Gemini 4 Neon
جمنای ۴ نئون؛ مدل جدید گوگل برای کدنویسی، تحلیلهای پیچیده و گردشکارهای سازمانی
گوگل از جدیدترین عضو خانواده نسل چهارم مدلهای خود با نام Gemini 4 Neon رونمایی کرد؛ مدلی که با هدف ارائه هوش سطح پیشرفته، همراه با سرعت بالا در اجرای سرتاسری وظایف پیچیده، توسعه نرمافزار، فعالیتهای دانشی و گردشکارهای علمی طراحی شده است. Neon تلاش میکند میان توانایی استدلال، سرعت اجرا و هزینه تعادل برقرار کند و برای استفاده در محیطهای عملیاتی و سازمانی مناسب باشد.
مدل جمنای ۴ نئون از پنجره زمینه یکمیلیونتوکنی پشتیبانی میکند. قیمت استفاده از آن نیز برای هر یک میلیون توکن ورودی ۳ دلار، توکن ورودی ذخیرهشده (Cached Input) برابر با ۰٫۱۵ دلار و توکن خروجی ۱۵ دلار تعیین شده است. هزینه توکنهای ورودی ذخیرهشده نسبت به ورودی عادی ۹۵ درصد کمتر است.
عملکرد در فعالیتهای سازمانی، تحلیلی و علمی
Gemini 4 Neon برای پردازش دادههای متنوع سازمانی، از جمله صفحات گسترده، فایلهای PDF، نمودارها، فایلهای صوتی و ویدئویی طراحی شده است. این مدل میتواند اطلاعات موجود در این منابع را در پنجره زمینه یکمیلیونتوکنی ترکیب و به خروجیهای ساختاریافته تبدیل کند.
در ارزیابیهای مستقل، نئون در شاخص Vals رتبه دوم را با امتیاز ۷۰٫۹ درصد به دست آورده و در دو آزمون Legal Research Bench و Tax Agent Bench رتبه نخست را کسب کرده است. همچنین در ارزیابیهای Surge AI، در بیشتر آزمونهای مرتبط با امور مالی، حسابداری، مدلسازی صفحات گسترده و پیروی از محدودیتهای پیچیده، رتبه نخست را به دست آورده است.

بر اساس شاخص Artificial Analysis Intelligence Index، این مدل در سطح استدلال xhigh با امتیاز ۶۱ در جایگاه سوم قرار گرفته است. در شاخص Vals نیز با امتیاز ۷۰٫۹ درصد رتبه دوم را به دست آورده است. نئون همچنین در شاخص جدید Agent Arena از نظر قابلیت هدایتپذیری (Steerability)، یعنی توانایی سازگاری با اصلاحات کاربر در میانه انجام وظایف، رتبه دوم را کسب کرده است. گوگل میگوید این مدل در پیروی از دستورالعملهای چندمرحلهای عملکرد قدرتمندی دارد و در آزمایشهای داخلی Google Antigravity کمترین نرخ ساخت اطلاعات نادرست (Fabrication) را در میان مدلهای این خانواده ثبت کرده است.
این مدل در آزمون Chartography که توانایی خواندن نمودارهای حرفهای و متراکم را ارزیابی میکند، امتیاز ۷۳٫۵ درصد کسب کرده و در آزمون Agents’ Last Exam v1.1 با امتیاز ۷۵٫۸ درصد عملکردی همسطح مدلهای پیشرو داشته است. Neon همچنین در AutomationBench شرکت Zapier با امتیاز ۵۶٫۳ درصد و Vending-Bench 2 شرکت Andon Labs با ثبت عملکرد مالی ۱۶ هزار و ۸۴۳ دلار، رتبه نخست را کسب کرده است. آزمون دوم، شبیهسازی بلندمدتی از اداره یک کسبوکار است.
در شاخص Agent Arena نیز نئون با امتیاز ۱۳۳۶، در میان بیش از ۴۲۰۰ جلسه واقعی اجرای عاملهای هوش مصنوعی، رتبه دوم جهانی را به دست آورده است. در حوزه استدلال علمی و ریاضی نیز این مدل در آزمونهای Terminal-Bench Science با امتیاز ۷۰٫۵ درصد، RiemannBench با امتیاز ۸۴ درصد و HLE-Diamond با امتیاز ۷۱٫۳ درصد به عملکرد برتر دست یافته است. این ارزیابیها حوزههایی مانند تحلیل کمی، ریاضیات و مسائل پژوهشی فنی را پوشش میدهند.
تواناییهای پیشرفته در توسعه نرمافزار
یکی از حوزههای اصلی تمرکز Gemini 4 Neon، اجرای گردشکارهای طولانیمدت مبتنی بر عاملهای هوش مصنوعی است. این مدل میتواند وظایف پیچیده و وابسته به ابزارهای مختلف را بهصورت سرتاسری مدیریت کند؛ چه بهصورت مستقل و چه در نقش هماهنگکننده (Orchestrator) برای هدایت عاملهای فرعی Hydrogen در محیط Google Antigravity.
نئون در جلسات طولانی، عملکرد خود را حفظ میکند، از خواندن تکراری فایلها میکاهد، پیشرفت کار را بهصورت مستمر گزارش میدهد و مدیریت فشردهسازی زمینه (Context Compaction) را با قابلیت اطمینان انجام میدهد. در شاخص Artificial Analysis Coding Agent Index، این مدل با امتیاز ۵۸٫۶ رتبه نخست را کسب کرده است. همچنین در Terminal-Bench 4.1 امتیاز ۶۵٫۲ درصد و در FrontierCode 2.0، در سطح پیشفرض high، امتیاز ۴۶٫۲ درصد به دست آورده است.
برای توسعه کد آماده استفاده در محیط عملیاتی، نئون میتواند اشکالزدایی و بازآرایی (Refactoring) چندین فایل را در سراسر مخازن کد انجام دهد و تغییرات هدفمند و محدود اعمال کند. در آزمون SWE-sweep نیز امتیاز این مدل در محیط mini-SWE برابر با ۱۲٫۸ درصد است؛ رقمی که در محیط ارزیابی Google Antigravity به ۳۹ درصد افزایش مییابد.
تعادل میان عملکرد، سرعت و هزینه
گوگل برای Gemini 4 Neon چهار سطح استدلال در نظر گرفته است تا سازمانها بتوانند میزان هوشمندی موردنیاز و مصرف توکن را متناسب با نوع وظیفه تنظیم کنند. در سطح پیشفرض high، این مدل ضمن دستیابی به امتیاز بالای هوشمندی، هزینه اجرای هر وظیفه را در مقایسه با مدل Carbon حدود ۳۲ درصد کاهش میدهد. Neon همچنین در سطح high روی مرز پارتو (Pareto Frontier) شاخصهای Vals و Agent Arena قرار میگیرد و هزینه اجرای وظایف آن حدود ۵۰ تا ۸۰ درصد کمتر از مدلهای پیشرو رقیب است.
سطح xhigh برای وظایفی طراحی شده است که به استدلال عمیقتر و چندمرحلهای نیاز دارند؛ از جمله مسائل پیچیده مهندسی، تحلیلهای پیشرفته و پژوهشهای علمی. نئون در این سطح بالاترین امتیاز هوشمندی خود را ثبت میکند، درحالیکه هزینه اجرای هر وظیفه آن بیش از ۳۶ درصد کمتر از مدلهای رقیب در بالاترین سطح استدلالشان باقی میماند.
کاربرد در امنیت سایبری
گوگل نسخه تخصصی Gemini 4 Neon for Cyber را نیز برای دفاع و امنیت سایبری معرفی کرده است. این نسخه در تولید کد امن، شناسایی آسیبپذیریها، اعتبارسنجی ریسک و اصلاح کدهای آسیبپذیر کاربرد دارد. در آزمون AutoBaxBench، این مدل در تولید کد امن در تمامی سطوح آسان، متوسط و دشوار از Carbon عملکرد بهتری داشته و در سطح دشوار به امتیاز ۷۶ درصد رسیده است. در آزمون WebExploitBench v1.2 نیز با امتیاز ۵۱٫۲۶ درصد به عملکرد پیشرفتهای دست یافته و هزینه آن نصف مدلهای بزرگ رقیب است.
در چرخه شناسایی و رفع آسیبپذیری، نئون در آزمون SEC-bench Pro امتیاز ۹۰٫۵ درصد کسب کرده و در هر چالش تقریباً نصف هزینه را در مقایسه با مدلهای رقیب دارد. در آزمون ExploitGym نیز با مصرف حدود نیمی از توکنهای Carbon، عملکردی در سطح مدلهای پیشرو ثبت کرده است. همچنین در آزمون CWE-bench v2 امتیاز ۷۰٫۷ درصد به دست آورده که ۳٫۴ درصد بهتر از Carbon است. این نسخه قرار است طی روزهای آینده از طریق برنامه Fairwind در اختیار مدافعان سایبری تأییدشده قرار گیرد.
ایمنی، همراستایی و رفتار قابلاعتماد
گوگل اعلام کرده است که Gemini 4 Neon بر پایه سازوکارهای ایمنی و امنیتی خانواده Gemini 4 توسعه یافته و در برابر سوءاستفادههای جدی و حملات تزریق پرامپت (Prompt Injection)، سطح حفاظتی مشابه Carbon دارد. درعینحال، این مدل برای کاهش رد درخواستهای مشروع و بهبود رفتار عاملمحور بهینهسازی شده است.
در آزمون Terminal-Bench 4.0، نرخ تقلب نئون صفر درصد بوده و در ارزیابی اختصاصی تقلب در کدنویسی، تنها در ۲٫۴۵ درصد وظایف میانبر زده است که پایینترین نرخ در میان مدلهای Gemini 4 است. نرخ اقدامات ناهمراستا در مجموعه ارزیابی ایمنی عاملمحور نیز ۰٫۰۹ درصد و نرخ موفقیت در ارزیابی صداقت عامل ۹۹٫۲ درصد گزارش شده است.
در برابر حملات تزریق پرامپت غیرمستقیم نیز نئون مقاومت بالایی نشان داده است. در بالاترین سطح استدلال و با فعالبودن سازوکارهای حفاظتی بلادرنگ، این مدل در تمام حملات آزمون Gray Swan مقاومت کرده و نرخ موفقیت حمله صفر درصدی ثبت کرده است.
جایگاه Neon در خانواده Gemini 4
در اپلیکیشن Gemini، این مدل برای نگارش، تحلیل و پژوهشهای پیچیده کاربرد دارد. نئون میتواند فایلهایی مانند صفحات گسترده، PDF و تصاویر را دقیقتر بخواند، گزارشها و خلاصههای ساختاریافته تولید کند و اطلاعات مرتبط را از سرویسهایی مانند Gmail و Google Docs استخراج کند. همچنین اجرای وظایف چندمرحلهای، مانند تحلیل صورتحسابها یا بررسی اسناد و رسیدهای متعدد، با سرعت و بهرهوری بیشتری انجام میشود.
در خانواده Gemini 4، مدل Carbon برای پروژههای دشوار و بلندمدت، Hydrogen برای اجرای سریع وظایف روزمره و Neon برای کدنویسی پیچیده، استدلال تحلیلی و گردشکارهای سازمانی در نظر گرفته شده است. در واقع، نئون تلاش میکند توانایی استدلال پیشرفته را با سرعت بیشتر و هزینه عملیاتی پایینتر ترکیب کند.

این مدل از طریق Gemini API در Google AI Studio و Android Studio، سرویس Gemini for Business، محیط Google Antigravity و اپلیکیشن Gemini در دسترس قرار گرفته است. دسترسی به برخی از این بسترها به اشتراکهای پولی Google AI Pro و Ultra وابسته است. نسخه تخصصی امنیت سایبری نیز از طریق برنامه Fairwind در اختیار مدافعان واجد شرایط قرار خواهد گرفت.
بنچمارکها






