
Gemini 4 Neon en Antigravity: 762 llamadas a herramientas con un límite de 512K
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 188 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 205 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 124 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 110 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
Trece sesiones, 762 llamadas a herramientas y un número que no aparece en ningún lugar del material de lanzamiento de Google: 512,000. Esa es la ventana de contexto que la propia documentación de Antigravity atribuye a Gemini 4 Neon, frente a los 1,048,576 tokens que la Gemini API vende para el mismo modelo a $3.00 de entrada y $15.00 de salida. Ambas cifras son de Google, publicadas la misma semana, y ninguna de las dos páginas menciona la otra. El registro de llamadas a herramientas proviene de un hilo de pruebas prácticas que @kimmonismus publicó el 18 de noviembre de 2026, trece horas y media después de que se publicara el post de Antigravity sobre Neon y treinta y cinco minutos después del de DeepMind; es decir, el modelo al que describe como teniendo "acceso anticipado" ya estaba disponible de forma general cuando pulsó publicar.
El momento importa para cuánto peso darle al hilo, no para si es útil. Es el relato público más detallado que alguien ha publicado de Gemini 4 Neon haciendo trabajo agéntico sostenido, y la parte interesante no son las demos. Es la forma del registro, que es aritmética verificable de una manera en que «construyó 17 demos interactivas» no lo es.
Las 762 llamadas, desglosadas
El autor de la publicación revisó los registros de Antigravity a posteriori y contabilizó cada llamada a lo largo de esas trece sesiones, todas ejecutadas con el nivel de pensamiento Extra High. El desglose, autoinformado y no auditado:
• Lecturas de archivos — 313
• Ediciones — 266
• Nuevos archivos creados — 104
• Comandos de shell — 43
• Subagentes generados — 13
• Búsquedas web — 2
• Otras llamadas, incluidas las actualizaciones de tareas — 21
Esos suman exactamente 762, que es lo primero que hay que comprobar y lo primero que se cumple. Divide entre trece y obtienes aproximadamente 58,6 llamadas de herramientas por sesión, una cifra que queda sospechosamente cerca del 58,6 que Neon obtiene en el Artificial Analysis Coding Agent Index —una coincidencia, pero memorable si intentas retener ambos números en la cabeza.

La proporción más informativa es la que el propio posicionamiento de Google te invita a comprobar. La publicación de lanzamiento afirma que Neon «reduce las lecturas de archivos redundantes» y «gestiona la compactación de contexto de forma fiable en sesiones largas». En este registro, las lecturas son 313 de 762 llamadas, es decir, el 41 %. Las escrituras —266 ediciones más 104 archivos nuevos, 370 llamadas— representan el 48,6 %. Eso equivale a 1,18 operaciones de escritura por cada lectura. Un modelo que estuviera rebuscando en un código base tratando de localizar cosas mostraría la proporción opuesta; un modelo que ya sabe hacia dónde va lee una vez y escribe. Trece sesiones de un solo usuario no son evidencia de una propiedad general, pero apuntan en la dirección que predice la afirmación, y es el único registro público de la afirmación siendo puesta a prueba.
Los dos números que más llaman la atención son los de subagentes y búsquedas web. Trece subagentes repartidos en trece sesiones son exactamente uno por sesión: un patrón de delegación constante, no ocasional. Dos búsquedas web en 762 llamadas es un 0,26%, lo que, para un modelo que Google describe como un orquestador que dirige subagentes Hydrogen en paralelo, resulta llamativamente volcado hacia dentro. Se trataba de una ejecución sobre código local, no de investigación, y el registro lo refleja.
Lo que realmente muestra la ejecución de la demo
Diecisiete demos interactivas, ocho de ellas mostradas. Las ocho visibles abarcan un shooter de arena 3D con oleadas de enemigos, salud, munición y recarga; un rail shooter llamado Solaris Trench; una arena de vóxeles destructible llamada Terra Breaker que mantuvo 60 fotogramas por segundo estables en una prueba de navegador; un juego de avión a reacción por un cañón llamado Aero Canyon con doce puertas y un mejor tiempo guardado; un puzle de física con palancas y un lanzador de bolas; un espectáculo de luces de campo de partículas; un sobrevuelo de un agujero negro con efecto de lente ajustable; y un sistema solar clicable.
Los nueve que no se mostraron son la parte del hilo que no se puede evaluar, y la lectura honesta de «17 demos» es que se trata de una afirmación sobre volumen con ocho muestras adjuntas. Lo que sí establecen las ocho muestras es amplitud: un solo modelo produciendo escenas WebGL, física, visuales impulsados por audio y gestión del estado de la interfaz de usuario en una sola sesión, con una calidad que un aficionado publicaría. Eso es una señal real de capacidad incluso si el recuento no es auditable.
Los modos de fallo que reportó el autor de la publicación son más útiles que los éxitos, porque son específicos. La primera compilación de la arena 3D «se interrumpió por un error del servidor» y necesitó una segunda pasada para terminar —un fallo de infraestructura, no un fallo del modelo, pero uno que costó un intento completo. Neon añadió a Aero Canyon un modo de piloto automático que nunca se había solicitado, lo que el autor señaló como alcance no pedido. Luego solo probó el piloto automático, así que la calidad del vuelo manual sigue siendo desconocida incluso para una demo que él mismo creó. El sistema solar se lanzó con conteos de lunas desactualizados y se corrigió a las cifras actuales del JPL solo después de que él lo señalara; los tamaños y las órbitas todavía no están a escala.
Ese último es el punto de datos más interesante del hilo, porque es una demostración clara de corrección a mitad de tarea: un error factual, señalado por el usuario, corregido en una respuesta posterior. Google afirma que Neon ocupa el segundo puesto en capacidad de dirección en el nuevo Agent Arena Index de Arena. Una anécdota no confirma una posición en la tabla de clasificación, pero es el comportamiento que la tabla de clasificación afirma medir, observado en condiciones reales.
Tres correcciones de errores, autoevaluadas
La sección de programación consta de tres programas defectuosos con conjuntos de pruebas existentes, cada uno corregido y luego verificado por el propio autor de la publicación en lugar de por el informe del propio modelo.
• Verificador de reservas — 1 de 5 pruebas aprobadas antes, 5 de 5 después.
• Programador de tareas — 8 de 14 verificaciones antes, 14 de 14 después.
• Cargador asíncrono — 10 de 16 comprobaciones antes, 16 de 16 después.
Agregado: 19 de 35 pasaban antes, 35 de 35 después, o del 54,3 % al 100 %. Una puntuación perfecta es el número del que hay que sospechar, y las advertencias honestas están todas en la muestra, no en el resultado. Tres programas son tres programas. Las suites de pruebas ya existían, lo que elimina el modo de fallo obvio en el que un modelo escribe pruebas para que coincidan con su propia corrección, pero no elimina la selección: estos eran programas que quien publicó eligió traer, y una corrección que resolviera los fallos visibles aún podría estar mal de formas que la suite no cubre. Lo que sí muestra la ejecución es que el modelo no introdujo regresiones mientras corregía —35 de 35 significa que las pruebas que antes pasaban siguieron pasando, que es el modo de fallo que de verdad duele en la práctica.
Antigravity le da a Neon 512K, no 1M
Ahora, la cifra que no aparece en el hilo y que debería cambiar cómo lees el resto de él. La documentación del modelo de Antigravity, en la entrada de Gemini 4 Neon, indica que la ventana de contexto es de "hasta 512K tokens". La documentación de la API de Gemini para el mismo modelo indica una ventana unificada de 1.048.576 tokens, y Artificial Analysis enumera 1.000.000 para el modelo. Los mismos pesos, la misma tarifa, aproximadamente la mitad de contexto, según desde qué superficie lo llames.

Google no ha publicado una explicación de la discrepancia, y este artículo no va a inventar una. Lo que es verificable es que ambas cifras están activas, ambas son de Google y ambas están asociadas al código de modelo gemini-4-neon. La consecuencia práctica es directa: si tu evaluación de Neon es "mantiene un monorepo grande en contexto", esa evaluación depende de la superficie. Un repositorio de 600.000 tokens cabe en la API y no cabe en Antigravity. Si tienes que decidir entre las dos, mide en la superficie en la que realmente vas a desplegar, porque el techo no es el mismo.
El resto del panorama de Antigravity es más convencional. Neon es el modelo predeterminado para nuevas conversaciones en todos los planes que lo incluyen —Google AI Pro de pago, Google AI Ultra y Gemini Enterprise—. No está disponible en Free ni en Google AI Plus. La escala de razonamiento va de Low, Medium, High (predeterminado) y Extra, y la CLI los escribe como low, medium, high y xhigh mediante --model gemini-4-neon-xhigh o --effort xhigh. El hilo se ejecutó por completo en Extra High, que es el ajuste que Google mismo utiliza para su cifra destacada del Intelligence Index y el que la documentación de la API recomienda reservar para problemas difíciles de varios pasos.
Vale la pena señalarlo como una asimetría en las fuentes más que como un defecto. Casi todas las cifras de benchmark de Neon que circulan —el 61.4 del Intelligence Index, el 58.64 del Coding Agent Index— son cifras en xhigh. La mayoría de la gente ejecutará el modelo en su High predeterminado. Artificial Analysis publica ambas, y la cifra predeterminada es 59.6, tres puntos enteros por debajo de la cifra titular. Un registro de 762 llamadas en xhigh te dice cómo es el techo; no te dice cuánto costará ni qué puntuará tu configuración predeterminada.
Donde el hilo se excede
Tres afirmaciones del hilo cargan con más peso del que respalda la evidencia, y vale la pena nombrarlas porque se repetirán.
El encuadre de «acceso anticipado» es el más claro. La propia entrada de blog de Antigravity sobre Neon se publicó a las 08:00 UTC del 18 de noviembre de 2026; la publicación de lanzamiento de DeepMind, a las 21:00 UTC; el hilo, a las 21:35 UTC. Sea cual sea el acceso que el autor tuviera antes ese día, el artículo que publicó salió después de la disponibilidad general, y leerlo como un avance previo al lanzamiento sería un error. Eso no hace que las observaciones sean incorrectas. Sí significa que «obtuve acceso anticipado» está haciendo un trabajo retórico que las marcas de tiempo no respaldan.
En segundo lugar, "17 demos interactivas" es una afirmación de volumen con ocho exhibiciones. Las ocho mostradas son realmente variadas y realmente funcionales, que es la parte útil. Las nueve retenidas no son auditables, y ningún grado de detalle sobre las ocho cierra esa brecha.
Tercero, el resultado de corrección de 35 de 35 es un resultado sobre tres programas. Es el tipo de cifra que se cita como «Neon corrige todo lo que le des», y la lectura correcta es más limitada: en tres programas que ya estaban rotos y contaban con suites existentes, resolvió todas las comprobaciones que fallaban sin romper las que pasaban. Es un buen resultado y una muestra pequeña, y ambas mitades de esa frase tienen que ir juntas.
Vale la pena señalar una pieza de corroboración. Patrick Loeber, miembro del personal técnico de Google DeepMind, respondió al hilo: «buen hilo, ¡¡gracias por crear con ello y compartir tus comentarios!!» Eso no es una verificación de ningún número en él. Es un empleado de Google reconociendo que la ejecución ocurrió, lo que es más de lo que recibe la mayoría de los hilos prácticos.
Cuánto cuesta probarlo por tu cuenta
La economía de una prueba de campo como esta es poco glamorosa y decisiva. A $3.00 por millón de tokens de entrada y $15.00 por millón de salida, una sesión de 762 llamadas con un uso intensivo de reutilización de contexto no es un experimento de $5: el lado de la salida, incluidos los tokens de pensamiento, domina, y xhigh lo multiplica. El planteamiento de Google es que Neon, con su configuración High predeterminada, cuesta alrededor de un 32 % menos por tarea que Gemini 4 Carbon (reportado por el proveedor, no reproducido de forma independiente), y que la configuración xhigh es para problemas en los que High se queda corto. Ejecutar una suite de demostración en xhigh cuando se estaba evaluando el comportamiento predeterminado es una forma de gastar varias veces lo que la decisión requería.

La forma más económica de ejecutar esta evaluación es fijar primero la superficie y el nivel de pensamiento, y luego variar el modelo. Por nuestra parte, el catálogo actualmente incluye google/gemini-4-carbon y google/gemini-4-argon, ambos al precio de lista del proveedor de $2.00 y $10.00, con un 0% de margen adicional — un cambio de tarifa del proveedor se aplica de nuestro lado el mismo día en que se publica aguas arriba, lo cual importa aquí porque la tarifa introductoria de Carbon vence el 30 de noviembre de 2026 y pasa a $4.00/$20.00. Gemini 4 Neon no está en el catálogo a fecha de 19 de noviembre de 2026, así que esto no es una recomendación para invocarlo a través de nosotros; es la comparación que realmente puedes ejecutar hoy, frente al modelo con el que Google compara a Neon en casi todos los párrafos de su anuncio.
Si estás probando un modelo no probado en lugar de uno conocido, la capa de enrutamiento también es el lugar barato para acotar el riesgo: el failover automático significa que una sesión que muere a mitad de ejecución —como lo hizo la primera versión de la arena 3D— se puede reintentar en un modelo diferente sin reconstruir el arnés, y el DSL de enrutamiento te permite componer un planificador y un ejecutor en una sola llamada si quieres reproducir el patrón Orchestrator (Neon) sin quedar atado al límite de 512K de Antigravity.
Qué ver
La siguiente prueba que resolvería las preguntas abiertas no es otro hilo de demostración. Es un registro de llamadas a herramientas de alguien que ejecuta con la configuración High predeterminada, en un repositorio lo bastante grande como para poner a prueba el límite de contexto que corresponda, publicado con los fallos incluidos. La diferencia entre 512K y 1M es lo concreto que hay que vigilar, porque una discrepancia en la documentación que sobrevive a un ciclo de versión suele ser una decisión de producto y no un descuido; y si Antigravity está reduciendo deliberadamente la ventana a la mitad, es un dato que conviene conocer antes de estandarizar un flujo de trabajo sobre ella.
Hasta entonces, el resumen justo de Gemini 4 Neon en Antigravity es este: un registro público detallado, que abarca trece sesiones, que muestra un modelo que escribe más de lo que lee, delega una vez por sesión, corrige perfectamente tres programas pequeños, construye ocho demos buenas de las diecisiete que afirma y funciona con aproximadamente la mitad del contexto que anuncia la API. Cada una de esas cláusulas es comprobable. Ninguna de ellas es un benchmark.
