Gemini 4 Neon: kapacitet, pris og AI-agenter

Gemini 4 Neon er Googles AI-model til krævende kodning, analyse og dokumentarbejde, placeret mellem Hydrogen og Carbon i Gemini 4-serien. Den kombinerer multimodalt input med justerbart ræsonnement. En lavere pris pr. færdig opgave afhænger dog af både modelindstilling, værktøjer og den kvalitet, opgaven kræver.

Artiklens hovedpointer:

Gemini Neon kombinerer krævende analyse og kodning med justerbart ræsonnement. Omkostningen ved en færdig opgave afhænger af tokenforbrug, værktøjer og kontrolarbejde. Modellens store kontekstvindue og sikkerhedstest erstatter hverken kildekontrol eller afgrænsede rettigheder, når en AI-agent behandler dokumenter eller ændrer filer.

Hvad blev lanceret den 18. november?

Google præsenterede Gemini 4 Neon den 18. november 2026 og begyndte udrulningen gennem Gemini API, Google AI Studio, Gemini for business, Google Antigravity og Gemini-appen. API-modellen hedder gemini-4-neon og ligger på den betalte API-tjeneste. App-adgangen omfatter Google AI Pro og Ultra.

Adgangen afhænger af kanal og abonnement. Googles særskilte cybervariant er annonceret til godkendte deltagere i Fairwind-programmet i de følgende dage. Den skal derfor holdes adskilt fra den almindelige Neon-adgang. Lanceringen dokumenterer heller ikke, at enhver konto allerede har alle funktioner.

Hvordan adskiller Neon sig fra Carbon og Hydrogen?

Google placerer Neon mellem Gemini 4 Hydrogen til hurtige hverdagsopgaver og Gemini 4 Carbon til de mest krævende, langvarige forløb. Neon er tilpasset fra Carbon og retter sig mod komplekse opgaver, der gentages ofte.

Forskellen handler dermed om balancen mellem kvalitet, tidsforbrug og omkostning. Et udviklingsteam kan eksempelvis sammenligne modellerne på samme fejlrettelse: Finder de årsagen, består ændringen testene, og hvor meget menneskelig efterbehandling kræves? Det er en mere konkret sammenligning end at vælge ud fra modellens placering i serien.

Hvilke materialer kan modellen behandle?

Den officielle modelspecifikation angiver tekst, billeder, video, lyd og PDF som input og tekst som output. Neon understøtter blandt andet strukturerede svar, funktionskald, kodeafvikling og søgning med Google Search. Den genererer ikke selv billeder eller lyd gennem denne modelgrænseflade.

Multimodalitet betyder, at forskellige materialetyper kan indgå i analysen. Det betyder ikke, at alle oplysninger læses korrekt. En figur, et regneark og et bilag kan beskrive samme sag forskelligt. Et anvendeligt resultat skal gøre det muligt at finde tilbage til materialet og kontrollere, om en konklusion faktisk følger af det.

En tekstmodel kan desuden skrive kode, som et tilsluttet værktøj bruger til at skabe en fil eller visualisering. Det er en arbejdsgang med flere komponenter, ikke det samme som modellens eget outputformat.

Hvor stor er konteksten i praksis?

Neon har et fælles kontekstvindue på 1.048.576 tokens. Input, ræsonnement og output deler pladsen. Standardgrænsen for synkront output er 65.536 tokens. Længere generering kan ske gennem long decode, men giver ikke en ekstra million tokens oven i et allerede fyldt input.

Et kontekstvindue er den mængde materiale, modellen kan arbejde med i et forløb. Det er ikke et kvalitetsstempel for hver detalje i materialet. Meget lange sagsmapper kan stadig indeholde modstridende oplysninger eller relevante afsnit, som et svar overser.

I en dokumentanalyse kan en kontrol derfor bestå i at sammenholde modellens konklusioner med konkrete afsnit og tabeller. Hvis afgørende belæg mangler, bliver et længere svar ikke mere dokumenteret af at fylde mere.

Hvad betyder de fire tænkeniveauer?

Neon understøtter low, medium, high og xhigh. High er standardindstillingen. Niveauet styrer, hvor meget arbejde modellen bruger på ræsonnement, og påvirker dermed ventetid og tokenforbrug. Xhigh er rettet mod opgaver, hvor dybere behandling kan opveje højere forbrug.

Et højere niveau er ikke en garanti for et korrekt svar. Ved sammenligning af modeller bør niveauet indgå i beskrivelsen af forsøget sammen med opgavens krav og de tilgængelige værktøjer. Ellers kan forskellen skyldes et større beregningsbudget frem for et bedre egnet system.

En illustrativ afprøvning kan bruge samme dokumentpakke ved to niveauer og registrere fejl, manglende belæg og samlet behandlingstid. Hvis det dyrere niveau blot skriver længere uden at rette fejlene, er gevinsten ikke dokumenteret i den arbejdsgang.

Hvad koster Neon gennem API?

Googles prisside angiver følgende standardtakster pr. million tokens i amerikanske dollar. Outputprisen omfatter også ræsonnementstokens. Taksterne er kontrolleret den 19. november 2026.

Standardpriser for Gemini 4 Neon gennem API
ForbrugUSD pr. million tokens
Input3,00
Cachelagret input0,15
Output inklusive ræsonnement15,00

Neon understøtter kun implicit caching, ikke eksplicit oprettede caches. Søgning kan medføre særskilte udgifter: Efter den fælles gratis månedskvote koster Google Search 14 USD pr. 1.000 søgeforespørgsler. Ét modelkald kan udløse flere søgninger.

Neon er ikke billigere på alle aktuelle tokenpriser. Carbon har en introduktionspris på 2 USD for input og 10 USD for output frem til 30. november 2026. Fra 1. december angiver prissiden 4 og 20 USD. En sammenligning skal derfor angive dato og skelne mellem tokenpris og pris pr. færdig opgave.

En praktisk opgavepris omfatter også genforsøg og kontrolarbejde. En model med højere tokenpris kan være billigere samlet, hvis den bruger færre trin eller afleverer færre fejl. Det omvendte kan også forekomme.

Hvad fortæller resultaterne om AI-agenter?

En AI-agent kombinerer modellen med værktøjer og et forløb, hvor resultater kan føre til nye handlinger. Googles lancering viser, hvorfor hele opsætningen påvirker resultatet: På SWE-sweep angives 12,8 procent med mini-SWE-rammen og 39,0 procent i Google Antigravity.

De to tal er ikke en isoleret måling af modellens evner. Agentrammen påvirker, hvordan opgaven bliver præsenteret, hvilke værktøjer der kan bruges, og hvordan arbejdet fortsætter efter et problem. Resultatet fra én ramme kan derfor ikke uden videre overføres til en anden integration.

For et team er kontrolpunktet den samlede leverance: Er fejlen løst, er ændringen inden for mandatet, og kan forløbet efterprøves? En høj benchmarkscore besvarer ikke alene de spørgsmål.

Hvordan hænger sikkerhedstest og driftskontrol sammen?

Google beskriver forbedringer i agentadfærd og modstand mod indirekte prompt injection, hvor skadelige instruktioner gemmes i eksempelvis dokumenter eller websider. Nul observerede angreb i en bestemt test er ikke en garanti mod alle fremtidige angreb.

Modeladfærd og adgangsrettigheder løser forskellige problemer. En model kan forsøge at følge brugerens hensigt, mens det omgivende system bestemmer, om den faktisk kan sende en besked, ændre en fil eller køre en kommando.

  • Afgrænsede værktøjsrettigheder begrænser de mulige handlinger.
  • Godkendelse før en følsom handling giver et menneske mulighed for at kontrollere den.
  • Logning gør det muligt at undersøge forløbet bagefter.

Det er eksempler på kontrolpunkter i et agentsystem. De følger ikke automatisk med, blot fordi integrationen skifter til Neon.

Hvad er stadig uafklaret i sikkerhedsdokumentationen?

Modelkortet angiver, at den fulde sikkerhedsrapport for Neon vil komme i de følgende dage. Det beskriver samtidig, at Google har vurderet ændringen i kapabilitet i forhold til Argon. Ændringen lå under virksomhedens tærskel for at kræve en fuld ny serie af kritiske kapabilitetsevalueringer.

Flere risikovurderinger er derfor videreført fra Argon. Det er dokumentation for Googles vurderingsproces, ikke en ny uafhængig godkendelse af enhver Neon-anvendelse. Kortet oplyser også, at hallucinationer fortsat kan forekomme, og at modellens vidensgrænse er marts 2026.

Nyere viden må således komme fra materiale eller værktøjer i det konkrete forløb. At modellen kan søge, dokumenterer ikke, at den har søgt efter den afgørende oplysning eller valgt den rigtige kilde.

Hvilke datavilkår gælder for organisationer i Danmark?

Gemini API-vilkårene skelner mellem betalte og ubetalte tjenester. Under vilkårene for betalte tjenester bruger Google ikke input og svar til produktforbedring, men kan logge dem i en begrænset periode til sikkerhedsformål. Vilkårene beskriver også mulighed for midlertidig lagring i lande, hvor Google eller dets agenter har faciliteter.

Der er en særregel for EØS, Schweiz og Storbritannien: Datavilkårene for betalte tjenester gælder også for gratis AI Studio og ubetalt API-kvote. Den generelle beskrivelse af gratis data som materiale til produktforbedring kan derfor ikke ukritisk overføres til en organisation i Danmark.

API-vilkårene afgør ikke alene hele vurderingen af persondata. De skal heller ikke uden videre overføres til Gemini-appen eller direkte Google Cloud-tjenester. Organisationen må afklare den konkrete tjeneste, aftale og behandling, før personoplysninger indgår i en arbejdsgang.

Hvordan kan arbejdspladser afprøve modellen?

Et afgrænset forsøg kan undersøge, om Neon forbedrer en kendt opgave. En illustrativ test for et sekretariat kunne bruge offentlige dokumenter på dansk og bede modellen sammenholde krav, finde modstridende datoer og markere manglende oplysninger. Eksemplet er ikke et dokumenteret Neon-resultat.

  • Fastlæg på forhånd, hvilke oplysninger et korrekt svar skal indeholde.
  • Kontrollér belæg og udeladelser, også når formuleringen virker sikker.
  • Registrér tidsforbrug, forbrug og behov for menneskelige rettelser.
  • Afprøv særskilt, om agenten respekterer grænser for filændringer og andre handlinger.

Forsøget kan adskille tre resultater: en velformuleret besvarelse, en fagligt korrekt leverance og en handling udført med den rette tilladelse. Det gør det lettere at vurdere, hvad modelopgraderingen faktisk ændrer for arbejdspladsen.

Hvilke kilder ligger til grund?

Nyheden bygger på Googles lancering af Gemini 4 Neon. Tekniske grænser og takster følger den officielle modelspecifikation og API-prisside. Forbehold og databehandling bygger på modelkortet og Gemini API-vilkårene.