Wczytywanie...

Google DeepMind wydało Gemini 4 Neon, swój czwarty model w ciągu siedmiu tygodni, który jest prawie dwa razy szybszy i znacznie tańszy od swojego poprzednika, Gemini 4 Carbon. Premiera ta stanowi punkt zwrotny dla małych i średnich firm, ponieważ koszt wykonania zadania przez zaawansowane systemy AI spadł poniżej progu 7 dolarów, co czyni autonomiczne przepływy pracy agentów opłacalnymi dla zespołów z ograniczonym budżetem.
Według The Decoder, Gemini 4 Neon plasuje się między modelami Carbon i Hydrogen w ofercie Google i oferuje okno kontekstowe o wielkości miliona tokenów dla tekstu, obrazów, dźwięku i wideo. Na najwyższym poziomie rozumowania, "xhigh", Neon uzyskuje 61 punktów w Intelligence Index, wyprzedzając Carbon z wynikiem 60 punktów. Choć ustępuje modelom OpenAI GPT-6.2 Astra i Anthropic Claude Fable 5.2, Google pomija tych konkurentów w swoich tabelach porównawczych.
Cena jest główną zaletą. Poprzez Google AI Studio i Gemini for Business, milion tokenów wejściowych kosztuje 3 dolary (lub 0,15 dolara w przypadku cache'owania), a milion tokenów wyjściowych 15 dolarów. Jest to o 25% mniej niż standardowa cena Carbon, choć o 50% więcej niż promocyjna stawka Carbon, która obowiązuje do końca listopada. Artificial Analysis podaje, że koszty wykonania zadania dla Neon na poziomie xhigh wynoszą 6,44 dolara, co jest wartością o około 17% niższą niż nieprzecenione 7,76 dolara w przypadku Carbon. Co istotne, Neon zużywa około 15% więcej tokenów wyjściowych na zadanie, co oznacza, że oszczędności wynikają w całości z niższej ceny katalogowej za token. Na poziomie rozumowania "high", Neon dorównuje wynikowi inteligencji Carbon, jednocześnie obniżając koszty wykonania zadania o połowę. Szybkość również uległa znacznej poprawie, a czas przetwarzania spadł z około 36 minut do 21 minut, ponieważ Neon generuje 110 tokenów na sekundę w porównaniu do 57 tokenów w modelu Carbon.
Dla programistów Neon jest szczególnie konkurencyjny w rankingu Coding Agent Index. Wewnątrz środowiska Google Antigravity, Neon na poziomie xhigh zdobywa 59 punktów, pokonując Carbon (55) i Claude Opus 5.5 (58). Średnie zadanie programistyczne kosztuje 6,86 dolara przy użyciu Neon, w porównaniu do 12,61 dolara dla Opus i 15,47 dolara dla Fable. W teście SWE-sweep środowisko Antigravity potraja wskaźnik skuteczności Neon do 39,0 procent. Dodatkowo, Artificial Analysis odnotowało duże zyski w przetwarzaniu wizualnym, gdzie Neon prowadzi w teście AA-Briefcase pod względem jakości prezentacji z wynikiem 1771 punktów Elo.
Główną barierą w adopcji agentów AI w małych firmach nigdy nie były możliwości, lecz nieprzewidywalne i często zaporowe koszty wnioskowania. Dla małego zespołu różnica między kosztem 15,47 dolara a 6,86 dolara za zadanie to różnica między projektem pilotażowym a skalowalnym narzędziem operacyjnym. Zdolność modelu Neon do dorównania lub przewyższenia wydajności kodowania droższych konkurentów, takich jak Claude Opus 5.5, przy niemal połowie ceny, zmienia ekonomię rozwoju opartego na AI. Co więcej, 40-procentowa redukcja opóźnień (z 36 do 21 minut) to nie tylko kwestia techniczna; przekształca ona AI z procesów wsadowych w tle w interaktywne narzędzie, które można zintegrować z przepływami pracy w czasie rzeczywistym. Dla małych firm ta szybkość pozwala na iteracyjne testowanie i natychmiastowe pętle zwrotne, które są niezbędne do budowania niezawodnych narzędzi wewnętrznych bez dedykowanego zespołu DevOps.
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.

Komentarze1
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.