Le 18 novembre 2026, Google DeepMind a lancé Gemini 4 Neon pour accélérer les tâches complexes de programmation, d’analyse et de recherche. Le modèle dispose d’un contexte d’un million de jetons et commence son déploiement dans l’écosystème Gemini. Google revendique d’ailleurs un équilibre entre performances, coût et capacité à suivre les corrections pendant le travail.
Pourtant, une réponse rapide ne suffit pas quand on attend un rapport terminé ou une modification de code vérifiée. Il faut aussi compter les outils mobilisés, les reprises et les interventions nécessaires. Et Neon cherche à réduire cette durée totale d’exécution. Pour en apprécier l’intérêt, il faut distinguer les caractéristiques du modèle, ses résultats d’évaluation et les témoignages de ses premiers utilisateurs.
Où se situe Gemini 4 Neon dans la gamme Google ?
Neon vise les tâches complexes et fréquentes, sans reprendre exactement le rôle des autres modèles. Carbon reste destiné aux projets les plus ambitieux et prolongés, tandis que Gemini 4 Hydrogen privilégie l’exécution quotidienne rapide. Neon convient donc quand il faut un raisonnement approfondi avec un coût et un délai contenus. Google ne le présente pas comme le remplaçant systématique de Carbon.
Au lancement, il atteint 61 points à l’Artificial Analysis Intelligence Index avec le réglage xhigh. Il occupe la troisième place générale, derrière des modèles décrits comme plus volumineux et plus lents. Ce classement correspond à une configuration et à une date précises.
La capacité à réorienter l’agent constitue un autre critère. Google annonce la deuxième place sur la maniabilité mesurée par Agent Arena, c’est-à-dire l’adaptation aux corrections pendant une tâche. L’Agent Arena Index lui attribue 1 336 points sur plus de 4 200 sessions réelles d’agents. Cette dimension complète les scores de raisonnement : un système utile doit suivre une direction révisée sans perdre le travail engagé.
Combien coûte Gemini 4 Neon et comment y accéder ?
Le tarif des jetons n’est pas le coût d’une tâche
L’API facture 3 dollars par million de jetons d’entrée et 15 dollars par million de jetons de sortie. Les entrées mises en cache coûtent 0,15 dollar par million, soit 95 % de moins que les entrées ordinaires. Les jetons comptabilisent les informations traitées et générées : la facture dépend donc de leur volume, pas uniquement du nombre de questions.
Un effort de réflexion à ajuster
Le modèle Neon propose quatre niveaux de réflexion, avec high par défaut. Google décrit une progression graduelle qui permet de régler le raisonnement et les ressources consommées.
À high, le coût par tâche sur l’Artificial Analysis Intelligence Index serait inférieur de 32 % à celui de Carbon. Sur Vals et Agent Arena, Google avance des économies d’environ 50 à 80 % face aux modèles concurrents de pointe comparés. Neon figure alors sur la frontière de Pareto : parmi les configurations considérées, aucune autre ne le dépasse à la fois sur la performance et sur le coût.
Avec xhigh, les raisonnements sont les plus approfondis. Google annonce son meilleur score d’intelligence, avec un coût par tâche inférieur de plus de 36 % à celui des concurrents réglés au maximum. Ces écarts décrivent des évaluations, pas une remise garantie sur un projet réel.
Chez Glean, Thai Tran rapporte une qualité égale ou supérieure à Carbon, avec une vitesse triplée et 60 % de son coût. Il s’agit des premiers essais de cette entreprise, pas d’un multiplicateur applicable à toutes les demandes.
Les points d’accès
Les développeurs peuvent utiliser le niveau payant de l’API Gemini dans Google AI Studio et Android Studio. Les abonnés Google AI Pro et Ultra peuvent aussi essayer Neon dans AI Studio et, avec les abonnements payants concernés, dans Google Antigravity. Pour les entreprises, Google annonce Gemini for business, par API ou menu de sélection, ainsi qu’Antigravity. Dans l’application Gemini, les abonnés Pro et Ultra peuvent sélectionner Neon dans le menu des modèles.
Ces accès commencent leur déploiement le 18 novembre. Les fonctionnalités cyber suivent un parcours distinct, via Fairwind.
Meet Gemini 4 Neon — our newest model that brings frontier-level intelligence with fast end-to-end task completion across complex software engineering, knowledge work, and science workflows. Neon brings frontier-level performance to your everyday work and is built to handle complex coding and problem-solving without the wait. How, you might ask? ⬇️ — Smarter coding: Multi-file debugging and refactoring with targeted, surgical edits — Grounded answers: Excels at multi-step instruction following and builds on our ongoing progress to curb fabrication, recording our lowest fabrication rate yet in internal Google Antigravity testing — 1M-token context window: Synthesize massive projects, tables, and charts at once — Adjustable thinking: Balance and adjust speed and depth on the fly with 4 thinking levels Watch Gemini 4 Neon run a 12-hour /swarm in @antigravity to reconstruct Alan Turing’s 1936 study from archival photos — complete with a running Universal Turing Machine, the blueprint for modern computing.
— Google AI (@GoogleAI) November 18, 2026
Des documents transformés en analyses et en livrables structurés
Gemini 4 Neon peut réunir les tableurs, les PDF, les graphiques, ainsi que les fichiers audio et vidéos dans un contexte d’un million de jetons. Il rapproche ces informations, puis produit un document organisé. Cette capacité ne remplace pas la sélection d’un contexte pertinent : elle indique le volume disponible, pas la fiabilité automatique de chaque conclusion.
Dans l’application Gemini, Google annonce une rédaction plus directe et une lecture plus précise des fichiers importés. Le modèle peut aussi mobiliser des informations issues de Gmail et Docs, ou des sources Web pour actualiser une comparaison de fournisseurs.
Les tâches Gemini peuvent désormais fonctionner avec Neon. Google cite l’analyse de factures pour comprendre une hausse d’énergie, ou le rapprochement de reçus pour préparer une demande de remboursement. L’objectif est de traiter plusieurs étapes, pas seulement de résumer un document.
Les évaluations qui correspondent à chaque métier
Sur le Vals Index, Neon obtient 70,9 % et la deuxième place. Il arrive premier sur Legal Research Bench et Tax Agent Bench. Google rapporte aussi des premières places dans la majorité des évaluations Surge AI sur la finance, la comptabilité, la modélisation de tableurs et les contraintes complexes. Pour les graphiques denses, il atteint 73,5 % sur Chartography.
Les tâches professionnelles prolongées donnent d’autres repères : 75,8 % sur Agents’ Last Exam v1.1 et une première place sur AutomationBench de Zapier, à 56,3 %. Neon arrive aussi premier sur Vending-Bench 2, avec 16 843 dollars. Ce montant appartient à une simulation de gestion d’entreprise et ne doit pas être présenté comme un revenu réellement généré.
En science, la recherche n’est pas la validation
Google présente Neon comme le meilleur de sa catégorie sur Terminal-Bench Science (70,5 %), RiemannBench (84 %) et HLE-Diamond (71,3 %). Brandon Valafar, chez Micro1, rapporte une position de tête sur leurs évaluations médicales et en sciences du vivant. Cela ne constitue pas une validation clinique.
Chez Cartwheel, Andrew Carr souligne plutôt la gestion des expériences, l’ingénierie des données et la conception d’architectures, avec une bonne prise en compte des retours et du test d’hypothèses. Ces témoignages complètent les benchmarks sans les remplacer.
Pour coder, le modèle et son environnement comptent ensemble
Dans Google Antigravity, Neon peut travailler seul ou coordonner des sous-agents Hydrogen en parallèle. Cette collaboration multiagent répartit certaines opérations tout en gardant un pilote principal. Google annonce moins de lectures de fichiers redondantes, des informations de progression et une meilleure gestion de la compression du contexte. Pour les dépôts existants, Neon vise des corrections ciblées et des réorganisations réparties sur plusieurs fichiers.
Un même modèle, des scores différents
Neon arrive premier à l’Artificial Analysis Coding Agent Index avec 58,6 points. Il atteint 65,2 % sur Terminal-Bench 4.1 et 46,2 % sur FrontierCode 2.0, avec son réglage high.
Sur SWE-sweep, le score passe de 12,8 % dans l’environnement mini-SWE à 39 % dans Antigravity. Google y voit la preuve de l’apport de son environnement d’exécution. On ne peut donc pas attribuer toute la performance au modèle isolé : les outils et l’organisation de la tâche pèsent aussi. Le plus sûr est d’évaluer les agents sur son propre projet.
Quatre démonstrations pour quatre usages
Avec Blender MCP et la commande /swarm, Neon construit un laboratoire 3D photoréaliste. Les noms Carbon et Hydrogen renvoient à des flammes de becs Bunsen, Argon et Neon à des tubes à décharge.
Une deuxième démonstration produit un simulateur de ski WebGL2 à la première personne, sur le relief du Mont-Blanc et de Chamonix. Google mentionne 10 200 lignes de shaders (ces programmes de rendu graphique), une physique à 120 Hz et six parcours alpins, avec traces dynamiques, avalanches de plaques et audio spatial, sans éléments préfabriqués.
À partir de photographies d’archives, le modèle reconstitue aussi le bureau d’Alan Turing en 1936 au King’s College. La visite relie la chapelle à la salle X.8, avec une machine de Turing universelle fonctionnelle.
Enfin, plusieurs agents transforment une image en feuille Google de 100 000 cellules. Plus de 500 000 formules assurent contours, profondeur et rééclairage dans six modes interactifs, sans image intégrée ni Apps Script. Ces exemples illustrent les productions présentées par Google, pas des essais indépendants.
Une version cyber réservée aux défenseurs vérifiés
Pour la cyberdéfense, Google distingue Gemini 4 Neon for cyber, dont le déploiement auprès des membres éligibles de Fairwind est annoncé dans les jours suivant le lancement. La demande d’accès passe par l’équipe commerciale Google Cloud : un abonnement à une application Gemini ne vaut pas autorisation.
Introducing Gemini 4 Neon, bringing frontier-level intelligence with fast end-to-end task completion across complex software engineering, knowledge work, and science workflows. Neon balances depth and efficiency across complex coding, analytical reasoning, and enterprise workflows—running standalone or paired with Gemini 4 Carbon and Hydrogen in Google @Antigravity: 🔵 #1 on AA Coding Agent Index with cleaner, more secure repo edits 🔴 Best-in-class STEM reasoning (Terminal-Bench Science, RiemannBench & HLE-Diamond) 🟡 1M-context recall across repos, docs, and spreadsheets 🟢~50–80% lower cost per task than top competing models (Vals Index & Agent Arena) Gemini 4 Neon is rolling out today via the Gemini API (paid tier) in @GoogleAIStudio and @AndroidStudio, in Gemini for business, and in Google @Antigravity for paid Google AI Pro and Ultra subscribers. Learn more ↓ https://t.co/D6GkShYfLw
— Google for Developers (@googledevs) November 18, 2026
Les résultats couvrent plusieurs étapes de la sécurisation :
- AutoBaxBench : un code plus sûr que Carbon aux trois difficultés, avec 76 % au niveau difficile ;
- WebExploitBench v1.2 : 51,26 % pour les tests d’intrusion, à un coût deux fois inférieur aux grands modèles concurrents comparés ;
- SEC-bench Pro : 90,5 % pour la recherche de vulnérabilités, avec un coût par défi approximativement divisé par deux ;
- ExploitGym : des performances de pointe pour vérifier l’exploitabilité, avec moitié moins de jetons que Carbon ;
- CWE-bench v2 : 70,7 % pour la correction, soit 3,4 % d’amélioration annoncée face à Carbon.
Trouver une faille, confirmer son exploitation et produire un correctif sont trois opérations distinctes. Karina Nguyen, fondatrice de Thoughtful Lab, rapporte aussi des failles subtiles repérées avec moins de jetons. Son témoignage souligne l’intérêt pour l’exploration de grandes bases de code, sans garantir la découverte de toutes les vulnérabilités.
Des protections renforcées, un contrôle toujours nécessaire
Google affirme maintenir des protections comparables à Carbon contre les usages graves en cybersécurité et en biosécurité, tout en cherchant à réduire les refus de travaux légitimes. Dans ses mesures, Neon refuse 1,98 % des tâches de Terminal-Bench 4.0 et aucune de Terminal-Bench-Science. Ces taux décrivent ces évaluations, pas l’ensemble des demandes possibles.
Vérifier l’achèvement et le périmètre
Le groupe rapporte son plus faible taux de fabrication dans les tests internes Antigravity, sans pourcentage global. Son dispositif de surveillance du raisonnement et des actions déclenche aussi moins d’alertes que pour Carbon, et il est déployé sur les interfaces externes.
Sur Terminal-Bench 4.0, Neon égale Carbon avec 0 % de tricherie. Une autre évaluation de programmation relève des raccourcis dans 2,45 % des tâches, le taux le plus faible de Gemini 4. Google annonce en parallèle 0,09 % d’actions non alignées et 99,2 % de réussite à son évaluation d’honnêteté des agents, un chiffre qui n’est pas un taux universel de réponses exactes.
Par rapport à Carbon, les comportements de service insuffisant diminueraient de 43 à 56 %, et les dépassements de périmètre de 15 à 35 %, selon l’effort. Un résultat annoncé comme terminé n’équivaut pas pour autant à un travail vérifié.
Les injections indirectes restent un risque
Une injection de prompt indirecte consiste à placer des instructions malveillantes dans un contenu consulté : page Web, courriel, document ou code. Sur le benchmark IPI de Gray Swan, Google rapporte 0 % de réussite des attaques avec les protections en temps réel et le niveau de réflexion maximal. Neon rejoint ainsi les autres modèles Gemini ayant obtenu ce résultat. La mesure est encourageante sur ce protocole, mais ne garantit rien contre une attaque future, et les paramètres de protection font partie du résultat.
Le meilleur indicateur reste le travail utilisable
Pour choisir un modèle d’IA, la première place d’un classement ne suffit pas. Ce qui compte est le temps nécessaire pour obtenir un résultat acceptable, avec les corrections et les vérifications qu’il exige. La promesse de Neon porte sur cet équilibre complet : des tâches achevées, dans le périmètre prévu, à un coût maîtrisé.
FAQ sur Gemini 4 Neon
Gemini 4 Neon est-il gratuit ?
L’accès développeur annoncé passe par le niveau payant de l’API Gemini. Dans l’application Gemini, Neon est destiné aux abonnés Google AI Pro et Ultra. L’annonce ne présente aucune offre gratuite propre à Neon.
Comment régler l’effort de raisonnement ?
Google annonce quatre niveaux, dont high par défaut et xhigh pour les tâches les plus exigeantes. La publication ne détaille ni tous les identifiants ni le paramètre API à transmettre. Il faut consulter les commandes proposées dans son environnement.
Un million de jetons correspond-il à la longueur maximale de réponse ?
Non. Il s’agit de la fenêtre de contexte. La longueur maximale d’une réponse n’est pas précisée dans le texte de lancement.
Gemini 4 Neon peut-il améliorer ses propres modèles ?
Trenton Chang, scientifique en chef de Quadrillion, rapporte que Neon recherche de nouvelles données et révise ses stratégies de modélisation après de mauvais résultats, sans intervention humaine. Ce témoignage concerne ses expériences. Il ne démontre pas que Neon modifie ses propres paramètres.
Les classements annoncés constituent-ils un test indépendant de notre rédaction ?
Non. Les résultats viennent des évaluations citées par Google, de ses tests internes et de témoignages publiés au lancement. Certains classements sont produits par des organismes indépendants, mais nous n’avons pas exécuté de comparatif.
- Partager l'article :
Restez à la pointe de l'information avec
INTELLIGENCE-ARTIFICIELLE.COM !


