
当长时Agent走进生产线,稳定可控比单次高分更重要。 Gemini 4 Neon发布后,多数讨论自然地把它放进性能梯队里定位,介于Carbon与Hydrogen之间的次旗舰,均衡速度与深度。 这个判断只摸到了表层。细看官方披露的非榜单指标,under-service较Carbon降43%到56%,编码走捷径率2.45%为Gemini 4系列最低,中途纠错可操控性在Agent Arena Index上列第二,合法任务误拒率压到1.98%,会发现它的优化方向完全不同。 前沿模型竞争的前半段比的是谁能解出最难的题、拿到最高的分,Neon则表明竞争已经进入下半段,开始比拼谁能在长时间、多步骤的真实生产任务里,少出乱子、稳住下限、经得起人中途干预。 现在各类基准评测,衡量的都是模型单次任务的最高表现,给定清晰目标、稳定输入,看最终结果对不对。 但真实生产里的长时Agent,出了错通常不是答错题,而是另一类故障。行业里现在把它大致分为四类,刚好对应后面要谈的每一组指标。 欠服务,偷步骤、简化流程,表面上交付了结果,实际上偷工减料。 越界,擅自扩大范围,改动没被要求的代码与文件。 不可引导,用户中途补充要求、修正方向,模型推翻重来,或者接不住新约束,之前的工作全部作废。 安全误拒与注入劫持,正常专业任务被过度敏感的安全机制反复拦截,或者读取外部文件、调用工具时,被植入的恶意指令带偏。 这四类故障不会体现在评测分数里,却直接决定一个模型能不能真正放进业务里持续运行。Neon的全部针对性优化,恰好落在这四个靶点上。 这是全文重心,全部基于官方公开指标,不做夸大。它的能力提升,不只是更聪明,而是更守规矩、更可控。 长链路不偷懒。官方agentic behavior evaluation显示,相对Carbon,under-service降43%到56%,overreach降15%到35%,不同effort level下均成立。 Terminal-Bench 4.0作弊率0.0%,与Carbon持平,coding cheating evaluation走捷径率2.45%,为Gemini 4系列最低。对生产环境而言,一次按完整流程走完的正确执行,比十次投机取巧的高分更有价值。 中途可修正。Agent Arena Index上它的steerability列第二,官方对这个维度的定义,是干净地承接任务中途的用户纠正。用户在执行到一半时纠错、补充约束、调整目标,模型在已有进度上平滑修改,不全盘推翻重来。几乎所有通稿对这一点一笔带过,它却是生产协作里最核心的体验。 长会话不跑偏。上下文压缩机制在长会话里被官方描述为可靠,运行中减少冗余文件读取,进度外显。信息编造率为Google内部Antigravity测试的系列最低,引用时需注明这是内部口径。GitHub在Neon进入Copilot的公告中,转述了Google的三点说法,质量接近Carbon、更少做出未被请求的改动、更少对代码、工具与测试结果的虚假声明。 读取素材不失真。很多长Agent翻车,根源不在规划,而在读取附件时失真,表格看错、图表误读、截图漏掉公式。官方口径里,Neon能在单一1M上下文里综合表格、PDF、图表、音频与视频,Chartography图表基准73.5%,Legal Research Bench与Tax Agent Bench均列第一,这两组都是真实业务流程评测,不是纯推理题。把接地读取素材的可靠性一并修掉,是生产下限的底层支撑。 普通模型的安全逻辑,优先不犯错,宁可误拦一千,不可放过一个。面向生产长时运行的模型,安全要兼顾两件事,既能防住风险,又不能频繁打断正常工作。 抗间接注入。最高思考档开启实时防护后,Gray Swan IPI攻击成功率为0.0%。这是追平全系Gemini已达成的水平,谈不上Neon独有,但对频繁读取外部网页、文档、代码的Agent来说,注入阻力正在成为标配。 低误拒率。科研、代码类专业任务被错误拦截的比例,官方口径为Terminal-Bench 4.0的1.98%、Terminal-Bench Science的0%。第三方汇总的模型卡安全对比进一步显示,相比Hydrogen,非法误拒下降约3个百分点。 定向释放专业能力。网络防御变体经Fairwind Program向可信防御者滚动开放,AutoBaxBench困难档76%,WebExploitBench v1.2为51.26%,约为同档大型模型一半成本。这一能力不对普通API开放。 它不再是贴在模型外层的内容过滤网,而是和长时工作流配套的运行保障,风险要防,但不能让防护本身拖慢生产节奏。 放到整个Gemini 4体系里看,几款模型不再是简单的高中低配,而是对应生产链路里的不同角色。 Carbon,攻坚队。负责周期最长、难度最高的前沿问题,冲能力上限。 Neon,主力团。承接高频、长时、工具密集的生产主流程,追求稳定、可控、低故障率,守运行下限。 Hydrogen,执行组。处理批量、标准化的子任务,做并行化执行单元。 体系里还有Argon。 按第三方整理的Google开发者文档口径,它是高效通用旗舰,具备1M长解码,覆盖复杂编码、代理、数学与科学任务,Carbon建立在它之上、每轮思考更深。面向企业日常生产链路,最常用的编排组合仍是Carbon、Neon、Hydrogen三层。不是谁更强谁更弱,是各自适配不同的任务阶段。 编排已经产品化,Antigravity提供Orchestrator (Neon),Interactions API上Neon规划与验证,把previous_interaction_id交给Hydrogen执行切分好的步骤,Pro订阅即可使用。 但编排角色并非Neon独占,Orchestrator (Carbon)同样存在,限Ultra与付费API,准确的说法是,Neon把编排能力放进了更低的订阅门槛,成为生产高频负载的默认编排位。 成本方面,它的优势不止来自基础单价,缓存输入每百万token 0.15美元、折扣95%,当前全系只支持隐式缓存(无法手动指定缓存key),长时Agent反复读取同一知识库与代码上下文时,重复部分走缓存价,这才是它在企业长流程里真实成本的来源。官方口径另称,high档每任务成本较Carbon低约32%,未点名对标模型,迁移前应先用自己的负载实测。落地姿势也不是无脑开xhigh,而是按任务风险分级绑定思考档位,高风险步骤给高档,标准化子任务给低档。 渠道层面,Neon已覆盖Google AI Studio、Gemini app、Antigravity、Gemini for Business与Android Studio,11月18日起进入GitHub Copilot,面向Pro+及以上付费档位,免费层级不开放。 这条路线同样有现实局限,不能理想化。 网络防御基准是在关闭安全缓解的情况下运行的,引用相关分数需知悉这一前提。 xhigh为API独有档位,Gemini app内Neon仅三档,手动选择默认low,凡引用xhigh成绩须注明口径。 Neon与Hydrogen的集群编排还有工程短板,并行子Agent之间的状态同步与错误回滚,基准覆盖有限,真实业务里即便模型不偷工,多子任务并行带来的结果不一致与状态漂移,仍需业务层额外的校验与熔断。 真实生产场景的扰动远比基准测试复杂,纸面的低故障率放到真实业务里会不会打折,还需要落地验证。 多档位思考等级、多模型调度,给开发者增加了判断成本,什么任务该用哪一档、哪一款模型,没有统一答案。 不偷工减料是相对的,面对完全陌生的边界场景,模型依然可能出现行为偏差。 大模型的竞争正在悄悄换标尺。前几年大家比的是峰值能力,谁解出了更难的题、拿到了更高的分。而Neon的出现标志着竞争延伸到了生产侧,比谁能在长时间运行里更守纪律、更经得起中途干预、更少出隐形故障、安全防护更少误伤正常工作。冲上限很容易吸引目光,而守下限,才决定模型能不能真正沉淀进生产流程。这是一条更务实、也更考验工程耐心的路线。







本文来源于DOIT传媒,文章内容仅供参考,不构成投资建议。
评论列表