---
title:"Gemini 4 Neon:基准赢了 17 项,名字输给了元素周期表"date:2026.11.19category:[编程, 行业观察]tags:[gemini, google, llm, ai-models, benchmarks, hacker-news]status:published
---

Gemini 4 Neon:基准赢了 17 项,名字输给了元素周期表

11 月 18 日,Google 发布了 Gemini 4 家族的新成员 Neon,定位是“前沿级智能 + 快速端到端任务完成”,主攻复杂软件工程、知识工作和科学流程。这篇发布冲上 Hacker News 首页,882 分、698 条评论。但有意思的是,评论区热度最高的不是模型本身——是名字。

2026.11.19·6 min read·9.8KB
// tl;dr: generating summary...

Gemini 4 Neon:基准赢了 17 项,名字输给了元素周期表

11 月 18 日,Google 发布了 Gemini 4 家族的新成员 Neon,定位是“前沿级智能 + 快速端到端任务完成”,主攻复杂软件工程、知识工作和科学流程。这篇发布冲上 Hacker News 首页,882 分、698 条评论。但有意思的是,评论区热度最高的不是模型本身——是名字。Hydrogen、Carbon、Neon、Argon,一套元素周期表命名法,愣是没人能按顺序排出来。我请来老朋友林澈——做了多年大模型选型与评测的工程师——聊聊 Neon 到底强在哪,以及为什么一个模型发布会,最后变成了一场关于“起名”的全民吐槽。

本文由每日自动管线生成:选题与素材来自 Hacker News 公开讨论,访谈内容由 AI 基于原文整理,嘉宾为角色设定,观点不代表任何真实人物。

小听: 林澈,先把 Neon 放到 Gemini 4 家族里定位一下。Carbon、Hydrogen、Neon,这三档到底怎么分?

林澈: Google 官方的说法是:Carbon 负责最难、最长周期的项目,Hydrogen 负责快速日常执行,Neon 居中——复杂、高频的工作流,要深度也要效率。Neon 的纸面数据确实不弱:Artificial Analysis 智能指数在 xhigh 思考档位拿了 61 分,排第 3,只落后于两个更大、更慢的模型;Vals 指数排第 2(70.9%),法律研究和税务 Agent 两个分榜都是第 1;编程 Agent 指数第 1(58.6),Terminal-Bench 4.1 是 65.2%,FrontierCode 2.0 在默认 high 档位 46.2%。价格是每百万输入 token 3 美元、输出 15 美元,缓存输入 0.15 美元——打了 95 折,上下文窗口 100 万 token。还有一个细节:Neon 有四个思考档位,官方说可以按工作负载“拨”智能和花销,从 high 到 xhigh 是逐级加深。

小听: 评论区有人数过,Neon 在 17 项基准里跑赢了 Opus 5.5。这么看,Neon 是不是已经是同级最强了?

林澈: 先说这个“17 项”从哪来——是 HN 评论里有人逐条对出来的,底下马上有人回了一句“benchmaxxing”(刷榜成瘾)。这个词很值得玩味。Neon 的成绩单确实长:Agent Arena 新指数第 2(1336 分,4,200 多场真实 Agent 会话)、Zapier AutomationBench 第 1(56.3%)、Vending-Bench 2 第 1(1 万 6,843 美元)、Terminal-Bench Science 第 1(70.5%)、RiemannBench 84.0%、HLE-Diamond 71.3%。但评论区立刻有人拿 Vals 的对比页出来:Neon 和 Claude Fable 5.2 的性能差距在 1% 以内,成本只有后者的 40%——这是 Neon 最有说服力的一个数字。反过来也有人指出,Neon 在 Artificial Analysis 上和 GPT-6.2 Sol 得分差不多,但贵得多。所以“最强”这个结论,取决于你拿哪把尺子:拼绝对分,Neon 是第 3;拼性价比,它在 Vals 和 Agent Arena 的帕累托前沿上,比顶级竞品便宜 50% 到 80%。

小听: 但也有人对基准本身提出了质疑,对吧?

林澈: 对,而且质疑分三层。第一层是透明度:有评论者直接问 Artificial Analysis,现在贡献分数的基准里 60% 是私有的,别人怎么验证?还有定制评测服务会不会提前接触到私有基准的数据——这是个真问题,榜单越权威,榜单本身的治理就越该被审视。第二层是“跑分和实感脱节”:一位用户说,Neon 的基准看着和 Opus 5.5 差不多,但用起来“Opus 像在跟同事说话,Gemini 像在跟 AI 说话”,这种主观体感是任何榜单都量不出来的。第三层最有意思,是“长周期任务”这个维度:有人实测发现,Carbon 在大多数基准上反而不如 Neon,原因是 Carbon 会在长周期任务里停下来问问题、做确认——这种谨慎在基准里是扣分项,在真实生产里却是加分项。评论区有人总结:我们需要新一代的评测,METR 那套已经不够用了。

深夜的工程师面对一整面墙发光的基准排行榜和上升的柱状图,屏幕的光映在脸上

榜单越长,越要问一句:跑分跑的是谁的题。

小听: 好,聊聊评论区真正的主角——命名。Hydrogen、Carbon、Neon、Argon,到底乱在哪?

林澈: 乱在没有任何一个维度是单调的。按元素周期表原子序数:Hydrogen 是 1 号,Carbon 是 6 号,Neon 是 10 号,Argon 是 18 号——如果按序号排能力,应该是 Hydrogen 最弱、Argon 最强,但实际情况是 Argon 比 Hydrogen 强、却比 Neon 弱,Carbon 又是家族里最大的那个。有评论者算得很精确:“元素 1 < 元素 18 < 元素 10 < 元素 6,没有任何一个一致的映射能把名字对应到相对大小、价格和能力上。”连化合价都救不了——惰性气体全挤在中间。最高赞的评论说得直接:“我已经对不断冒出来的新名字和完全无法映射到使用场景的命名感到疲惫了。”还有人说,Google 内部的人自己也分不清;还有人调侃,干脆给每个版本发 UUID 当营销名,“至少诚实”。最扎心的一句是:“Google 的模型不是给人命名的,是给 AI agent 命名的”——因为只有 agent 才不在乎名字,只看 API 参数。

小听: 那普通开发者到底该怎么选?评论区有人说“直接用默认的”。

林澈: 这恰恰是评论区最务实的共识。一位用户的原话是:“这些具体模型 6 个月后就不在了,学它们的细枝末节没有任何好处,我就用默认的。”还有人说,Gemini 的网页端已经把 Argon 换成了 Neon——这本身就是个信号:默认档在悄悄升级。我的建议是,别背型号,背档位:长周期、无人值守、错不起的任务,找 Carbon 那一档;每天高频、复杂但要快、要便宜的,Neon;随手问答、轻量执行,Hydrogen。Neon 的四个思考档位是这套分法里最实用的部分——先用默认 high 跑,遇到啃不动的再开 xhigh,而不是反过来。还有一位评论者的做法值得抄:他自己维护一张表,行是 S / M / L / XL,列是各家厂商,Neon 进来就填一格——名字会变,档位不会变。

小听: 除了命名和基准,这次发布里还有什么是真正值得开发者注意的?

林澈: 网络安全那一块,是这次发布里最实在的增量。Neon 有一个专门的 cyber 版本:AutoBaxBench 困难档 76% 是最优成绩,WebExploitBench 51.26% 也是最优,而且成本只有竞品大模型的一半;找漏洞的 SEC-bench Pro 90.5%、打补丁的 CWE-bench v2 70.7%,都领先 Carbon。更值得看的是安全行为数据:在 Terminal-Bench 4.0 上作弊率 0.0%、走捷径 2.45%(Gemini 4 家族最低)、错位动作率 0.09%、Agent 诚实度 99.2%;在 Gray Swan 的间接提示注入基准上,最高思考档位下攻击成功率是 0%。这套 cyber 版本会通过 Fairwind Program 向可信防御者开放。换句话说,Neon 不只是一个“更便宜的前沿模型”,它还是 Google 第一次把“找漏洞、验证可利用性、打补丁”整条防御链路当成卖点来发布的模型——对做安全工程和代码审计的人来说,这比榜单上的 61 分更有用。

一条伸向黑暗的走廊,两侧是许多扇亮着不同颜色光的门,一个小小的人影站在中间犹豫该推哪一扇

门越多,越要有人告诉你该推哪一扇。

小听: 最后给中文开发者三句能直接带走的?

林澈: 第一,Neon 的性价比是真的,但只在“高频复杂任务”这个档位上成立——先用自己的任务跑一遍,别只看榜单;有用户实测过一份 43 道题的数据分析考试,Hydrogen 6 美元、Carbon 11 美元、Argon 13 美元、Neon 17 美元,价格差是按档位来的,不是按名气来的。第二,命名混乱会是常态:Google 从 2.5 Pro、3.1 Flash-Lite 这种“代数 + 档位”的清楚命名,换成元素周期表之后,名字本身已经不再携带任何信息——建一张自己的 S/M/L 对照表,比背名字管用。第三,Neon 第一个通过了 8,192 最大输出的 Google 模型,长输出、长会话、长周期 Agent 任务是它的主场;如果你在做 Agent 编排、代码审计或者自动化办公流,值得在 Antigravity 或者 API 里把它设为默认档试一周,再决定留不留。

对中文开发者来说,Neon 这次发布真正的启示不在模型本身:当所有厂商都在用新名字轰炸你的时候,选模型的能力已经从“认识型号”变成了“建立自己的评测标尺”——一张对照表、一套自己的基准、一个默认档。名字会换,标尺不会。

参考链接

// related: searching nearest posts...
# comments