Gemini 4 Neon اومد: مدل میانی گوگل که از Carbon جلو زده
خلاصهٔ کاملتر
Gemini 4 Neon جدیدترین عضو خانواده Gemini 4 گوگله که چند هفته بعد از Argon، Carbon و Hydrogen اومده. این چهار مدل تو حدود دو ماه منتشر شدن. تو مقاله اومده که Neon یه مدل میانیه: Carbon بزرگترین و قویترینه، Neon زیرش قرار میگیره و Hydrogen یه پله پایینتر، ارزونتر و سریعتره. نکته جالب اینه که Neon تو چند بنچمارک از Carbon بهتر شده، با اینکه ارزونتر و سریعتره.
تو Artificial Analysis Intelligence Index سوم شده و روی Pareto Frontier (یعنی نمودار توانایی در برابر هزینه) دوم. تو Vending Bench 2 که رفتار ایجنتی طولانیمدت رو میسنجه اول شده. بنچمارکهای حقوقی و مالیاتی Vals، automation bench زپیر، terminal bench و HLE Diamond رو هم صدرنشین شده. تو کدنویسی گوگل ادعا میکنه Neon با فاصله کم از Opus 5.5 و Fable 5.2 جلوتره، ولی به گفته نویسنده این ادعا هنوز مستقل تأیید نشده و رو بیشتر بنچمارکهای معروف اون دوتا هنوز قویترن.
تستهای عملی تو anti-gravity انجام شده، یعنی محیط کدنویسی ایجنتی گوگل که مدل توش خودش برنامهریزی، کد، تست و دیپلوی میکنه. Neon از روی عکس یه اژدها یه signed distance function ساخته، یعنی فرمولی ریاضی که سطح اژدها رو فقط با کد توصیف میکنه. حدود ۳۸ دقیقه مستقل کار کرده و یه ابزار نقد هم برای خودش نوشته که هر دور اژدها رو از پنج زاویه رندر و با عکس اصلی مقایسه میکرد. یه ویدیوی طاووس رو هم به یه SVG متحرک تبدیل کرده.
تو قابلیت swarm (یعنی یه ایجنت هماهنگکننده کار رو بین چند ایجنت کارگر پخش میکنه) کار ساخت یه ماکت نظامی سهبعدی رو بین هفت ایجنت تقسیم کرده. این کار ۱۵ دور و حدود چهار ساعت طول کشیده و ۱۶ میلیون توکن خورده. نویسنده میگه swarm برای کارهای ساده گزینه بهصرفهای نیست.
کاربردیترین تست برای برنامهنویسها ساخت ایجنت «Pager» بوده، یه ایجنت on-call که اپ زنده رو زیر نظر داره و خطاها رو با تأیید آدم درست میکنه. Neon تو ۶۵ دقیقه یه اپ کافیشاپ ساخته، ترافیک ساختگی تولید کرده و همهچیز رو روی Cloud Run با Agent Development Kit (ADK) دیپلوی کرده. وقتی یه دیپلوی خراب timeout پرداخت رو از ثانیه به میلیثانیه رسوند، ایجنت تو کمتر از یه دقیقه تغییر رو پیدا کرد و قبل از rollback منتظر تأیید آدم موند. اجازه پاک کردن چیزی رو هم نداشت.
تو تستهای پژوهشی هم یه شبکه عصبی رو بدون آموزش و با نوشتن مستقیم وزنها برای بازی Breakout ساخته که میانگین ۵۵۰ امتیاز گرفته، در برابر حدود ۲۵ برای شبکه آموزشدیده. البته تو یه بازی سختتر نصف اون رو هم نگرفته. نویسنده میگه Neon معمولاً اول نسخه ساده مسئله رو امتحان میکنه و ابزار بررسی خودش رو میسازه. ایراد اصلیش اینه که حالت extra high حتی برای کار ساده توکن زیادی میسوزونه.
نکات کلیدی:
- Neon تو Artificial Analysis Intelligence Index سوم و تو Vending Bench 2 اوله
- چهار سطح thinking داره: low، medium، high و extra high
- تو کدنویسی هنوز Opus 5.5 و Fable 5.2 رو بیشتر بنچمارکها جلوترن
- swarm هفتایجنتی حدود ۱۶ میلیون توکن مصرف کرده
- ایجنت Pager رو روی Cloud Run با ADK دیپلوی کرده و rollback رو با تأیید انسانی انجام داده




