← Tilbake til artikler
Artikler

Google lanserer Gemini 4 Neon med toppytelse til lavere kostnad

19. november 202611 min lesing2 111 ord
GeminiGoogle DeepMindAI-agenterGenerativ AI
Google-logo og teksten «Gemini 4 Neon» på kremfarget papir med fargede papirstrimler og Gemini-stjernen.
Laget av Codex

Google har lansert Gemini 4 Neon, en ny AI-modell som kombinerer mye av kapasiteten til selskapets kraftigste modeller med raskere gjennomføring og lavere kostnad enn Gemini 4 Carbon i tester med ordinære API-priser. Modellen er utviklet spesielt for programmering, AI-agenter, avansert analyse og oppgaver som krever mange steg. De første uavhengige testene viser at Neon konkurrerer med noen av de kraftigste modellene fra OpenAI og Anthropic, og i flere tester kommer den helt til topps.

Kort fortalt

  • Gemini 4 Neon ble lansert 18. november 2026 og er basert på Googles kraftigere Gemini 4 Carbon.
  • Modellen er utviklet for å løse krevende oppgaver raskere og billigere, uten å gi opp mye av kapasiteten til de største modellene.
  • Den støtter tekst, bilder, lyd, video og dokumenter, med et kontekstvindu på én million tokens.
  • Neon får 61 poeng i Artificial Analysis Intelligence Index og 70,9 prosent i Vals Index, som tester praktiske oppgaver innen blant annet økonomi, programmering og jus.
  • Modellen er tilgjengelig gjennom blant annet Gemini, Google AI Studio, Google Antigravity og Gemini API.

Hva er Gemini 4 Neon?

Google har nå flere modeller i Gemini 4-familien, utviklet for ulike typer oppgaver.

Gemini 4 Hydrogen er modellen for raske, dagligdagse oppgaver. Den passer til vanlige spørsmål, oppsummeringer og enklere oppgaver der lav responstid er viktig.

Gemini 4 Neon er modellen for mer krevende oppgaver. Den er utviklet for avansert resonnering, programmering, analyse av store mengder informasjon og AI-agenter som skal gjennomføre arbeidsoppgaver.

Gemini 4 Carbon er Googles kraftigste modell i denne delen av modellfamilien, beregnet på de mest kompliserte oppgavene, der det kan være nødvendig å bruke mye tid og regnekraft på å finne en løsning.

Neon er ikke utviklet helt uavhengig av Carbon. Ifølge Google DeepMinds modellkort er den tilpasset fra Carbon. Google har ikke offentliggjort alle tekniske detaljer om hvordan denne tilpasningen er gjort.

Målet er å tilby en modell som kan håndtere mange av de samme krevende oppgavene som Carbon, men mer effektivt.

Det er særlig relevant når en AI-agent skal jobbe lenge med en oppgave, bruke mange verktøy eller behandle store datamengder. Da er det ikke bare intelligensen til modellen som teller. Hvor raskt den gjennomfører oppgaven, hvor mye kapasitet den bruker, og hva den koster, har også stor betydning.

Hva er nytt sammenlignet med Carbon?

Den største forbedringen ligger i forholdet mellom kapasitet, hastighet og kostnad.

Ifølge uavhengige målinger fra Artificial Analysis oppnår Neon 61 poeng på deres Intelligence Index med det høyeste resonneringsnivået, xhigh. Det er ett poeng mer enn Carbon på high-nivået.

Forskjellen i intelligensscore er altså liten, og modellene er testet med ulike resonneringsnivåer. Forskjellen i gjennomføringstid er større.

I Artificial Analysis sine tester brukte Neon i gjennomsnitt omtrent 21 minutter per oppgave, mot omtrent 36 minutter for Carbon. Neon produserte også rundt 110 tokens i sekundet, sammenlignet med cirka 57 for Carbon.

Dette er gjennomsnitt fra krevende testoppgaver, ikke ventetiden for et vanlig spørsmål i en chatbot.

Neon bruker faktisk omtrent 15 prosent flere output-tokens per oppgave enn Carbon i disse testene. At den likevel blir rimeligere, skyldes lavere tokenpriser.

Artificial Analysis målte en gjennomsnittskostnad på 6,44 dollar per oppgave for Neon, mot 7,76 dollar for Carbon med sistnevntes ordinære API-priser.

Det er derfor mer presist å si at Neon gjennomfører krevende oppgaver raskere og til lavere kostnad, enn at den nødvendigvis tenker mindre eller bruker færre tokens.

Kilde: Artificial Analysis, 18. november 2026.

Hva kan Gemini 4 Neon gjøre?

Programmering og utvikling med AI-agenter

Programmering er et av områdene Google har prioritert.

Neon er utviklet for å forstå større kodebaser, analysere programvarearkitektur, finne feil, endre flere filer og teste løsningene den foreslår.

En AI-kodeagent kan for eksempel få beskjed om å undersøke hvorfor en bestemt funksjon i en nettjeneste ikke fungerer. I stedet for bare å foreslå en mulig løsning, kan agenten undersøke relevante filer, følge hvordan informasjon beveger seg gjennom systemet, utføre endringer og kjøre tester.

Google fremhever spesielt at Neon skal kunne holde oversikten gjennom lange økter, unngå unødvendig lesing av de samme filene og håndtere kontekst når en oppgave blir for omfattende til å beholde alt i minnet samtidig.

Modellen kan også fungere som en koordinerende agent i Google Antigravity. Da kan Neon planlegge og kontrollere oppgaven, mens flere raskere Hydrogen-agenter gjennomfører deler av jobben parallelt.

Dette er en annen måte å bruke AI på enn å ha én stor modell som gjør absolutt alt. Den kraftigere modellen får ansvaret for beslutninger og kontroll, mens mindre modeller kan brukes til enklere deloppgaver.

Google viser blant annet demonstrasjoner der Neon bruker Blender til å bygge tredimensjonale scener, programmerer en skisimulator med WebGL og bygger kompliserte regneark ved hjelp av flere agenter.

Dette er Googles egne demonstrasjoner, ikke uavhengige bevis på at modellen konsekvent vil lykkes med tilsvarende oppgaver.

Analyse av dokumenter, regneark og økonomi

Neon er også utviklet for det Google omtaler som knowledge work, altså oppgaver der man må hente inn, forstå, kombinere og bruke informasjon.

Modellen kan behandle Excel-regneark, Word-dokumenter, PowerPoint-presentasjoner, PDF-er, bilder, lyd og video. Den kan også bruke tilkoblede verktøy for å hente inn eller oppdatere informasjon.

Tenk deg en bedrift som har leverandørpriser i Excel, innkjøpshistorikk i et økonomisystem og avtalevilkår i PDF-dokumenter.

En AI-agent med tilgang til disse kildene kan få i oppgave å sammenligne leverandørene, finne prisendringer, undersøke avvik og utarbeide en rapport. Ved hjelp av riktige integrasjoner kan den også foreslå eller gjennomføre endringer i tilkoblede systemer.

Neon er ikke avhengig av at alt ligger i ett format. Den kan analysere ulike typer informasjon i samme oppgave.

Det er særlig denne kombinasjonen av resonnering, dokumentforståelse og verktøybruk som gjør modellen relevant for automatisering av arbeidsprosesser.

Vitenskap, matematikk og sikkerhet

Google rapporterer også sterke resultater innen vitenskapelige og matematiske problemer.

Neon oppnår blant annet 70,5 prosent på Terminal-Bench-Science og 84 prosent på RiemannBench, to tester for tekniske og matematiske oppgaver.

Innen cybersikkerhet fremhever Google at modellen kan hjelpe med å finne sårbarheter i kode, undersøke om de kan utnyttes, foreslå rettelser og kontrollere resultatet.

En spesialisert utgave, Gemini 4 Neon for cyber, blir i første omgang gjort tilgjengelig for godkjente sikkerhetsmiljøer gjennom Googles Fairwind-program. Den utgaven er ikke det samme som at alle brukere får ubegrenset tilgang til sikkerhetstestfunksjonene.

Fire nivåer for hvor grundig modellen skal tenke

Neon støtter fire resonneringsnivåer:

Low: For enklere oppgaver som klassifisering, oppsummering og uthenting av strukturert informasjon.

Medium: For vanlig programmering, dokumentanalyse og bruk av verktøy når man ønsker en balanse mellom kvalitet og hastighet.

High: Standardinnstillingen, beregnet på krevende programmering, analyse og oppgaver som går gjennom flere steg.

Xhigh: Det høyeste nivået, for spesielt kompliserte problemer innen programmering, matematikk og vitenskapelig analyse.

Forskjellen handler om hvor mye beregning modellen kan bruke på å resonnere før og under gjennomføringen av en oppgave.

Høyere nivå kan gi bedre resultater på vanskelige problemer, men betyr gjerne lengre ventetid og større tokenforbruk.

Man trenger derfor ikke nødvendigvis å bruke xhigh på alle oppgaver. For en AI-agent som skal utføre mange hundre oppgaver, kan riktig valg av resonneringsnivå ha stor betydning for den samlede kostnaden.

Hvordan gjør Gemini 4 Neon det i benchmarks?

En benchmark er en standardisert test som brukes til å måle hvor godt en AI-modell utfører bestemte typer oppgaver.

Noen tester måler problemløsing og matematikk. Andre tester om modellen klarer å programmere, bruke verktøy eller gjennomføre en hel oppgave fra start til slutt.

Google DeepMinds modellkort viser følgende sammenligning fra november 2026:

BenchmarkGemini 4 NeonClaude Opus 5.5GPT-6.2 Sol
Artificial Analysis Intelligence Index615957
Vals Index70,9 %70,1 %66,1 %
AutomationBench56,3 %42,5 %41,3 %
Terminal-Bench 4.165,2 %65,8 %61,5 %
FrontierCode 2.046,2 %47,3 %43,8 %
Terminal-Bench-Science70,5 %63,3 %68,0 %
Chartography73,5 %66,3 %75,1 %
GraphWalks95,2 %66,8 %80,1 %

Kilde: Google DeepMind, Gemini 4 Neon Model Card. Høyere score er bedre i disse testene. Resonneringsnivåer og testoppsett kan variere.

Resultatene viser at Neon er konkurransedyktig på mange områder, men ikke best på alt. Claude Opus 5.5 gjør det eksempelvis litt bedre på Terminal-Bench og FrontierCode, mens GPT-6.2 Sol gjør det bedre på Chartography.

Tabellen viser heller ikke alle konkurrerende toppmodeller. På Artificial Analysis sin samlede intelligensmåling lå både GPT-6.2 Astra og Claude Fable 5.2 foran Neon ved lanseringen.

Artificial Analysis måler mer enn intelligens

Artificial Analysis er en uavhengig aktør som tester AI-modeller og sammenligner blant annet ytelse, hastighet og kostnad.

Neon oppnådde 61 poeng i deres Intelligence Index på xhigh-nivå. Det plasserte modellen blant de tre øverste ved lanseringen.

På Artificial Analysis Coding Agent Index oppnådde Neon omtrent 59 poeng gjennom Google Antigravity. Det var tre poeng over Carbon og omtrent på nivå med Claude Opus 5.5 og Claude Fable 5.2 i deres respektive kodeagentmiljøer.

Men målingene illustrerer også en begrensning: Neon er ikke nødvendigvis en spesielt rask modell hvis man sammenligner med alle AI-modeller. Den er raskere enn Carbon på de krevende oppgavene som er testet, men bruker fortsatt betydelig tid sammenlignet med mindre og lettere modeller.

Vals Index tester oppgaver som ligner faktisk jobb

Vals Index forsøker å måle hvor godt AI-modeller kan utføre oppgaver innen programmering, finans, jus og skatt. Resultatene vektes etter hvor stor økonomisk betydning de ulike bransjene har i USA.

Her oppnår Neon 70,87 prosent, og ligger på andreplass, bak Claude Fable 5.2 med 71,31 prosent.

Neon er også betydelig billigere å kjøre gjennom denne testen enn flere av de nærmeste konkurrentene.

Dette er relevant fordi resultatet ikke bare handler om å besvare kunnskapsspørsmål. Testene forsøker å måle evnen til å gjennomføre faglige oppgaver som kan ligne noe mennesker faktisk får betalt for å gjøre.

Kilde: Vals Index, versjon 2.2.

AutomationBench tester om AI-agenter fullfører jobben

Zapier har utviklet AutomationBench for å måle hvordan AI-agenter utfører oppgaver på tvers av systemer for salg, markedsføring, økonomi, kundeservice og andre bedriftsfunksjoner.

Agentene får tilgang til simulerte apper, kundedata, e-post og andre verktøy. De må selv finne informasjonen de trenger og gjøre riktige endringer.

Det holder ikke at agenten svarer at oppgaven er fullført. Testen kontrollerer om den faktisk har gjennomført det som ble bedt om.

Neon oppnådde 56,32 prosent på xhigh og tok førsteplassen i testen. På high oppnådde den 54,34 prosent, men til omtrent halvparten av kostnaden per oppgave.

Resultatet er sterkt sammenlignet med konkurrentene, men viser også at selv en av de beste modellene fortsatt ikke klarer å fullføre mer enn omtrent halvparten av oppgavene helt korrekt etter testens strenge krav.

Det er en viktig påminnelse om at AI-agenter fortsatt trenger kontrollmekanismer, spesielt når de skal håndtere økonomi, kundedata eller andre oppgaver der feil kan få konsekvenser.

Kilde: Zapier AutomationBench.

Vending-Bench tester om AI kan drive en virksomhet

En av de mer praktiske testene kommer fra Andon Labs.

I Vending-Bench 2 får AI-modeller ansvaret for å drive en simulert salgsautomatvirksomhet gjennom ett år. De må håndtere blant annet innkjøp, priser, leverandører og økonomiske beslutninger.

Målet er å avslutte året med høyest mulig bankbeholdning.

Neon oppnådde en gjennomsnittlig sluttbeholdning på 16 843 dollar og tok førsteplassen. Carbon kom like bak med 16 484 dollar.

Forskjellen er imidlertid liten sammenlignet med den statistiske usikkerheten i målingene. Resultatet dokumenterer derfor ikke sikkert at Neon er bedre enn Carbon i akkurat denne testen.

Kilde: Andon Labs, Vending-Bench 2.

Hvor mye informasjon kan modellen håndtere?

Gemini 4 Neon har et kontekstvindu på omtrent én million tokens.

En token er en liten del av teksten som modellen behandler. Ett ord kan bestå av én eller flere tokens.

Et så stort kontekstvindu gjør det mulig å gi modellen omfattende dokumenter, store deler av en kodebase eller informasjon fra mange forskjellige kilder samtidig.

I Googles utviklerveiledning beskrives en felles grense der både input, intern resonnering, verktøykall og output teller med i den totale kapasiteten. Vanlige svar har en standardgrense på 65 536 output-tokens, men utviklere kan bruke egne mekanismer for å fortsette genereringen over lengre sekvenser.

Det betyr likevel ikke at modellen automatisk husker eller bruker alle detaljer perfekt. Et stort kontekstvindu gir plass til mer informasjon, mens tester som GraphWalks måler hvor godt modellen faktisk klarer å finne og følge informasjon i store mengder kontekst.

Neons score på 95,2 prosent på GraphWalks er derfor et positivt resultat for bruk med store kodebaser og omfattende dokumenter.

Hva koster Gemini 4 Neon?

Google har satt følgende API-priser:

TypePris per million tokens
Input$3,00
Cached input$0,15
Output$15,00

Cached input betyr informasjon modellen allerede har behandlet, og som kan gjenbrukes fra en cache. Google tilbyr 95 prosent rabatt på slike input-tokens.

Neon er 25 prosent billigere per token enn Carbons ordinære API-priser på 4 dollar for input og 20 dollar for output.

Det finnes imidlertid et viktig forbehold: Carbon har en midlertidig kampanjepris på 2 dollar for input og 10 dollar for output frem til 30. november 2026. Akkurat nå er Neon dermed dyrere per token enn Carbon. Den lavere ordinære prisen er først en direkte fordel når Carbons kampanje avsluttes.

Når man skal vurdere faktisk kostnad, må man også se på hvor mange tokens modellene bruker for å løse samme oppgave.

For brukere av Gemini-appen gjelder abonnementene og deres bruksgrenser, ikke direkte API-prisene.

Hvor kan Gemini 4 Neon brukes?

Google begynte utrullingen 18. november.

Modellen blir tilgjengelig i Gemini-appen for abonnenter på Google AI Pro og Ultra. Den tilbys også i Google AI Studio, gjennom Gemini API og i Google Antigravity for kvalifiserte abonnenter.

For utviklere er modell-ID-en gemini-4-neon.

Vercel har også gjort modellen tilgjengelig gjennom AI Gateway, med modell-ID-en google/gemini-4-neon. Dermed kan utviklere integrere Neon i egne apper og AI-systemer uten å være begrenset til Googles egne brukergrensesnitt.

Tilgang, kvoter og priser avhenger av hvilken tjeneste man bruker.

Begrensninger og sikkerhet

Google oppgir at Gemini 4 Neon har et kunnskapskutt i mars 2026. Det betyr at modellen ikke nødvendigvis kjenner til hendelser etter dette tidspunktet uten tilgang til oppdaterte kilder, for eksempel nettsøk eller tilkoblede systemer.

Den kan også fremdeles hallusinere, altså produsere informasjon som virker troverdig, men som ikke er korrekt.

Google fremhever flere forbedringer knyttet til sikkerhet, blant annet færre tilfeller der modellen tar snarveier, påstår å ha gjennomført oppgaver den ikke har utført, eller går utenfor instruksjonene sine.

I Googles interne tester oppnådde Neon blant annet 99,2 prosent på en evaluering av hvor ærlig AI-agenten rapporterer om egne handlinger.

Dette er lovende resultater, men interne tester er ikke det samme som uavhengig dokumentasjon av sikkerhet i virkelige systemer. Den fullstendige sikkerhetsrapporten var heller ikke publisert ved lanseringen.

For virksomheter som ønsker å gi AI-agenter tilgang til økonomi, databaser eller eksterne systemer, er det derfor fortsatt nødvendig med tilgangskontroll, logging, validering og menneskelig godkjenning der konsekvensene av feil kan være store.

Det viktigste å ta med seg

Gemini 4 Neon er først og fremst en modell som forsøker å gjøre avansert AI mer praktisk og økonomisk tilgjengelig. Den konkurrerer med noen av de kraftigste modellene på markedet, men kombinerer kapasiteten med lavere ordinær pris og kortere gjennomføringstid enn Gemini 4 Carbon.

Resultatene er særlig sterke innen AI-agenter, bedriftsoppgaver, programmering og analyse av omfattende informasjon. Samtidig viser benchmarkene at modellen ikke er best på alle områder, og at selv de beste AI-agentene fortsatt gjør mange feil når de skal fullføre kompliserte oppgaver selvstendig.

For utviklere og bedrifter kan Neon bli et alternativ til å bruke de aller største modellene på alle oppgaver. Man kan bruke mindre modeller til det enkle, Neon til krevende oppgaver som må gjennomføres ofte, og de aller kraftigste modellene når oppgaven krever maksimal kapasitet.

Det sentrale er ikke bare hvilken modell som oppnår høyest score, men hvilken som kan løse en konkret oppgave korrekt, raskt og til en fornuftig kostnad.

Kilder

Del denne artikkelen