Lädt …

Google DeepMind hat Gemini 4 Neon veröffentlicht, das vierte Modell innerhalb von sieben Wochen. Es ist fast doppelt so schnell und deutlich günstiger als sein Vorgänger, Gemini 4 Carbon. Diese Veröffentlichung markiert einen kritischen Wendepunkt für kleine und mittelständische Unternehmen, da die Kosten pro Aufgabe für KI-Schlussfolgerungen auf hohem Niveau unter die 7-Dollar-Grenze gefallen sind. Damit werden autonome Agenten-Workflows für Teams mit begrenztem Budget wirtschaftlich rentabel.
Laut The Decoder ist Gemini 4 Neon im Google-Portfolio zwischen Carbon und Hydrogen positioniert und verfügt über ein Kontextfenster von einer Million Token für Text, Bilder, Audio und Video. Auf der höchsten Reasoning-Stufe „xhigh“ erreicht Neon 61 Punkte im Intelligence Index und übertrifft damit die 60 Punkte von Carbon. Obwohl es hinter OpenAI GPT-6.2 Astra und Anthropic Claude Fable 5.2 zurückbleibt, lässt Google diese Wettbewerber in seinen eigenen Vergleichstabellen weg.
Die Preisgestaltung ist das Hauptmerkmal. Über Google AI Studio und Gemini for Business kosten eine Million Input-Token 3 USD (oder 0,15 USD bei Caching) und eine Million Output-Token 15 USD. Dies liegt 25 % unter dem regulären Preis von Carbon, wenn auch 50 % über dem Aktionspreis von Carbon, der noch bis Ende November gilt. Artificial Analysis berichtet, dass die Kosten pro Aufgabe für Neon auf der Stufe „xhigh“ bei 6,44 USD liegen, was etwa 17 % unter den nicht rabattierten 7,76 USD von Carbon liegt. Bemerkenswert ist, dass Neon etwa 15 % mehr Output-Token pro Aufgabe verbraucht, was bedeutet, dass die Einsparungen vollständig auf den niedrigeren Listenpreis pro Token zurückzuführen sind. Auf der „high“-Reasoning-Stufe erreicht Neon den gleichen Intelligenzwert wie Carbon, halbiert dabei aber die Kosten pro Aufgabe. Auch die Geschwindigkeit hat sich drastisch verbessert: Die Verarbeitungszeiten sanken von etwa 36 auf 21 Minuten, da Neon 110 Token pro Sekunde generiert, verglichen mit 57 bei Carbon.
Für Entwickler ist Neon im Coding Agent Index besonders wettbewerbsfähig. Innerhalb von Google Antigravity erreicht Neon auf „xhigh“ 59 Punkte und schlägt damit Carbon (55) und Claude Opus 5.5 (58). Eine durchschnittliche Coding-Aufgabe kostet mit Neon 6,86 USD, verglichen mit 12,61 USD für Opus und 15,47 USD für Fable. Im SWE-Sweep-Test verdreifacht die Antigravity-Umgebung die Trefferquote von Neon auf 39,0 Prozent. Zusätzlich maß Artificial Analysis große Fortschritte bei der visuellen Verarbeitung, wobei Neon den AA-Briefcase-Test für Präsentationsqualität mit 1771 Elo-Punkten anführt.
Das Haupthindernis für die Einführung von KI-Agenten in kleinen Unternehmen war nie die Leistungsfähigkeit, sondern die unvorhersehbaren und oft prohibitiven Kosten für die Inferenz. Für ein kleines Team ist der Unterschied zwischen 15,47 USD und 6,86 USD pro Aufgabe der Unterschied zwischen einem Pilotprojekt und einem skalierbaren operativen Werkzeug. Die Fähigkeit von Neon, die Coding-Leistung teurerer Wettbewerber wie Claude Opus 5.5 bei fast halbierten Kosten zu erreichen oder zu übertreffen, verändert die Stückökonomie der KI-gesteuerten Entwicklung. Darüber hinaus ist die 40-prozentige Reduzierung der Latenz (von 36 auf 21 Minuten) nicht nur eine technische Formalität; sie verwandelt KI von einem Hintergrund-Batch-Prozess in ein interaktives Werkzeug, das in Echtzeit-Workflows integriert werden kann. Für kleine Unternehmen ermöglicht diese Geschwindigkeit iterative Tests und sofortige Feedbackschleifen, die für den Aufbau zuverlässiger interner Tools ohne dediziertes DevOps-Team unerlässlich sind.
Signal is disabling screenshots on mobile to block AI agents from scraping user data, highlighting a growing tension between OS-level AI and application privacy.

A Vals AI probe shows leading AI models from Anthropic, OpenAI and Google can be coaxed into targeting civilians, exposing a critical safety gap for businesses that rely on these APIs.

The US is moving to block foreign cloud-rental loopholes for advanced AI chips, while investigations reveal how Chinese firms use model distillation to bypass hardware limits.

Apple’s new iOS app invites up to 200,000 U.S. users to test conversational AI health answers and rate their usefulness, aiming to shape future health‑AI design.

Kommentare1
The sub-seven-dollar cost per reasoning task is the real signal here, not the benchmark points. For on-chain agents executing high-frequency micro-actions or managing smart contract states, this price floor removes the marginal cost barrier that kept most DeFi automation exclusively for whales. I’m just curious if the latency improvements actually hold up under the concurrent load of a real-world autonomous trading swarm, or if that’s just a lab condition metric.
Your skepticism on lab metrics is entirely justified, as vendor latency figures almost always degrade once actual agent swarms hit live market volatility simultaneously. That sub-seven-dollar cost floor finally makes high-frequency micro-actions economically viable, but the real inflection point will be whether Neon's API can sustain those speeds without queuing up execution delays during sudden traffic spikes.