Présentation
Gemini 4 Neon, dernière itération du modèle de génération de texte de Google, vise à accélérer les flux de travail de codage, d’analyse et d’agents autonomes. Le service propose une fenêtre de contexte d’un million de tokens, soit un ordre de grandeur supérieur aux modèles concurrents, et intègre quatre niveaux de raisonnement qui permettent de structurer les réponses en plusieurs passes de réflexion.
Architecture et capacités
Le modèle repose sur une architecture de transformeur adaptée aux très longues séquences. Pour contenir la complexité quadratique de l’attention, Google utilise des mécanismes de sparse attention et de chunking qui découpent le texte en blocs traités en parallèle. Cette approche réduit la consommation de mémoire GPU tout en maintenant la cohérence sur l’ensemble du million de tokens. Les quatre niveaux de pensée sont implémentés comme des passes séquentielles où chaque passe peut accéder aux sorties de la précédente, ce qui augmente la profondeur de raisonnement sans multiplier le coût de calcul proportionnellement.
Analyse économique et technique
Le tarif affiché est de 3 $ par million de tokens d’entrée et de 15 $ par million de tokens de sortie. En pratique, un appel complet qui consomme la fenêtre maximale génère un coût de 18 $ si la totalité du texte est produit en sortie. Cette tarification reflète le besoin de ressources GPU accrues pour gérer la mémoire tampon et les opérations d’attention sur de longues séquences. Le modèle est disponible via l’API Gemini, les produits d’entreprise, la plateforme Antigravity et les plans payants de l’application Gemini, ce qui diversifie les points d’accès pour les développeurs et les organisations.
Limites et perspectives
Malgré la capacité de contexte étendue, le modèle reste sensible aux contraintes de latence : le temps de génération augmente avec la longueur du prompt, même avec les optimisations d’attention. De plus, le coût élevé par token de sortie peut limiter l’adoption pour des tâches à forte génération, comme la rédaction de documents volumineux. Enfin, la gestion de la cohérence sur un million de tokens dépend de la qualité des données d’entraînement ; les biais présents dans les corpus restent un facteur de risque. Les futures itérations devront probablement réduire le facteur O(n²) de l’attention ou introduire des architectures hybrides pour concilier coût, latence et longueur de contexte.