Présentation du modèle Gemini 4 Neon

Google a annoncé Gemini 4 Neon, un modèle d’IA généraliste destiné aux tâches de codage complexe, aux flux de travail agentiques multi‑étapes et au raisonnement analytique. Il succède à Gemini 4 Carbon, publié un mois plus tôt, et à Gemini 4 Hydrogen, modèle à moindre coût. Neon se positionne comme un compromis entre performance et tarif, avec une architecture optimisée pour la rapidité d’inférence.

Performances et benchmarks

Selon les mesures internes de Google, Neon exécute les mêmes tâches environ trois fois plus rapidement que Carbon, tout en réduisant le coût d’exécution d’environ 60 %. Sur le tableau de bord « Intelligence Index », Neon obtient un score de 61, le plaçant troisième derrière Claude Fable 5.2 (65) et GPT‑6.2 Astra (62). Le modèle dépasse également les concurrents Claude Opus 5.5 et GPT‑6.2 Sol sur des évaluations couvrant le travail de connaissance, le raisonnement, l’automatisation, la compréhension multimodale, la cybersécurité, la science et les mathématiques.

Analyse des coûts et compétitivité

Google fixe le prix de Neon à 3 $ par million de jetons d’entrée, 0,15 $ par million de jetons d’entrée mis en cache et 15 $ par million de jetons de sortie. En comparaison, GPT‑6.2 Sol propose 2 $, 0,10 $ et 10 $ respectivement, tandis que Claude Opus 5.5 facture 4 $, 0,20 $ et 20 $. Ainsi, Neon se situe entre les deux alternatives, offrant une vitesse supérieure à Carbon mais un tarif légèrement supérieur à GPT‑6.2 Sol. Google indique également une réduction d’environ 17 % du coût par tâche par rapport à Carbon.

Disponibilité et implications pour les entreprises

Neon est accessible dès aujourd’hui aux abonnés Google AI Pro et Ultra via l’application Gemini, ainsi qu’à travers l’API payante de la plateforme Google Antigravity et d’autres offres commerciales. Cette mise à disposition rapide illustre la cadence de publication de Google, qui a délivré quatre modèles Gemini 4 en sept semaines. Pour les clients d’entreprise, le gain de vitesse peut réduire les latences de traitement dans les pipelines d’automatisation, mais la décision d’adoption devra peser la différence de coût par rapport à des alternatives moins chères mais légèrement plus lentes.