Gemini 4 Neon در برابر Claude Opus 5.5 و GPT-6.2 تو کدنویسی
خلاصهٔ کاملتر
Gemini 4 Neon مدل میانی گوگل بین Hydrogen و Carbon هست که ۱۸ نوامبر بیسروصدا منتشر شد. به گفته نویسنده، انتشارش هم ناهموار بود: مستندات API زودتر از پست وبلاگ گوگل اومد و model card روز اول 404 میداد. تو KingBench 4 با ۳۷.۹ از ۶۰ دوم شده و Opus 5.5 (۳۴.۷)، GPT-6.2 Astra (حدود ۳۴)، GPT-6.1 Soul و حتی Carbon و Argon رو پشت سر گذاشته. فقط Fable 5.2 با ۴۲ امتیاز بالاتر بوده.
KingBench 4 شش پروژه بزرگ رو با یه پرامپت و بدون هیچ اصلاح بعدی به مدل میده: امولاتور Game Boy/DS/3DS با Rust، یه جایگزین Docker، طراح سهبعدی اتاق، کانفیگکننده کیبورد QMK، فصل اول Pokémon Red و اپ همگامسازی فیتبیت. اگه container escape پیش بیاد (یعنی کد بتونه از sandbox بزنه بیرون) امتیاز اون پروژه حداکثر ۳ از ۱۰ میشه. نویسنده یادآوری میکنه که harness مدلها فرق داشته: Neon تو Antigravity CLI، Opus و Fable تو Claude Code و GPT-6.2 تو Codex CLI اجرا شدن، و این روی نتیجه اثر داره.
Neon بیشترین امتیاز رو تو طراح اتاق (۸.۵)، Pokémon Red (۸.۴) و اپ فیتبیت (۷.۵) گرفته. تو Pokémon Red تنها مدلی بود که کنار Fable واقعاً بازی رو ساخت، هر ۱۸ نقشه رو رندر کرد و با ۶۰ فریم بر ثانیه اولین gym leader رو برد. کل کار رو هم فقط با سه بازنویسی کامل فایل انجام داد، در حالی که Fable ۳۱ بار بازنویسی کرد.
ضعفهاش دو جا جمع میشن: دانش قدیمی و تست امنیتی سطحی. اپ فیتبیت با APIیی کد خورده که گوگل ۲ نوامبر خاموشش کرده بود، پس درخواستهای ناموفق رو موفق حساب میکرد و داده ساختگی مثل تعداد قدم پیشفرض میساخت. کانفیگکننده QMK یه کد hex اشتباه برای factory reset فرستاد که کیبورد رو برد تو حالت bootloader. جایگزین Docker هم با Go تمیز نوشته شده بود، ولی یه image مخرب از هفت مسیر symlink مختلف میتونست به فایلسیستم میزبان برسه. Astra، Soul و Opus 5.5 این مشکل رو نداشتن.
از نظر هزینه، Neon میلیونی ۳ دلار ورودی و ۱۵ دلار خروجی میگیره و cache هم ۰.۱۵ دلاره. کل بنچمارک براش ۲۰.۳۶ دلار شده، در برابر حدود ۲۲۲ دلار برای Fable و ۲۳۴ دلار برای Carbon حتی با قیمت تخفیفی. نویسنده میگه Neon حدود ۹۰ درصد امتیاز Fable رو با کمتر از یهدهم هزینه میده و نسبت به Opus حدود ۲۵ درصد ارزونتره. البته Opus تو امنیت container و پروتکلها قویتر بوده.
توصیه نویسنده اینه که Neon رو تو مرزهای امنیتی، APIهای تازهتغییرکرده و بایتکدهای سختافزاری کورکورانه قبول نکنید. تو Pokémon Red هم تستهای خودش برخوردهای وحشی رو سرکوب کرده بود تا برد تضمین بشه. جفت کردنش با یه مدل بازبین دوم و پایین آوردن سطح reasoning برای کارهای روزمره هم ریسک رو کم میکنه، هم هزینه توکنهای thinking رو.
نکات کلیدی:
- امتیاز Neon تو KingBench 4 برابر ۳۷.۹ از ۶۰ و رتبه دوم بین ۱۸ مدله
- هزینه کل بنچمارک: Neon ۲۰.۳۶ دلار، Fable 5.2 حدود ۲۲۲ دلار
- Neon سه بازنویسی کامل فایل داشت و Fable 5.2 سیویک تا
- تو جایگزین Docker هفت مسیر symlink escape داشت و امتیازش به ۳ از ۱۰ محدود شد
- context یک میلیون توکن، ۶۴ هزار توکن خروجی و چهار سطح thinking داره




