专题 · FULL STORY

Gemini 4 Neon:从传闻到发布登顶

发布前,开发者实测传闻中的谷歌 Carbon 模型性能超 Opus 且价格更低;11 月 19 日谷歌正式推出 Gemini 4 Neon,登顶编码 Agent 榜单并连续在 Bug Hunt Bench、Surge 金融基准等评测中取得领先,以高性价比引发热议。

2026-11-10 ~ 2026-11-20 · 4 集 · 181 条

第 1 集 · Bug Hunt Bench 实测:Fable 5.2 居首,Gemini 4 Carbon 低价紧咬(2026-11-10,10 条)

独立评测者 Pawel Huryn 发布 Bug Hunt Bench,在两个真实仓库中重新植入 105 个真实漏洞(均为 2026 年初前沿模型会漏掉的 bug),对前沿编码模型做盲测,只统计真正修好且确属预先埋设的漏洞。结果显示 Fable 5.2 (max) 以 58/105 居首,成本 $139.65、耗时约 142.8 分钟;Gemini 4 Carbon (high) 以 57.3 分、$31 的成本紧追其后;DeepSeek V4.1 Flash 在每美元修复数上领先。

已确认

  • 榜首成绩:Fable 5.2 (max) 修复 58/105 个真实 bug,成本 $139.65,用时约 142.8 分钟(Pawel Huryn;Reddit 用户 Charuru 转述同一结果)
  • 新竞品:Gemini 4 Carbon (high) 在同一基准上得 57.3 分、成本仅 $31,约为 Fable 5.2 的四分之一到二十分之一;其 medium 档跑分追平 high 档,成本低 20%、速度快 29%(每档多轮测试)
  • 分档数据:Huryn 公布 Fable 5.2 各 effort 档位的完整成本/成绩(每档多轮平均),medium 档以约半价追平 Opus 5.5 max,xhigh 等档位数据同步公开
  • 覆盖统计:在 300+ 轮运行中,Fable 5.2 (max) 修复的 bug 里只有 1 个是此前从未被任何模型修过的;配套热力图展示各模型在 105 个植入漏洞上的分布
  • Sonnet 5.5 (max) 修复数低于 Fable 5.2 且成本更高
  • 性价比:DeepSeek V4.1 Flash 在每美元修复数上领先
  • 方法论:真实仓库、重新植入真实漏洞;盲校准评审,评委始终来自不同模型家族;答案密钥保密;Huryn 另发方法论 FAQ 回应常见疑问

为什么重要

  • 该基准用真实漏洞而非合成题目,并通过跨模型家族盲评降低偏袒,结果对编码模型选型参考价值较高
  • Gemini 4 Carbon 以远低于榜首的成本逼近第一,且其中档配置还能再省 20% 跑分不降,表明高价 max 档模型的优势并不稳固,价格应纳入选型考量
  • Fable 5.2 的 medium 档以更低成本追平竞品 max 档,说明推理档位调优可显著改善性价比
  • 覆盖统计表明各模型修的 bug 高度重叠,模型间的差异化能力可能比总分显示的更有限

第 2 集 · 传谷歌 Carbon 模型性能超 Opus 且便宜 250% 唯速度慢(2026-11-11,2 条)

据开发者 bindureddy 与 melvinjohnsonp 分享的实测信息(未经 Google 官方证实),谷歌新模型 Carbon 表现「真正前沿级」:综合性能超越 Anthropic 的 Claude Opus 5.5,价格便宜 250%,但生成速度慢约 3 倍。该消息目前仍属传闻性质,尚待官方确认。

第 3 集 · 谷歌发布 Gemini 4 Neon:登顶编码 Agent 榜单,性价比引热议(2026-11-18,167 条)

11 月 19 日,Google CEO Sundar Pichai 与 DeepMind CEO Demis Hassabis 官宣 Gemini 4 Neon 正式发布:定位介于 Carbon 与 Hydrogen 之间,主打前沿级智能与快速的端到端任务完成,覆盖复杂软件工程、知识工作与科研工作流,即刻向 Google AI Pro 与 Ultra 订阅用户开放(移动端、桌面端、网页端),并可通过 Gemini API(AI Studio)、Antigravity 等渠道使用,定价 $3/$15。这是谷歌七周内发布的第 4 款 Gemini 4 模型,距 Hydrogen 仅 6 天,Artificial Analysis 称其单任务成本再降 17%。

已确认

  • 官方能力要点:百万 token 上下文、四级可调思考档位、官方称最低幻觉率;擅长多文件调试与重构等「外科手术式」精准修改,以及有依据的多步问答
  • 第三方榜单:首发即登 Artificial Analysis 编码 Agent 指数第一,智能指数第 3(xhigh 档)、位居 Pareto 前沿;Vals Index 首次上榜列第二,准确率 70.87%,仅比榜首 Claude Fable 低,成本 $7.40/次、延迟 31m25s,不到 Claude 一半
  • François Chollet 评价其「在这个价位上数字真的令人印象深刻」;Wes Roth 指出其专为编码和复杂推理打造,谷歌发布节奏明显加快;WorldofAI 称其为 2026 年最强模型之一,对标 Opus 5.5 与 GPT-6.2;Logan K 称其为性价比最强的模型之一
  • Pawel Huryn 的 Bug Hunt Bench(bughunt.productcompass.pm):在 2 个真实仓库重新植入 105 个真实漏洞,盲测计分(满分 105),每模型跑 3 次,只计预埋 bug 的修复数。Gemini 4 Neon xHigh 以 63 分登顶(耗时 75.9 分钟、成本 $46.34);GPT-6.2 Astra (max) 以 62.7 分紧随其后(成本 $28.35,约为 Sonnet 的 1/5、Fable 5.2 的一半);GPT-6.2 Sol max 54.7 分、成本仅 $7.00,追平 Fable 5.2;Sol xhigh 以约 6% 的成本达到与 Fable 5.2 相近分数
  • Huryn 还提到 Neon 的订阅回血倍率超过 OpenAI 的两倍,并补齐各推理强度档位的得分-成本散点数据,给出不同档位/模型的分工建议
  • 匿名化 bug 覆盖数据显示:测试对象为 2026 年初所有前沿模型都未解决的困难 bug,GPT-6.2(max 档)三轮运行内至少修复了 71 个
  • 早期用户实测反馈积极:Victor Taelin 称 Neon 在他当晚尝试的几乎所有任务上击败了 Fable 5.2,并疑惑「这真的是个便宜模型吗」;DeryaTR 认为跑分本就是 SOTA 水准,实际体验同样出色

尚未确认

  • kimmonismus 11 月 18 日流传的评测表(标注源自 deepmind.google 的 evals-methodology 页面)称 Neon 在 AA Index 得 67 分居首、全面超越 Claude Fable 5.2,该截图未获证实
  • 经过数百次运行仍有 20 个 bug 从未被任何模型修复,是否可被现有模型解决仍属未知

为什么重要

  • Bug Hunt Bench 基于真实仓库与真实漏洞、盲测计分且多次运行,比单纯跑分更贴近日常修 bug 工作负载
  • 结果显示新一代模型在性价比上拉开明显差距:Neon 以最高分登顶,GPT-6.2 Astra 以更低成本紧咬,Sol 更以极低成本提供接近头部竞品的修复能力,为按预算选型提供直接参考
  • 「71 个曾被认为无法解决的 bug 被修掉」直观展示新模型的能力跃迁,「20 个从未被修掉」则标出当前边界;发布七周四款模型的节奏也显示谷歌在以高频迭代争夺前沿模型话语权

还有 147 条相关讨论 →

第 4 集 · Gemini 4 Neon登顶Surge金融基准,成本远低于Claude(2026-11-20,2 条)

Surge AI发布DAYJOB: Finance基准结果,该基准包含80个真实金融任务(信贷备忘录、估值模型、契约测试、压力测试等)。谷歌Gemini 4 Neon发布次日即登顶Tuesday@Work智能指数第一,成为首个击败Claude系列的模型,且价格比Claude便宜14倍,输出token量仅约为对手的三分之一,展现显著的性能与成本优势。