Gemini 4 Neon : le modèle Google vise le travail long
Google lance Gemini 4 Neon, un modèle à contexte 1M pensé pour le code, l’analyse documentaire et les workflows agents.

Google a présenté Gemini 4 Neon le 18 novembre 2026, avec une promesse claire : accélérer les tâches longues de code, d’analyse documentaire et de travail agentique. Le modèle rejoint la famille Gemini 4 et se positionne entre les usages très exigeants et les workflows professionnels du quotidien.
Pour les équipes, le point le plus visible est sa fenêtre de contexte de 1 million de tokens. Cela permet de charger davantage de documents, de fichiers, de tableaux, d’images, d’audio ou de vidéo dans une même session, sans découper autant le travail.
Ce qui change concrètement
Selon l’annonce officielle de Google, Gemini 4 Neon vise les workflows complexes en ingénierie logicielle, knowledge work et science. La page model card de Google DeepMind précise que le modèle est « adapted from Gemini 4 Carbon », ce qui le place dans la continuité directe de la gamme Gemini 4.
La grande nouveauté opérationnelle est le contexte. Le model card indique que Gemini 4 Neon accepte du texte, des images, de l’audio et de la vidéo, avec une fenêtre combinée entrée-sortie allant jusqu’à 1 million de tokens. La sortie synchrone par défaut peut aller jusqu’à 64K tokens, avec jusqu’à 1 million via « background long decode ».
Pour un professionnel, cela change surtout la manière de préparer une tâche. Tu peux fournir un corpus plus complet : cahier des charges, comptes rendus, fichiers techniques, éléments visuels, extraits audio ou vidéo. Le modèle peut ensuite produire une synthèse, un plan d’action, une analyse structurée ou du code en tenant compte d’un volume d’information plus large.
Google met aussi l’accent sur les agents. Dans son billet, l’entreprise décrit Neon comme adapté aux tâches longues avec outils, notamment dans Google Antigravity. Le modèle doit pouvoir suivre une progression, gérer des modifications multi-fichiers, limiter les lectures redondantes et mieux encaisser les corrections utilisateur en cours de tâche.
Côté évaluations, Google indique un score de 61 sur l’Artificial Analysis Intelligence Index. Le model card officiel affiche aussi 70,9 % sur le Vals Index v2.2, 65,4 % sur CursorBench 4.1, 65,2 % sur Terminal-bench 4.1 et 46,2 % sur FrontierCode 2.0. Sur des benchmarks orientés agents et science, il mentionne 56,3 % sur AutomationBench, 75,8 % sur Agents’ Last Exam v1.1, 84,0 % sur RiemannBench et 70,5 % sur Terminal-Bench-Science 0.1.
Comment l'essayer
Google indique que Gemini 4 Neon est disponible dès son lancement dans Gemini API via Google AI Studio. Il est aussi accessible dans Gemini for business via l’API et le sélecteur de modèle, dans Google Antigravity pour les abonnés Google AI Pro et Ultra, et dans l’application Gemini pour les abonnés Pro et Ultra.
Le prix API annoncé est de 3 $ par million de tokens en entrée, 0,15 $ par million de tokens d’entrée cachés, et 15 $ par million de tokens en sortie. Les prix des abonnements grand public Pro et Ultra ne sont pas détaillés dans l’annonce de Neon.
Pour la France, la page d’aide Gemini indique que les applications Gemini avec un plan Google AI sont disponibles dans la plupart des pays. Dans l’Espace économique européen, en Suisse et au Royaume-Uni, l’âge minimum indiqué est de 18 ans. La même page liste la France parmi les pays où Google AI Plus est disponible, mais les conditions précises d’accès à Neon selon chaque formule doivent être vérifiées dans l’application ou l’interface Google concernée.
La page d’aide précise aussi une différence importante : sans plan Google AI, la fenêtre de contexte indiquée est de 32K tokens, contre 1 million de tokens pour AI Pro et AI Ultra.
Pour qui, et pour quoi faire
Gemini 4 Neon vise surtout les équipes qui travaillent sur des dossiers longs et hétérogènes. C’est pertinent pour un service juridique, finance, produit, data, R&D ou informatique, dès que la tâche nécessite de croiser beaucoup de pièces.
Un cas d’usage concret : préparer une revue de conformité interne. Tu peux regrouper une politique d’entreprise, plusieurs PDF réglementaires, des tableaux de suivi, des comptes rendus de réunion et des captures de processus. Neon peut aider à repérer les écarts, classer les risques, produire une synthèse pour un comité et proposer une liste d’actions à confier aux équipes.
Autre scénario : un projet logiciel avec plusieurs fichiers et une documentation dense. Le modèle peut aider à analyser un dépôt, isoler les zones à modifier, proposer un refactoring ciblé et générer une explication pour les développeurs. L’intérêt n’est pas seulement de produire du code, mais de garder plus de contexte métier et technique dans la même conversation.
Si tu envisages ce type d’automatisation, commence par formaliser les rôles, les outils autorisés, les données accessibles et les critères de validation. Le guide NXUS sur les agents IA peut aider à cadrer ce travail avant de brancher un modèle à des actions réelles.
Limites et points de vigilance
Un grand contexte ne remplace pas une bonne préparation. Plus tu fournis de documents, plus il faut nommer les pièces, expliciter la tâche, hiérarchiser les priorités et demander des sorties vérifiables. Sinon, le modèle peut produire une réponse longue mais difficile à auditer.
Les scores de benchmarks donnent un signal utile, mais ils ne garantissent pas la performance sur tes propres données. Il faut tester Neon sur des cas réels, avec des critères simples : exactitude, temps gagné, coût par dossier, qualité des références, capacité à reconnaître l’incertitude.
La tarification API impose aussi de surveiller la consommation. Une fenêtre de 1 million de tokens peut vite augmenter le volume traité, surtout si les prompts incluent de gros corpus et si les sorties sont longues. Les tokens d’entrée cachés sont moins chers, mais ils restent un poste à mesurer.
Enfin, les usages avec agents demandent une gouvernance claire. Avant de laisser un modèle modifier du code, manipuler des fichiers ou interagir avec des outils, il faut prévoir validation humaine, journalisation, environnements de test et limites d’action.
L'avis NXUS
Gemini 4 Neon est intéressant pour les pros qui ont déjà dépassé le stade du chatbot ponctuel. Son intérêt principal se situe dans les dossiers longs, les workflows agentiques et l’analyse multimodale structurée.
Ne commence pas par lui confier un processus critique de bout en bout. Sélectionne un cas d’usage à fort volume documentaire, mesure le gain et compare la qualité avec ton approche actuelle.
Le bon réflexe consiste à construire des prompts de travail, des formats de sortie et des critères de validation avant de regarder les performances brutes. Avec Neon, le contexte est plus large, mais la méthode reste décisive.
Sources
Source : Google
Rudy Molinillo


