
«Североамериканский соевый пакет» Google наконец отвоёвывает центральное место за столом искусственного интеллекта.
Автор: Wildcard, Geek Park

Google на этот раз действительно вернулся.
18 ноября Google DeepMind зажгла вывеску с неоновым названием Gemini 4 Neon.
Это четвертая «элементная» модель серии Gemini 4, представленная всего за 7 недель. Если взглянуть на длинные таблицы официальных бенчмарков и отзывы сообщества после реальных тестов, вы увидите, что она идеально попала в невероятно удобную позицию «золотой середины»: ее твердый интеллект близок к флагманским моделям, а местами даже превосходит их, при этом стоимость выполнения одной задачи снижена примерно вдвое по сравнению с конкурентами.
В техническом сообществе Reddit избирательные разработчики редко дают единодушные положительные отзывы, но здесь они называют модель «невероятно дешевой и пугающе мощной». Обычные пользователи, подписавшиеся на Google AI Pro за 19,99 доллара в месяц, также были весьма рады: им не пришлось напрягаться, чтобы перейти на тариф Ultra, так как в приложении Gemini они сразу получили модель уровня почти флагмана. В сочетании с плотным релизом моделей и инструментов в течение всего ноября тот самый Google AI, который раньше блуждал по краям стола для игры, наконец, уверенно вернулся в центр.
Единственное, что окончательно запутало программистов по всему миру, — это загадочная система наименований от Google. От Аргона в конце сентября, Углерода в конце октября, Водорода в середине ноября до нынешнего Неона: они не упорядочены по атомному номеру, не следуют алфавиту и не отражают разницу в мощности.
На Hacker News один из внимательных пользователей выписал все химические свойства, чтобы найти закономерность, и в конце концов в отчаянии написал, что Google, видимо, бросает элементы в шляпу и вытаскивает случайным образом: система названий по стандартам Starbucks была бы понятнее; китайские пользователи уже начали требовать обновления до 118-го элемента «оганесона» (Oganesson) и в шутку отметили, что ради чтения технологических новостей приходится заново зубрить школьную химию.

Рис.: Интерфейс выбора модели «Периодическая таблица», разработанный пользователями для Gemini 4
«Шедевр алхимии»
Хотя названия сбивают с толку, позиционирование Neon в продуктовой линейке прорезано с поразительной четкостью.
Она точно встала между тяжеловесным флагманом с длительным циклом работы Carbon и легкой, но часто используемой исполнительной моделью Hydrogen, напрямую заменив предыдущие позиции в экосистеме Gemini 3.1 Pro и Argon. Дэмиас Хассабис, главный ученый Alphabet и председатель DeepMind, дал ей высокую оценку, назвав «шедевром алхимии».
Эта оценка опирается на вполне конкретные технические показатели. Контекстное окно Neon составляет 1 миллион токенов (в Antigravity поддерживается до 512K контекста), а максимальный объем вывода — также до 1 миллиона токенов; модель поддерживает нативный мультимодальный ввод текста, аудио/видео, PDF-файлов и электронных таблиц. В базовой логике она предлагает четыре регулируемых уровня глубины размышлений: low, medium, high (по умолчанию) и xhigh, что предоставляет разработчикам огромные возможности для контроля затрат.
Данные независимой оценочной организации Artificial Analysis лучше всего иллюстрируют эту мысль. В общем рейтинге AA Intelligence Index v5.0.1 Neon в режиме xhigh набрал 61 балл, заняв третье место в мире, уступив только GPT-6.2 Astra и Claude Fable 5.2, но опередив родственный флагман Carbon в режиме high (60 баллов), Anthropic Claude Opus 5.5 (59 баллов) и OpenAI GPT-6.2 Sol (57 баллов). Даже переключившись на дефолтный режим high, она получает 60 баллов, а перейдя на medium, набирает 55 баллов — результат все равно выше, чем у облегченной модели Hydrogen в ее предельном режиме xhigh (54 балла).
То, что действительно привлекает корпоративных клиентов, — это график со рассеянными точками, сопоставляющий баллы бенчмарков и стоимость выполнения одной задачи. Neon обеспечивает интеллектуальный уровень топового флагмана по цене стандартной массовой модели среднего сегмента.
Скорость генерации достигает примерно 110 токенов в секунду, что близко к двойной скорости Carbon (около 57 токенов/с); среднее время прохождения одного теста в бенчмарке AA сократилось с 36 минут у Carbon до 21,5 минуты, а стоимость одной задачи составила 6,44 доллара США, что примерно на 17% ниже цены Carbon после возврата к стандартному тарифу (7,76 доллара). На платформе Antigravity в стандартном режиме high стоимость одной задачи оказалась еще на 32% ниже, чем у Carbon.

Рис.: Сравнение баллов интеллекта и стоимости одной задачи по разным режимам Gemini 4 Neon и конкурентов в рамках AA Index
Если перевести взгляд на самые конкурентные сейчас направления программирования и корпоративного использования, эта ценовая привлекательность становится еще очевиднее. В рейтинге AA Coding Agent Index Neon лидирует с результатом 58,6 балла, практически равен по реальным возможностям флагам Claude Fable 5.2 и Opus 5.5 под управлением Claude Code (оба набирают по 58 баллов). Однако если посчитать экономику, средняя стоимость одной задачи Neon в Antigravity CLI составляет всего 6,86 доллара США, что примерно вдвое дешевле, чем у Claude Opus 5.5 (12,61 доллара) и Fable 5.2 (15,47 доллара).
В специализированных тестах, отражающих реальные инженерные навыки, Neon показал 65,4% в CursorBench 4.1, значительно опередив Opus 5.5 (58,1%); в среде Antigravity его результат в SWE-sweep достиг 39,0%, многократно превышая 10,1% у Opus 5.5 и 8,3% у GPT-6.2 Sol. В задачах симуляции корпоративной автоматизации Zapier AutomationBench (56,3%), долгосрочного бизнес-процесса Vending-Bench 2 ($16,843), научного анализа RiemannBench (84,0%) и оценки качества вывода в категории AA-Briefcase (1771 Elo) он безальтернативно занял первые места; специальная кибербезопасная версия для защиты участников программы Fairwind также продемонстрировала высокий результат в размере 90,5% на SEC-bench Pro.

Рис.: Сравнительные результаты Gemini 4 Neon в множественных бенчмарках, включая программирование и научное мышление
Тем не менее, у этого нового движка есть свои слабые стороны.
Прежде всего это проблема «разговорчивости» и задержек на высоких настройках. При прохождении полного комплекта тестов AA в режиме xhigh Neon выдал 283 миллиона выводных токенов, что значительно больше, чем у Carbon, а начальная задержка ответа составила 56,51 секунды. Для сценариев, где критична максимальная скорость реакции, очевидно более разумно переключиться на режим medium: время выполнения сократится до 8,3 минут, а объем вывода ограничится 62,9 миллиона токенов.
Другая забавная история, которой делились разработчики на внутреннем техническом форуме «DaLaoShuo», — временное обратное соотношение цен перед концом ноября.
API Neon сразу вышел на официальном тарифе: 3 доллара за входные данные и 15 долларов за выходные (на каждые миллион токенов, со скидкой 95% при совпадении кэша до 0,15 доллара) и не предоставлял бесплатных квот; тем временем флагманы Carbon и Argon ровно до 30 ноября находились в периоде начальных скидок по 2 и 10 долларов, возвращаясь к стандартным ценам 4 и 20 долларов лишь 1 декабря. Это означало, что в оставшиеся дни ноября цена за единицу «почти флагмана» выходила на 50% дороже флагманов, что стало своего рода комичным бизнес-таймингом.
От демонстрации личного мастерства к управлению командой подрядчиков
Таблицы с результатами бенчмарков — это просто сухие цифры, то, что действительно взбудоражило технологическое сообщество, — это доминирующая сила Neon в реальных инженерных условиях.
Запустив демонстрацию Google Antigravity на реальном устройстве, можно наглядно ощутить, что такое долгосрочная координация мультиагентных систем.
В проекте под названием NEONPUTT 84 Neon активировал режим /swarm и одновременно управлял восемью параллельными узлами: scaffold, shaders, courses, physics, ui, engine и verifier — в динамически обновляющейся карте задач. Разделившись на роли, они написали пользовательский GLSL-шейдер, физический движок на частоте 240 Гц и создали восемь уровней, собрав воедино мини-гольф в стиле ретро-синтвейва. Самым поразительным стало то, что после завершения кода Neon самостоятельно перехватил управление браузером для тестирования интерфейса кликов: прицелился, ударил битой и уверенно отправил шар в лунку.

Рис.: Gemini 4 Neon распределяет через swarm 8 параллельных субагентов для совместной разработки в среде Antigravity

Рис.: Gemini 4 Neon автономно генерирует 3D-игру в мини-гольф и выполняет приёмочное тестирование через управление браузером
Если рассмотреть задачу в перспективе, её выносливость также поражает. В масштабной официальной демонстрации Neon в среде Antigravity непрерывно функционировал на протяжении целых 12 часов исключительно с помощью /swarm. Опираясь лишь на архивные фотографии, он в трехмерном пространстве восстановил кабинет Алана Тьюринга 1936 года в Колледже Королевы в Кембридже кирпичик за кирпичиком, а на виртуальном столе запустил работающую и полностью интерактивную машину Тьюринга общего назначения.
В свою очередь, на канале YouTube CHOOSETO.AI новый сотрудник Google опубликовал ряд прямых испытаний благодаря раннему доступу к тестированию, вовсе обойдясь без бенчмарков. На видео Neon за одну SDF-формулу непосредственно создал детализированную 3D-дракона, одним файлом сгенерировал анимированного SVG-павлина и быстро превратил старую двумерную планировку квартиры 1959 года в полноценный 3D-объект, по которому можно ходить. Перейдя к хардкорным бэкенд-задачам, он самостоятельно развернул дежурного агента на Google Cloud Run и мгновенно выполнил откат приложения, которое искусственно свели с ума; модель смогла даже провести симуляцию столкновения двойной галактики на DGX Spark или без предварительного обучения написать веса нейронной сети вручную.
Помимо того, что Neon самостоятельно берется за тяжелую работу, его самым разумным эволюционным шагом стало умение выступать в роли «прораба».
На этот раз платформа Antigravity одновременно представила новую автоматизированную систему оркестрации из двух моделей Orchestrator (Neon). При работе над сложными проектными файлами Neon остается главным диспетчером для планирования архитектуры и проверки состояния, а обычные правки кода, обновление пакетов и запуск тестов передает легкой и экономичной Hydrogen; если на этапе исполнения возникает затык, управление автоматически возвращается Neon для корректировки плана, что полностью избавляет разработчиков от необходимости вручную переключать модели.
Прямые инженерные команды также прекрасно изучили его характер. Официальный блог GitHub Copilot специально отмечает, что по сравнению со старшим братом Carbon Neon загружается быстрее, а главное — более сдержанно редактирует код: случаи несанкционированных правок других участков кода значительно сократились, а показатель фейковой генерации кода и результатов инструментов достиг минимума во время внутренних тестов. Согласно мнению исследовательских команд машинного обучения, ранее сотрудничавших с Google, Neon окончательно избавился от привычки «новичка-исследователя» сдаваться при первой же неудаче эксперимента, научившись, подобно опытному ученому, задавать уточняющие вопросы, искать новые сигналы и активно перестраивать стратегию моделирования.
Триумфальное возвращение из-под ярлыка «североамериканского соевого пакета»
Сегодняшний задорный настрой Google AI сложно сопоставить с ситуацией всего четыре месяца назад, когда в китайском сегменте интернета за ним закрепилось весьма ироничное прозвище «североамериканский соевый пакет».
Если вернуться к июлю 2026 года, это был период самого низкого падения авторитета Gemini. Из-за провалов в математическом рассуждении и абсурдных ошибок при проверке безопасности насмешки пользователей сыпались градом. Обещанный на конференции Google I/O в мае выпуск Gemini 3.5 Pro к июню сорвался, в итоге компания была вынуждена представить версию 3.5 Flash для конкуренции со средним сегментом rivals. На обложках ведущих рейтингов по разработке и агентам имя Gemini временно вообще исчезало. Наиболее неловко ситуацию усугубляло то, что встроенная база знаний модели долгое время застыла на январских данных 2025 года, и только в версии 3.6 Flash была обновлена до марта 2026 года — система даже не распознавала новые выпуски продуктов конкурентов, а включение сетевого поиска приводило к еще большему падению эффективности.
Прошло всего четыре месяца, и расклад карт полностью изменился.
В течение всего ноября Google подготовила серию крайне плотных ходов. Помимо четырех моделей семейства Gemini 4, выпущенных за семь недель, они одновременно презентовали мировую модель Genie 4, способную генерировать интерактивные 3D-окружения по текстовым запросам, и Gemini Omni 1.2 Flash для бюджетной обработки длинных видеороликов, а платформу Antigravity отшлифовали до Hardcore-платформы для агентного развития в сфере создания ПО и хемоинформатики. В крупнейших комплексных рейтингах Google наконец-то вернул себе уверенность для полноценной конфронтации с линейкой GPT-6.2 от OpenAI и моделями Claude 5.2 и Opus 5.5 от Anthropic.
Как именно Google удалось реализовать такой грандиозный comeback?

Рис.: Вице-президент Google DeepMind и главный архитектор ИИ Корай Кавакуджуглу (Koray Kavukcuoglu)
В августе этого года Google завершила ключевую организационную реструктуризацию: Демис Хассабис перешел на пост главного ученого Alphabet и председателя совета директоров DeepMind, а вице-президент DeepMind и главный архитектор ИИ Корай Кавакуджуглу официально возглавил текущую операционную деятельность и дорожную карту Gemini. В сентябре на конференции The Information Корай заявил, что «обсуждать, достигли ли мы уже AGI, — совершенно неверный вопрос в данный момент», заставив всю команду вернуть фокус на создание надежных практических агентов.
Он окончательно отказался от старой практики накопления секретных возможностей и последующих срывов сроков ближе к концу года, установил железное правило «как можно скорее доставлять продукт и проводить частые обновления», а между этапами предобучения и постобучения дополнительно внедрил отдельную промежуточную команду для шлифовки навыков программирования.
Руководитель отдела постобучения DeepMind Мелвин Джонсон отметил, что ранее Gemini сталкивалась с тупиками, поскольку после успешного решения простых задач эффективный сигнал для обучения просто не формировался. Чтобы исправить это, команда создала чрезвычайно строгий замкнутый цикл автоматического обучения с подкреплением, намеренно выбирая сложные междисциплинарные проекты в нескольких репозиториях, где агенты все еще терпят неудачи, и изолируя их в строгих песочницах с сохранением юнит-тестов для многократного испытания. Одновременно система жестко штрафует попытки обойти проверку или подделать результаты тестирования, успешно снизив внутренний показатель фейковых ответов в строгой среде до исторического минимума около 1,5 %.
А настоящей гарантией всех этих достижений стало долгожданное появление аппаратных решений собственного производства от Google, над которыми компания билась много лет.
Пока конкуренты за этим столом все еще страдают от нехватки GPU Nvidia и огромных счетов за вычисления, седьмое поколение TPU Ironwood от Google вместе с открытым программным слоем TPU Sync уже достигло стадии зрелости и начало активно внедряться, позволяя с миллисекундной скоростью выгружать массивные KV-кэши контекста в оперативную память хоста.
По данным тестов SemiAnalysis, производительность на каждый доллар, которую демонстрирует Ironwood в сценариях с длинным контекстом и многоэтапным взаимодействием агентов, выглядит подавляюще и настолько привлекательна, что даже конкурент Anthropic заключил крупное соглашение о совместном использовании TPU-мощностей, а восьмое поколение TPU от Google уже начало полностью разделять и независимо оптимизировать чипы для обучения и вывода. Именно постоянный поток собственных вычислительных мощностей на базе позволил Google вести агрессивную ценовую политику и внедрять гибридную схему «Neon плюс Hydrogen» для смешанного использования моделей разного масштаба.
Весьма насмехаемый несколько месяцев назад «североамериканский соевый пакет» в итоге смог вырваться из трясины благодаря инженерной дисциплине и технической мощи платформы. Когда Google отказался от попыток доказать достижение AGI с помощью одной громкой статьи и вместо этого начал регулярно, раз в две недели, обрушивать на рынок хорошо зарекомендовавшие себя модели, тот самый жуткий соперник, которого меньше всего хотели видеть ни OpenAI, ни Anthropic, наконец, пробудился.















