Analysis 的数据最能说明问题。在 AA Intelligence Index v5.0.1 总榜上,Neon 开启 xhigh 档位拿下了 61 分,高居全球第三,排在 GPT-6.2 Astra 和 Claude Fable 5.2 之后,把自家老大哥 Carbon 的 high 档(60 分)、Anthropic 的 Claude Opus 5.5(59 分)以及 OpenAI 的 GPT-6.2 Sol(57 分)全都压在了身下。即便切回默认的 high 档也能拿 60 分,而降到 medium 档拿到的 55 分,依然超过了轻量模型 Hydrogen 拼尽全力的 xhigh 档(54 分)。

真正让企业客户心动的,是那张跑分与单任务成本的散点折线图。Neon 把一线旗舰的智商,打出了中端走量模型的账单。

它的输出速度达到每秒约 110 tokens,接近 Carbon(约 57 tokens/s)的两倍;跑完 AA 基准单任务的平均耗时从 Carbon 的 36 分钟缩短到 21.5 分钟,单任务成本定格在 6.44 美元,比恢复标准价后的 Carbon(7.76 美元)低了约 17%。在 Antigravity 平台的默认 high 档下,单次任务成本更是比 Carbon 直接砍掉了 32%。

AA Index v5.0.1 下 Gemini 4 Neon 各档位与 Carbon、Claude Opus 5.5、GPT-6.2 Sol 的智力分与单任务成本对比|图片来源:Google

把目光转到当下最卷的编程与企业级赛道,这种性价比杀伤力更加直观。在 AA Coding Agent Index 榜单上,Neon 以 58.6 分(约 59 分)拿下第一,账面实力与 Claude Code 加持下的 Claude Fable 5.2 及 Opus 5.5(均为 58 分)大致齐平。但算算经济账,Neon 在 Antigravity CLI 下的平均单任务成本只有 6.86 美元,差不多只有 Claude Opus 5.5(12.61 美元)和 Fable 5.2(15.47 美元)的一半。

在代表真实工程能力的细分测试里,Neon 在 CursorBench 4.1 拿到 65.4%,力压 Opus 5.5 的 58.1%;在 Antigravity 环境下的 SWE-sweep 更是冲到 39.0%,远超 Opus 5.5 的 10.1% 和 GPT-6.2 Sol 的 8.3%。而在模拟企业自动化的 Zapier AutomationBench(56.3%)、模拟长期商业经营的 Vending-Bench 2(16,843 美元)、科学推理 RiemannBench(84.0%)以及 AA-Briefcase 的输出呈现质量单项(1771 Elo)上,它清一色拿下了榜首;面向 Fairwind 计划防御者开放的网安特化版,也在 SEC-bench Pro 上刷出了 90.5% 的高分。

Gemini 4 Neon 在编程、知识工作、科学推理与网络安全等基准上与 Claude Opus 5.5、GPT-6.2 Sol 的对比|图片来源:Google

不过,这台新引擎也并非毫无槽点。

首先是高档位下的「话痨」与延迟问题。在 xhigh 档位跑完 AA 全套评测时,Neon 一口气吐出了 2.83 亿输出 tokens,比 Carbon 多出不少,首答延迟也达到了 56.51 秒。对于追求极致响应的场景,把它调回 medium 档显然更明智,耗时能压到 8.3 分钟,输出量也会收敛到 6290 万 tokens。

另一个让国内技术论坛「大佬说」上的开发者津津乐道的小插曲,是11 月底前短暂出现的「价格倒挂」。

Neon 的 API 直接按输入 3 美元、输出 15 美元(每百万 tokens,缓存命中享 95% 折扣至 0.15 美元)的正式价上线,也没有提供免费额度;而旗舰 Carbon 和 Argon 在 11 月 30 日前恰好还处在 2 美元和 10 美元的首发优惠期,要到 12 月 1 日才恢复 4 美元和 20 美元的原价。这意味着在 11 月剩下的十几天里,次旗舰的单价反而比旗舰贵了 50%,算是个略显幽默的商业时间差。

02

从单兵炫技到包工头带队

跑分表格终究是死的,真正让技术圈兴奋起来的,是 Neon 在真实工程环境里展现出的统治力。

打开 Google Antigravity 的实机演示画面,你能直观感受到什么叫长程多智能体协同。

在一个名为 NEONPUTT 84 的项目里,Neon 启动 /swarm 模式,在实时跳动的任务图谱中同时调度 scaffold、shaders、courses、physics、ui、engine、verifier 等 8 个并行节点。它们分工写出了自定义 GLSL 着色器、240Hz 物理引擎和 8 个关卡,拼出一个充满 3D 合成波风格的迷你高尔夫游戏。更绝的是,写完代码后它自己接管浏览器点击测试界面,瞄准、击球,稳稳打出一杆进洞。

Gemini 4 Neon 在 Antigravity 中通过 /swarm 调度 8 个并行子 Agent 协同开发|图片来源:Google Antigravity

Gemini 4 Neon 生成 3D 迷你高尔夫游戏 NEONPUTT '84 并自主操作浏览器验收测试|图片来源:Google Antigravity

如果把时间拉长,它的耐力同样惊人。官方重磅演示中,Neon 在 Antigravity 里靠着 /swarm 连续运转了整整 12 小时。仅凭历史档案照片,它就在 3D 空间里一砖一瓦重建了艾伦·图灵 1936 年在剑桥国王学院的书房,甚至还在那张虚拟书桌上,跑起了一台真正可交互运行的通用图灵机。

而在 YouTube 频道 CHOOSETO.AI 上,一位刚入职谷歌的开发者基于早期内测权限放出了大量一手实测,干脆跳过了所有跑分。画面里,Neon 用单条 SDF 数学公式直接写出了一条精细的 3D 龙,用单文件生成带动画的 SVG 孔雀,顺手把一张 1959 年的老旧平面户型图变成了能走进去逛的 3D 房屋。切到硬核后端场景,它在 Google Cloud Run 上独立部署值班 Agent,面对人为故意搞挂的应用迅速完成回滚;甚至还能在 DGX Spark 上跑双星系碰撞模拟,或者不经训练直接手写神经网络权重。

除了自己挽起袖子干重活,Neon 最聪明的进化在于学会了当「包工头」。

这次 Antigravity 同步上线了全新的 Orchestrator(Neon)双模型自动编排模式。遇到复杂的多文件工程,Neon 坐镇中军负责架构规划与状态审查,把常规的代码修改、包更新和跑测试全交给便宜轻快的 Hydrogen 去干;一旦执行环节卡壳,控制权会自动交回给 Neon 修正计划,彻底省去了开发者手动切模型的麻烦。

一线工程团队对它的脾气也摸得很透。GitHub Copilot 官方博客专门提到,相比老大哥 Carbon,Neon 启动更快,更重要的是改代码时更克制,未经请求擅自乱改其他地方的情况大幅减少,对代码和工具结果的编造率也在内部测试中创下新低。在早期合作的机器学习研究团队眼里,它彻底摆脱了「新手研究员」一遇实验失败就放弃的毛病,懂得像老练的学者一样追问原因、寻找新信号并主动重构建模策略。

03

「北美大豆包」的绝地翻盘

看着今天的气势,很难想象仅仅在四个月前,谷歌 AI 在中文互联网上还顶着一个颇具讽刺意味的外号——「北美大豆包」。

把日历翻回 2026 年 7 月前后,那是 Gemini 口碑最暗淡的低谷。因为数学推理翻车和安全审查频出抽象失误,网友的群嘲铺天盖地。5 月 Google I/O 大会上承诺 6 月交付的 Gemini 3.5 Pro 爽约跳票,最后只能端出 3.5 Flash 去对标竞品中端;主流编码和 Agent 榜单的首页一度连 Gemini 的名字都找不着。更尴尬的是,模型的内置知识库长期停滞在 2025 年 1 月,直到 3.6 Flash 才更新到 2026 年 3 月,连竞争对手发了什么新版本都不认识,一开联网搜索智商还容易跟着滑坡。

短短四个月过去,牌面彻底翻了过来。

整个 11 月,谷歌打出了一套密度极高的组合拳。除了 7 周连发四款 Gemini 4 元素模型,他们还同步端出了能用提示词生成可交互 3D 环境的世界模型 Genie 4、低成本处理长视频的 Gemini Omni 1.2 Flash,并把 Antigravity 锤炼成了横跨软件开发,与化学信息学科研的硬核 Agent 平台。在各大综合榜单上,谷歌终于重新具备了与 OpenAI 的 GPT-6.2 系列、Anthropic 的 Claude 5.2 及 Opus 5.5 正面对话的底气。

谷歌这轮翻盘,是怎么做到的?

Google DeepMind 高级副总裁、首席 AI 架构师 Koray Kavukcuoglu|图片来源:Google

今年 8 月,谷歌完成关键的组织重组,Demis Hassabis 转任 Alphabet 首席科学家兼 DeepMind 董事长,DeepMind 高级副总裁、首席 AI 架构师 Koray Kavukcuoglu 正式接管日常运营与 Gemini 路线图。9 月在 The Information 的峰会上,Koray 直言「讨论我们是不是已经实现 AGI,根本算不上眼下正确的问题」,强行把全员重心拉回打造可靠的实用 Agent。

他彻底废掉了过去死憋大招,到年底却惨遭跳票的旧习气,立下「尽早发货、高频迭代」的铁律,还在预训练和后训练之间专门插进了一支死磕编程能力的「中训练」团队。

DeepMind 后训练负责人 Melvin Johnson 指出,过去 Gemini 模型之所以卡壳,是因为简单任务全做对之后,根本产生不了有效的学习信号。为此,团队搭建了一套极其严苛的自动化强化学习闭环,专挑那些 Agent 依然会栽跟头的高难度跨仓库工程硬骨头,塞进严格沙盒和保留单元测试里反复摔打。同时,系统对「绕过检查器、伪造测试结果」的作弊行为施以重罚,硬生生把严格环境下的内部虚构率压到了约 1.5% 的历史新低。

而真正托底这一切的终极筹码,是谷歌苦熬多年的全栈自研硬件终于迎来了兑现期。

当牌桌上的对手还在为英伟达 GPU 的供货紧缺和高昂算力账单承压时,谷歌第 7 代 TPU Ironwood 配合开源软件层 TPU Sync 已经成熟落地,能够把海量上下文的 KV 缓存,毫秒级卸载到主机内存里。

SemiAnalysis 的评测显示,Ironwood 在长上下文和多轮 Agent 场景下的每美元产出极具统治力,香到连死对头 Anthropic 都签下了大规模的 TPU 算力合作,而谷歌的第 8 代 TPU,甚至已经开始把训练芯片和推理芯片彻底拆开独立优化。正是底座上源源不断的自有算力,给了谷歌大打价格战、推行「Neon 加 Hydrogen」大小模型混编的底气。

几个月前还被群嘲的「北美大豆包」,终究靠着工程纪律和算力家底完成了自我救赎。当谷歌不再执着于用一篇宏大论文证明 AGI,转而用每两周一次的发版节奏把,好用的模型砸向市场,OpenAI 和 Anthropic 最不愿看到的那个恐怖对手,真正苏醒了。

*头图来源:Google

本文为极客公园原创文章,转载请联系极客君微信 geekparkGO


极客一问你重新用回谷歌 AI 了吗?