Présentation de Gemini 4 Neon
Google a présenté Gemini 4 Neon, un nouveau modèle qui vise à combiner un niveau d'intelligence de pointe et une exécution rapide de tâches complètes en ingénierie logicielle, en travail de bureau et en recherche scientifique. Selon les évaluations citées, il se classe troisième au classement général de l'Artificial Analysis Intelligence Index avec un score de 61 à son niveau de réflexion maximal, juste derrière des modèles plus gros et plus lents, et deuxième sur le Vals Index (70,9 %), où il se situe sur la frontière de Pareto. Il arrive aussi deuxième sur la maniabilité, c'est-à-dire sa capacité à intégrer des corrections en cours de tâche, au nouvel Agent Arena Index (1336 points sur plus de 4 200 sessions réelles). Il est numéro un sur le Legal Research Bench, le Tax Agent Bench, l'AutomationBench de Zapier (56,3 %) et Vending-Bench 2 d'Andon Labs (16 843 dollars), ainsi que sur l'Artificial Analysis Coding Agent Index (58,6). Il obtient 65,2 % sur Terminal-Bench 4.1, 46,2 % sur FrontierCode 2.0, et 70,5 % sur Terminal-Bench Science, 84,0 % sur RiemannBench et 71,3 % sur HLE-Diamond. Facturé 3 dollars le million de jetons en entrée (0,15 dollar en cache, soit 95 % de réduction) et 15 dollars en sortie, avec une fenêtre de contexte d'un million de jetons, il est déployé dans l'API Gemini via Google AI Studio, dans Gemini pour les entreprises, dans Google Antigravity pour les abonnés payants AI Pro et Ultra, et dans l'application Gemini.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de DeepMind Blog. Lire l'article original →
L'enjeu principal est celui du travail en entreprise, qui repose sur des tableurs, des PDF, des graphiques, de l'audio et de la vidéo. Neon peut synthétiser ces sources dans une seule fenêtre de contexte et produire des livrables structurés, ce qui le place en tête sur plusieurs tests de finance, de comptabilité, de modélisation de tableur et de respect de contraintes complexes menés par Surge AI. Il lit aussi les graphiques professionnels denses avec 73,5 % sur Chartography. Pour les développeurs, Google met en avant des workflows d'agents de longue durée : le modèle limite les lectures de fichiers redondantes, rend compte de son avancement et gère de façon fiable la compaction du contexte. Il effectue des corrections et refactorisations multi-fichiers par des modifications ciblées. Sur SWE-sweep, il atteint 12,8 % avec le harnais mini-SWE, puis 39,0 % dans Antigravity, un résultat qui illustre le poids de l'environnement d'exécution. Google affirme également avoir mesuré son taux de fabrication le plus bas à ce jour lors de tests internes.
Ce lancement s'inscrit dans la course aux modèles agentiques, où la compétition se joue désormais autant sur le rapport qualité-prix et la fiabilité en autonomie que sur les scores bruts. Google positionne Neon comme un orchestrateur rapide capable de piloter en parallèle des sous-agents Hydrogen dans Antigravity, et s'appuie sur des démonstrations : un simulateur de ski en WebGL2 sur le terrain réel du Mont-Blanc (10 200 lignes de shaders, physique à 120 Hz), une reconstitution 3D du bureau d'Alan Turing de 1936 à King's College, et une image transformée en feuille Google Sheets de 100 000 cellules animée par plus de 500 000 formules. Ces exemples visent à convaincre les entreprises et les développeurs que l'écosystème Gemini, du modèle à l'outil, peut rivaliser avec les offres concurrentes. La suite dépendra de la confirmation de ces résultats par des évaluations indépendantes et des usages en production.
Le modèle est accessible aux développeurs et entreprises européens via l'API Gemini et Google AI Studio, sans mesure spécifique à la France/UE mentionnée.