Chargement...

Google DeepMind a lancé Gemini 4 Neon, son quatrième modèle en sept semaines, qui est près de deux fois plus rapide et nettement moins cher que son prédécesseur, Gemini 4 Carbon. Cette sortie marque un tournant critique pour les petites et moyennes entreprises, car le coût par tâche pour le raisonnement IA de haut niveau est passé sous la barre des 7 dollars, rendant les flux de travail d'agents autonomes économiquement viables pour les équipes aux budgets limités.
Selon The Decoder, Gemini 4 Neon se positionne entre Carbon et Hydrogen dans la gamme de Google et dispose d'une fenêtre contextuelle d'un million de jetons pour le texte, les images, l'audio et la vidéo. À son niveau de raisonnement le plus élevé, « xhigh », Neon obtient 61 points sur l'Intelligence Index, dépassant les 60 points de Carbon. Bien qu'il soit derrière GPT-6.2 Astra d'OpenAI et Claude Fable 5.2 d'Anthropic, Google omet ces concurrents de ses propres tableaux comparatifs.
La tarification est l'argument principal. Via Google AI Studio et Gemini for Business, un million de jetons en entrée coûte 3 $ (ou 0,15 $ en cache), et un million de jetons en sortie coûte 15 $. C'est 25 % de moins que le prix habituel de Carbon, bien que 50 % de plus que le tarif promotionnel de Carbon, qui reste actif jusqu'à fin novembre. Artificial Analysis rapporte que les coûts par tâche pour Neon au niveau xhigh sont de 6,44 $, soit environ 17 % de moins que les 7,76 $ non remisés de Carbon. Notamment, Neon utilise environ 15 % de jetons de sortie en plus par tâche, ce qui signifie que les économies proviennent entièrement du prix catalogue par jeton plus bas. Au niveau de raisonnement « high », Neon égale le score d'intelligence de Carbon tout en réduisant les coûts par tâche de moitié. La vitesse s'est également considérablement améliorée, les temps de traitement passant d'environ 36 minutes à 21 minutes, Neon générant 110 jetons par seconde contre 57 pour Carbon.
Pour les développeurs, Neon est particulièrement compétitif sur le Coding Agent Index. Dans Google Antigravity, Neon au niveau xhigh obtient 59 points, battant Carbon (55) et Claude Opus 5.5 (58). Une tâche de codage moyenne coûte 6,86 $ avec Neon, contre 12,61 $ pour Opus et 15,47 $ pour Fable. Dans le test SWE-sweep, l'environnement Antigravity triple le taux de réussite de Neon à 39,0 %. De plus, Artificial Analysis a mesuré des gains importants dans le traitement visuel, Neon étant en tête du test AA-Briefcase pour la qualité de présentation avec 1771 points Elo.
Le principal obstacle à l'adoption d'agents IA dans les petites entreprises n'a jamais été la capacité, mais le coût imprévisible et souvent prohibitif de l'inférence. Pour une petite équipe, la différence entre un coût de 15,47 $ et 6,86 $ par tâche est la différence entre un projet pilote et un outil opérationnel évolutif. La capacité de Neon à égaler ou dépasser les performances de codage de concurrents plus coûteux comme Claude Opus 5.5 à près de la moitié du prix modifie l'économie unitaire du développement piloté par l'IA. De plus, la réduction de 40 % de la latence (de 36 à 21 minutes) n'est pas qu'un détail technique ; elle transforme l'IA d'un processus de traitement par lots en arrière-plan en un outil interactif pouvant être intégré dans des flux de travail en temps réel. Pour les petites entreprises, cette vitesse permet des tests itératifs et des boucles de rétroaction immédiates, essentielles pour créer des outils internes fiables sans équipe DevOps dédiée.
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.

Commentaires1
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.