Gemini 4 Neon: Googles neues KI-Modell soll Leistung und niedrigere Kosten verbinden
Bild erstellt vom Redaktionsteam von Inferama
01

Vorstellung und Einordnung in die Gemini-4-Familie

Google DeepMind stellte Gemini 4 Neon am 18. November 2026 vor. Das Modell ergänzt eine Produktfamilie, deren Varianten unterschiedliche Schwerpunkte bei Leistungsfähigkeit, Geschwindigkeit und Kosten setzen. Google positioniert Neon zwischen Gemini 4 Carbon, das auf besonders anspruchsvolle, lang laufende Aufgaben zielt, und Gemini 4 Hydrogen, das für schnelle Ausführung alltäglicher Aufgaben ausgelegt ist.

Laut Google soll Neon komplexe Aufgaben in der Softwareentwicklung, Wissensarbeit und Forschung zügig von Anfang bis Ende bearbeiten. Das Modell ist nicht als Ersatz für Carbon gedacht: Es soll vielmehr anspruchsvolle, häufig anfallende Aufgaben abdecken, bei denen gründliches Schlussfolgern und effizienter Einsatz gleichermaßen wichtig sind.

Ein Modellname oder eine Einordnung innerhalb einer Produktfamilie belegt für sich genommen keine bestimmte Qualität. Für die Auswahl zählt, wie das Modell bei den eigenen Aufgaben abschneidet – einschließlich Antwortqualität, Laufzeit, Kosten und dem Aufwand für menschliche Kontrolle. Googles Leistungsangaben beziehen sich auf die jeweils genannten Tests und Einstellungen.

02

Fähigkeiten und Benchmark-Ergebnisse

Google nennt für Neon 61 Punkte im Artificial Analysis Intelligence Index bei der höchsten Denkstufe xhigh. Das Modell liegt dort laut Anbieter auf Rang drei insgesamt und hinter größeren, langsameren Modellen. Im Vals Index erreichte es nach Googles Angaben 70,9 Prozent und den zweiten Rang. Diese Ergebnisse beschreiben Leistungen in bestimmten Benchmarks; sie sagen nicht voraus, wie Neon jede beliebige Aufgabe bewältigt.

Bei Programmieraufgaben führt Neon laut Google den Artificial Analysis Coding Agent Index mit 58,6 Punkten an. Google nennt außerdem 65,2 Prozent bei Terminal-Bench 4.1 und 46,2 Prozent bei FrontierCode 2.0. Diese Werte gelten für die angegebenen Benchmarks und Konfigurationen. Sie sind keine allgemeine Messung der Qualität von Code in beliebigen Projekten und belegen insbesondere nicht, dass erzeugter Code fehlerfrei oder sicher ist.

Für wissenschaftliches und mathematisches Schlussfolgern berichtet Google von 70,5 Prozent bei Terminal-Bench Science, 84,0 Prozent bei RiemannBench und 71,3 Prozent bei HLE-Diamond; der Anbieter bezeichnet Neon dort als führend in seiner Kategorie. Die Zahlen stammen aus konkreten Testverfahren, deren Aufgaben, Bewertungsregeln und Modellkonfigurationen den Vergleich beeinflussen. Benchmark-Ergebnisse lassen sich deshalb nicht ohne Weiteres auf andere Arbeitsabläufe übertragen.

Google beschreibt Neon außerdem als Modell für lange, werkzeugintensive Abläufe. Es soll unnötige erneute Dateizugriffe reduzieren, während der Arbeit Fortschritte mitteilen und den Kontext in längeren Sitzungen zuverlässig verwalten. In Google Antigravity kann Neon laut Anbieter außerdem als Koordinator mehrere Hydrogen-Agenten dirigieren. Das beschreibt vorgesehene Funktionen, nicht eine Garantie, dass jeder Agentenablauf erfolgreich oder ohne Überwachung abgeschlossen wird.

Von Google genannte Benchmark-Ergebnisse

Die Werte und Rangangaben beziehen sich auf die von Google beschriebenen Tests und Einstellungen; sie belegen keine allgemeine Leistung in allen Einsatzbereichen.

BenchmarkErgebnis für NeonEinordnung laut Google
Artificial Analysis Intelligence Index (xhigh)61 PunkteDritter Rang insgesamt
Vals Index70,9 %Zweiter Rang
Artificial Analysis Coding Agent Index58,6 PunkteErster Rang insgesamt
Terminal-Bench Science70,5 %Führend in der Kategorie
RiemannBench84,0 %Führend in der Kategorie
HLE-Diamond71,3 %Führend in der Kategorie
03

Kosten und Effizienz im Vergleich

Google zufolge kostet Neon bei der standardmäßigen Denkstufe high 32 Prozent weniger pro Aufgabe als Carbon. Gegenüber führenden Konkurrenzmodellen gibt Google je nach Vergleich Einsparungen von ungefähr 50 bis 80 Prozent an. Diese Angaben beziehen sich auf bestimmte Benchmark-Aufgaben und Modellkonfigurationen, nicht auf einen garantierten Preisvorteil bei jedem Einsatz.

Das unabhängige Analyseunternehmen Artificial Analysis veröffentlichte ebenfalls einen Vergleich mit Carbon. In seinem Test kostete Neon bei der Einstellung xhigh durchschnittlich 6,44 US-Dollar pro Aufgabe; für Carbon bei high wurden 7,76 US-Dollar angesetzt. Im selben Vergleich dauerte eine Aufgabe mit Neon im Mittel rund 21 Minuten, mit Carbon rund 36 Minuten. Die Werte gehören zu dieser Testreihe und ihren Einstellungen. Sie belegen weder eine allgemeine dreifache Geschwindigkeit noch dieselbe Ersparnis bei anderen Aufgaben oder Preisen.

Bei Artificial Analysis nutzte Neon in diesem Vergleich etwa 15 Prozent mehr Ausgabetokens pro Aufgabe als Carbon. Die niedrigeren Tokenpreise und eine höhere Ausgabegeschwindigkeit trugen dort dennoch zu geringeren Kosten und kürzerer Laufzeit bei. Der tatsächliche Aufwand hängt vom konkreten Arbeitsablauf ab: Aufgabenlänge, Ein- und Ausgabetokens, Nutzung von Werkzeugen und wiederholte Modellaufrufe können die Rechnung verändern.

Auch eine niedrige Gebühr pro Token sagt nicht allein aus, ob ein Modell wirtschaftlicher ist. Wer Modelle vergleicht, sollte dieselben Aufgaben, Qualitätserwartungen und Einstellungen zugrunde legen und sowohl Modellkosten als auch Laufzeit und erforderliche Nacharbeit messen. Google und Artificial Analysis berichten über Resultate unter jeweils beschriebenen Testbedingungen, nicht über eine zugesicherte Ersparnis im eigenen Betrieb.

04

Verfügbarkeit, Preise und Zugang

Google DeepMind kündigte den Rollout von Neon am 18. November 2026 an. Entwickler können das Modell über die Gemini API in Google AI Studio nutzen; Google nennt auch Android Studio als Zugang für Entwickler. Unternehmen können Neon über Gemini for Business per API oder über die Modellauswahl verwenden. Google Antigravity ist ebenfalls als Zugang für Unternehmen vorgesehen.

In der Gemini-App ist Neon für Abonnenten der Tarife Google AI Pro und Google AI Ultra auswählbar. Der Start der Verfügbarkeit bedeutet nicht, dass das Modell allen Konten, Regionen oder Produktoberflächen gleichzeitig zur Verfügung steht. Google nennt für die Anwendung keinen allgemeinen Zugang für kostenlose Konten. Die Verfügbarkeit kann daher nicht über die ausdrücklich genannten Zugangswege hinaus verallgemeinert werden.

Der von Google veröffentlichte API-Preis beträgt 3 US-Dollar je Million Eingabetokens und 15 US-Dollar je Million Ausgabetokens. Für zwischengespeicherte Eingabetokens nennt das Unternehmen 0,15 US-Dollar je Million und damit einen Rabatt von 95 Prozent gegenüber dem regulären Eingabepreis. Die Preisangaben betreffen die API; sie sind nicht mit einem Abonnementpreis für die Gemini-App gleichzusetzen.

Neon hat ein Kontextfenster von einer Million Tokens. Das beschreibt die angegebene Verarbeitungskapazität für Kontext, nicht die Menge an Information, die in jeder Aufgabe zuverlässig verarbeitet oder korrekt erinnert wird. Tatsächliche Eingabegrenzen, Produktfunktionen und Preise richten sich nach dem jeweiligen Zugang und den geltenden Bedingungen.

API-Preise und angegebene Kontextgröße

Von Google DeepMind veröffentlichte Preise und Spezifikationen für Gemini 4 Neon.

LeistungPreis oder UmfangZugang beziehungsweise Hinweis
Eingabetokens3,00 US-Dollar je MillionBezahlte API
Ausgabetokens15,00 US-Dollar je MillionBezahlte API
Zwischengespeicherte Eingabetokens0,15 US-Dollar je MillionBezahlte API; 95 % Rabatt auf den regulären Eingabepreis
Kontextfenster1.000.000 TokensVon Google angegebene Modellkapazität

Zugang nach Nutzergruppe

Google nennt unterschiedliche Zugangswege für Entwickler, Unternehmen und Abonnenten.

  1. 01Entwickler: Gemini API in Google AI Studio; Google nennt außerdem Android Studio.
  2. 02Unternehmen: Gemini for Business über die API oder die Modellauswahl sowie Google Antigravity.
  3. 03Abonnenten von Google AI Pro oder Ultra: Gemini 4 Neon in der Modellauswahl der Gemini-App.
  4. 04API-Nutzung: Die veröffentlichten Preise gelten je Million Ein- oder Ausgabetokens; zwischengespeicherte Eingabetokens haben einen gesonderten Preis.
05

Cyberabwehr, Sicherheit und Grenzen

Google kündigte Gemini 4 Neon for cyber als Variante für die Cyberabwehr an. Sie soll Fachleuten dabei helfen, Schwachstellen in Code zu finden, ihre Ausnutzbarkeit zu überprüfen und Korrekturen zu erstellen. Der Anbieter erklärte, die Variante werde in den kommenden Tagen vertrauenswürdigen Verteidigern im Fairwind-Programm bereitgestellt. Diese Ankündigung belegt keinen allgemeinen öffentlichen Zugang und bestätigt nicht, dass jedes berechtigte Mitglied die Variante bereits erhalten hat.

Google zufolge baut Neon auf dem Sicherheits- und Schutzsystem von Gemini 4 Carbon auf. Für den Gray-Swan-Test zu indirekten Prompt-Injection-Angriffen berichtete das Unternehmen bei Neon in der höchsten Denkstufe von einer Erfolgsquote der Angriffe von 0 Prozent. Das Ergebnis gilt für diesen Benchmark, nicht für alle möglichen Angriffe, Dokumente oder Einsatzumgebungen. Google weist selbst darauf hin, dass Schutz vor indirekter Prompt Injection weiter verbessert werden muss.

Google meldet außerdem eine Erfolgsquote von 99,2 Prozent bei einer internen Prüfung zur Ehrlichkeit von Agenten sowie eine Fehlanpassungsrate von 0,09 Prozent in einer internen Sicherheitsprüfung für Agenten. Diese Werte sind Ergebnisse der vom Anbieter beschriebenen Prüfungen und keine unabhängigen Nachweise dafür, dass Neon in allen Situationen ehrlich, sicher oder regelkonform handelt.

Bei Anwendungen mit wichtigen Folgen sollten Nutzerinnen und Nutzer Ausgaben, Codeänderungen und sicherheitsrelevante Entscheidungen überprüfen. Benchmark-Werte und Schutzmechanismen garantieren keine Fehlerfreiheit: Ein Modell kann trotz guter Ergebnisse falsche Angaben machen, fehlerhaften Code erzeugen oder eine bösartige Anweisung nicht erkennen.

06

Was die veröffentlichten Ergebnisse aussagen

Der zentrale belegte Produktwechsel ist der Start von Gemini 4 Neon als zusätzliche Option für anspruchsvolle Aufgaben, ergänzt durch veröffentlichte API-Preise und ausgewiesene Zugangswege. Google beschreibt das Modell als Balance zwischen der tiefen Bearbeitung komplexer Aufgaben und schnellerer, kostengünstigerer Ausführung. Die Zahlen zu Benchmarks, Kosten und Laufzeit sind dabei Leistungsangaben für konkrete Tests, keine universellen Zusicherungen.

Artificial Analysis veröffentlichte einen eigenen Vergleich von Neon und Carbon mit ausgewiesenen Kosten und Bearbeitungszeiten. Dieser Test bietet einen unabhängigen Bezugspunkt für den dort untersuchten Ablauf, deckt aber nicht sämtliche Aufgaben, Produktzugänge oder Nutzungssituationen ab. Die unabhängige Auswertung einzelner Benchmarks macht nicht automatisch alle weiteren Leistungs- und Sicherheitsangaben zu unabhängig bestätigten Ergebnissen.

Für eine konkrete Auswahl empfiehlt es sich, repräsentative eigene Aufgaben mit denselben Anforderungen und Einstellungen zu testen. Zu vergleichen sind nicht nur Punktzahlen, sondern auch korrekte Ergebnisse, Fehler und Nacharbeit, Laufzeit, Tokenverbrauch sowie der Umgang mit Werkzeugen und längeren Sitzungen. Die Eignung für einen Arbeitsablauf lässt sich nur anhand dieses Arbeitsablaufs beurteilen; die verfügbaren Angaben rechtfertigen keine allgemeine Aussage, dass Neon für jede anspruchsvolle Aufgabe die beste Wahl ist.

07

Weiter entdecken

Verwendete Quellen

03

Korrekturen und Transparenz

Wenn du falsche oder veraltete Angaben findest, sende uns die Seite und die zu prüfende Quelle.

Korrektur vorschlagen