Gemini 4 Neon発表――高性能推論と実運用効率を両立するエージェントモデル


ADVERTISEMENT

性能・価格設計:高い推論能力を実務コストに結び付ける

Googleは2026年11月18日、複雑なソフトウェア開発、知識労働、科学ワークフローを対象とするGemini 4 Neonを発表した。Artificial Analysis Intelligence Indexでは、xhigh thinkingでスコア61、全体3位に位置し、より大型で低速なモデルに続く成績だという。Vals Indexでは2位、Agent Arena Indexではステアラビリティ(タスク途中のユーザー修正への適応性)で2位を獲得した。さらに、社内のGoogle Antigravityテストでは、同社モデルとして過去最低の捏造率を記録したとしている。

価格は入力100万トークンあたり3ドル、キャッシュ済み入力は0.15ドル、出力は15ドル。キャッシュ入力は通常入力に比べて95%安く、コンテキストウィンドウは100万トークンである。思考レベルは4段階で、ワークロードに応じて推論強度とトークン消費を調整できる設計だ。高設定ではArtificial Analysis Intelligence Indexのスコアを維持しつつ、Carbonよりタスクあたりコストを32%抑えたと説明する。また、Vals IndexとAgent Arenaの高設定では、上位競合フロンティアモデルに対してタスクあたりコストをおよそ50〜80%削減し、最も難しい処理向けのxhighでも、競合モデルの最高設定より36%以上低コストだとしている。

この設計の要点は、モデル単体の性能ではなく、推論の深さ、処理速度、タスク完了コストを運用単位で調整することにある。長いコンテキストと入力キャッシュを使えるため、反復的な文書処理や複数段階のエージェント実行では、再利用可能な入力を維持しながらコストを管理しやすい。ただし、提示されているコスト比較は特定のベンチマーク条件に基づく同社の説明であり、実際のアプリケーションでは入出力比、キャッシュ命中率、思考レベル、ツール利用回数を含めて検証する必要がある。

エージェント・開発・分析ワークロードでの実績

Neonは、ファイル読み込みの重複を抑え、作業中の進捗を共有し、長時間セッションでのコンテキスト圧縮を安定して処理するよう設計された。単独で動作するほか、Google AntigravityではHydrogenサブエージェントを並列に指揮するオーケストレーターとして使える。ソフトウェア開発ではArtificial Analysis Coding Agent Indexで総合1位(58.6)、Terminal-Bench 4.1で65.2%、FrontierCode 2.0で46.2%を記録した。SWE-sweepではmini-SWEハーネスで12.8%、Google Antigravity上では39.0%に達したとされ、実行環境やハーネスが結果に大きく影響することも示されている。

エンタープライズ業務では、スプレッドシート、PDF、チャート、音声、動画を100万トークンのコンテキスト内で統合し、構造化された成果物に変換することを想定する。Vals Indexは70.9%で2位、Legal Research BenchとTax Agent Benchはそれぞれ1位。Chartographyは73.5%、Agents’ Last Exam v1.1は75.8%で、ZapierのAutomationBenchは56.3%で総合1位、Andon LabsのVending-Bench 2では16,843ドルを記録した。新設のAgent Arena Indexでは、4,200件超の実環境エージェントセッションを対象にスコア1336で世界2位としている。科学・数学領域ではTerminal-Bench Scienceが70.5%、RiemannBenchが84.0%、HLE-Diamondが71.3%で、いずれも同社が最高性能と説明する。

これらの数字は、単一の「総合知能」よりも、ツールを介した複数段階の実行、文書や表の構造理解、専門領域の推論を分けて評価する必要性を示す。特に、同じモデルでもハーネスによりSWE-sweepの結果が大きく変わるため、ベンチマーク比較ではモデルだけでなく、実行環境、ツール権限、並列化、タスク分割方法を記録することが重要になる。

サイバー防御と安全性:能力向上を実行制御と併せて評価

Gemini 4 Neon for cyberは、コード生成時の安全性向上、脆弱性探索、悪用可能性の検証、修正を対象とする。AutoBaxBenchでは容易・中程度・難しい課題のすべてでCarbonより安全なコードを生成し、難易度の高い区分で76%を達成した。WebExploitBench v1.2では51.26%で最高性能を主張し、競合する大型モデルの半分のコストとしている。脆弱性発見ではSEC-bench Proで90.5%、CollinearのCWE-bench v2で70.7%を記録し、後者はCarbonから3.4%改善した。ExploitGymではフロンティア水準の性能をCarbonの半分のトークン数で実現したという。サイバー向け提供はFairwind Programの信頼できる防御担当者に対し、数日以内に開始するとしている。

安全面では、重大な悪用やプロンプトインジェクションへの保護をGemini 4 Carbon水準に保ちつつ、アラインメントとエージェント挙動を改善したと説明する。Terminal-Bench 4.0では不正行為が0.0%、独自のコーディング不正評価では近道行動が2.45%で、Gemini 4モデル中最低だった。エージェント安全性評価での不整合な行動率は0.09%、誠実性評価の合格率は99.2%。エージェント挙動評価では、異なる労力設定において、依頼への対応不足を43〜56%、過剰な対応を15〜35%減らしたとしている。Gray Swanの間接プロンプトインジェクション評価では、最高思考レベルとリアルタイム保護の組み合わせで、評価対象の攻撃すべてに抵抗し、攻撃成功率0.0%を記録した。

これらはモデル内部の能力だけでなく、実行時の保護、権限境界、監視を含むシステムとして評価すべき項目である。なお、ベンチマーク結果や安全性指標はGoogleの発表に基づくもので、対象範囲や評価条件が限られる可能性がある。実環境への導入では、社内データや利用ツールに合わせた独立検証が必要だ。

開発者・エンジニア視点での考察

  1. 思考レベルをタスクの失敗コストに結び付ける。 4段階の設定は、一律に最大推論を使うより、単純な変換や分類は低い設定、複数ファイルの修正や科学分析は高い設定に振り分ける設計と相性がよい。品質、遅延、トークン消費をタスク別に計測し、段階選択の基準を運用データから調整したい。

  2. 長いエージェント処理では、ハーネスをモデル評価の一部として扱う。 mini-SWEとGoogle Antigravityで報告されたSWE-sweepの差は、ツール構成や実行制御が完了率を左右することを示唆する。再試行、ファイル読込の重複排除、進捗保存、コンテキスト圧縮の挙動をログ化し、モデル更新時には同一ハーネスで回帰試験を行うべきだ。

  3. 大規模コンテキストとキャッシュを前提に、データ経路を設計する。 100万トークンのコンテキストは複数資料の横断分析に有用だが、入力をすべて毎回送り直す運用ではコストが膨らむ。反復利用する資料のキャッシュ、文書の前処理、必要部分の選択的投入を組み合わせ、精度だけでなくキャッシュ命中率やタスク完了あたりの総費用を監視する。また、法務・税務・セキュリティ用途では出典追跡と人間による確認をワークフローに組み込む必要がある。

Source / 元記事

この記事について

著者
AIBloom AI編集部
初回公開
最終更新

この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。

元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。

重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。

About AIBloom

ADVERTISEMENT