
Demo de Three.js de Gemini 4 Neon: lo que 15 segundos muestran en realidad
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 187 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 514 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 · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 133 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 · 116 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 · 92 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 · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 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
El 19 de noviembre de 2026, un desarrollador que se identifica como @chetaslua publicó un clip de quince segundos con una frase adjunta: Gemini 4 Neon había hecho el gráfico en movimiento que aparece en él, en «puro @threejs», y el baile del robot del final es brutal. El vídeo es de 1920×1080 y dura quince segundos. Eso es todo el registro público: ni prompt, ni archivo fuente, ni nivel de pensamiento, ni recuento de tokens, ni una declaración de si salió de la API, de AI Studio o de Antigravity. Gemini 4 Neon es un modelo real y disponible de forma general; la página de modelos de DeepMind de Google lo incluye en noviembre de 2026, y Artificial Analysis lo tiene puntuado y con precio. Pero un clip publicado es una afirmación, no una medición, y la distancia entre esas dos cosas es la parte útil de esta historia. Gemini 4 Carbon solo aparece como el hermano del que Google dice que Neon es una adaptación y el que nuestro propio catálogo sí incluye; aquí no es el tema.
Quince segundos, cero ajustes registrados
Empieza por lo que se puede comprobar del propio post, porque es una lista corta y merece la pena ver lo corta que es.
• La afirmación —de que Gemini 4 Neon hizo el gráfico en movimiento, en three.js puro— es la atribución de quien publicó. Nada en el clip demuestra qué modelo escribió el código, y nada en el hilo muestra el código.
• La marca de tiempo — 19 de noviembre de 2026, 16:51 UTC, un día después de la disponibilidad general de Neon del 18 de noviembre. Nadie puede acusar que esto sea una demo previa al lanzamiento sacada a escondidas bajo un embargo; es un artefacto de la misma semana.
• El archivo — quince segundos, 1920×1080, sin narración, publicado como archivo adjunto de vídeo. Un resultado renderizado, no una grabación de pantalla de un editor. Eso importa: una grabación de pantalla de alguien escribiendo mostraría el prompt, los errores intermedios y el número de intentos. Un render terminado no muestra ninguno de ellos.
• La interacción: 130 me gusta en el momento en que extrajimos el texto de la publicación. Poca cosa. Es el show-and-tell de una persona, no un lanzamiento coordinado de una demo, que es más o menos lo que lo hace interesante: nadie lo seleccionó para una publicación de lanzamiento.
Lo que falta es todo aquello que permitiría que una segunda persona lo reprodujera. El prompt. El nivel de esfuerzo — Neon admite low, medium, high y xhigh, y la diferencia entre low y xhigh con el mismo prompt es lo bastante grande como para cambiar tanto la factura como el resultado. La superficie. El número de intentos que hay detrás del que se publicó. Si el baile del robot se pidió o se improvisó. Si después se editó a mano algo del JavaScript. Cada uno de esos datos es una sola línea en una publicación de seguimiento, y ninguno de ellos está ahí.
Qué prueba realmente una escena de Three.js
Es tentador archivarlo bajo “capacidad de front-end” y seguir adelante, en cualquiera de las dos direcciones — como prueba de que el modelo es bueno para los gráficos, o como prueba de que un render bonito no significa nada. Ninguna de las dos lecturas resiste el contacto con lo que el artefacto es.
three.js es una de las bibliotecas con más presencia en los datos de entrenamiento de cualquier modelo. Una escena con una cámara, una luz, una malla y un bucle de renderizado se acerca a la salida canónica de “mira lo que hice” de los últimos tres años de desarrollo web. Todos los modelos frontera actuales pueden producir una página que renderice algo girando. Por lo tanto, la existencia de una escena competente de three.js en un clip de quince segundos casi no te dice nada sobre qué modelo la hizo, que es exactamente por lo que la atribución de quien publicó hace todo el trabajo en esa frase.
Lo que es realmente más difícil, y lo que un gráfico en movimiento con un baile sincronizado al final ejercita de verdad, es la parte que no tiene un oráculo de corrección. Un gráfico en movimiento es una secuencia: una máquina de estados de animación con transiciones, una trayectoria de cámara, curvas de aceleración, un orden de eventos que tiene que caer en un pulso. No hay ninguna prueba que afirme que el baile se ve bien. El modelo tiene que sostener un storyboard de dieciséis segundos en la cabeza, emitir las constantes de temporización y no desviarse. Cuando alguien dice que los últimos cuatro segundos “van con todo”, está emitiendo un juicio sobre la coreografía y el ritmo —y el ritmo es aquello en lo que la generación de código de una sola pasada es peor, porque nada en el bucle falla cuando la temporización es simplemente mediocre.
Esa es la verdadera razón por la que este clip merece una segunda mirada, aunque no demuestre nada. Es una afirmación sobre composición temporal, no sobre las matemáticas de los shaders. Un modelo que puede escribir un shader y un modelo que puede mantener cohesionada una secuencia de quince segundos son afirmaciones diferentes, y aquí solo se está haciendo una de ellas.
Las cifras que Neon sí tiene
Artificial Analysis es el único marcador independiente con una entrada de Gemini 4 Neon, y leerlo con atención es la forma más rápida de ver a qué distancia está el clip publicado de cualquier cosa medida.

La cifra destacada es 61 en el Intelligence Index con el nivel de pensamiento xhigh, ocupando el sexto puesto entre 96 modelos de la tabla. El mismo modelo marca 60 en high, 55 en medium y 44 en low —una diferencia de diecisiete puntos a lo largo de su propia escala de esfuerzo, que es el número más importante de este artículo si estás a punto de citar “61” ante alguien. Sesenta y uno es un número de xhigh. El valor predeterminado documentado de Neon es high.
El resto del panel es donde el hábito de la demo se vuelve caro. La velocidad de salida es de 110 tokens por segundo. El modelo tarda 21,5 minutos en completar una tarea del Intelligence Index, frente a una mediana de 12,1 minutos para modelos de precio comparable, y ocupa el puesto 73 de 95 en rendimiento y el 79 de 95 en coste. En verbosidad ocupa el puesto 93 de 95: 283 millones de tokens de salida y 8,12 mil millones de tokens de entrada en la ejecución del índice, una relación salida-entrada del 3,48 % frente a una mediana de alrededor de 65 millones de tokens de salida. El propio resumen de Artificial Analysis lo califica de muy verboso y sitúa el precio de una sola tarea del índice en 6,44 $. Según la tarifa de Google, eso equivale a 3,00 $ por millón de tokens de entrada y 15,00 $ por millón de salida, con la entrada en caché a 0,15 $.
La propia tabla publicada por Google es un tipo distinto de cifra y debería etiquetarse como tal: reportada por el proveedor, no reproducida por nadie fuera de Google. CursorBench 4.1 con 65,4 %, Terminal-bench 4.1 con 65,2 %, FrontierCode 2.0 con 46,2 %, SWE-sweep con 39,0 % en el propio entorno de evaluación de Google, AutomationBench con 56,3 %, Agents’ Last Exam v1.1 con 75,8 %, RiemannBench con 84,0 %, GraphWalks con 95,2 %. Cada una de ellas es una medición agéntica, de programación o de contexto largo. Ninguna de ellas mide “producir una escena animada atractiva de un solo intento a partir de un prompt corto”, porque ningún benchmark lo hace. La demo y el marcador no miden lo mismo, y ninguno de los dos mide aquello de lo que se está presentando el clip como evidencia.
Lo que realmente cuesta un intento de demo
El precio importa porque las demos son iterativas, y Neon es verboso según las mediciones. Nada en un render de quince segundos dice cuántos intentos hizo falta, y cada intento es una generación completa.
Un intento de 25.000 tokens de salida —un tamaño plausible para una escena de three.js con esfuerzo alto, con los tokens de razonamiento contados como salida— cuesta aproximadamente 38 centavos a 15 dólares por millón.
• Un intento de 60.000 tokens cuesta unos 90 centavos. Tres o cuatro de esos, más un par de reintentos, y ya habrás gastado más en la demo de lo que la demo vale como evidencia.
• Un intento de 200.000 tokens —el tipo de cifra que se alcanza en xhigh cuando el modelo razona a través de una máquina de estados de animación— cuesta $3.00 por sí solo.
Los niveles Batch y Flex se ejecutan a mitad de tarifa, así que los mismos tres intentos a $1.50 y $7.50 por millón salen aproximadamente a la mitad. Nada de esto es exótico; simplemente no es gratis, y el clip no lo dice.

Este es el argumento para probar un modelo no comprobado a través de un enrutador en lugar de conectarlo a una ruta de producción. Neon tiene dos días de vida, su verbosidad es el valor peor clasificado en su propio panel, y el único artefacto público para este caso de uso concreto es el render finalizado de una persona. Ese es un modelo que quieres invocar junto a otro y comparar facturas, no un modelo con el que quieras comprometer a un cliente en noviembre.
¿Qué haría que el próximo clip fuera verificable?
Nada de esto es una crítica a quien lo publicó, que hizo algo y lo compartió. Es un protocolo breve, y cualquiera que publique el siguiente podría cerrar la brecha con unas pocas líneas:
• El prompt, literal. No una paráfrasis: el texto real. Esta es la línea de mayor valor y no cuesta nada incluirla.
• El identificador del modelo y el nivel de esfuerzo. “Gemini 4 Neon at high” es una afirmación distinta de “Gemini 4 Neon at xhigh”, y a una tarifa de salida de $15, la diferencia es dinero.
• La superficie. Antigravity, AI Studio y la API sin procesar aplican distintos prompts de sistema y distinto andamiaje de herramientas; una escena producida dentro de un IDE agéntico no es el mismo artefacto que una producida mediante una sola finalización.
• El número de intentos y el total de tokens de salida. Dos cifras, ambas visibles en una consola de facturación, que juntas convierten una anécdota en un costo por render utilizable.
• El archivo fuente. Una única página HTML autocontenida con la importación de three.js y el bucle de animación constituye todo el artefacto reproducible, y normalmente ocupa menos de cien kilobytes.
• Un fallo. Un segundo prompt que el modelo no pudo completar, con los mismos ajustes. Una demostración que no documenta ningún modo de fallo se percibe como un compilado de lo mejor, porque eso es exactamente lo que es.
Hasta que existan al menos los primeros tres de esos, el resumen honesto de este clip es que un modelo lanzado el día anterior produjo algo que un desarrollador web competente se sentiría satisfecho de haber creado, y que no podemos saber a partir del archivo cuánto del mérito corresponde al modelo, al prompt o a la edición.
Cómo volver a ejecutar la prueba tú mismo
Gemini 4 Neon no está en el catálogo de OrcaRouter a fecha de 20 de noviembre de 2026 — los modelos Gemini 4 que enrutamos son google/gemini-4-carbon y google/gemini-4-argon, y el catálogo cuenta con 217 identificadores de modelo. Así que la versión práctica de esta prueba hoy es una comparación dentro de la misma familia: ejecutar el mismo prompt de gráfico en movimiento en Carbon con esfuerzo alto y en Neon con esfuerzo alto a través de la API propia de Google, y comparar los tokens de salida, el tiempo real y cuánto del render tuviste que pedir dos veces.
Esa comparación es fácil de configurar de nuestro lado para la parte de Carbon. Una sola clave cubre el catálogo, el precio de lista del proveedor se repercute con un margen del 0 %, así que un cambio de tarifa de Google se refleja en tu factura el mismo día en lugar de en la siguiente factura, y la conmutación por error significa que una única generación defectuosa no pone fin a la ejecución. Si estás probando un modelo de hace dos días contra uno consolidado, el DSL de enrutamiento pondrá ambos detrás de un mismo endpoint y devolverá el par, que es la forma más económica de obtener una respuesta real en lugar de una impresión.

Lo que vale la pena observar no es si aparecen más clips bonitos —los habrá, de todos los laboratorios, indefinidamente—. Es si quienes los publican empiezan a adjuntar el prompt y el nivel de esfuerzo. En el momento en que uno lo haga, la comparación se vuelve posible: el mismo storyboard de dieciséis segundos, ejecutado en cuatro niveles de pensamiento, con el recuento de tokens y la factura junto a cada render. Esa única publicación valdría más que toda la tabla de benchmarks que publicó Google, para esta pregunta específica, porque sería la primera medición de si Neon puede mantener unida una secuencia cronometrada en lugar de si puede escribir un shader.
Hasta entonces, trata el clip como lo que es: un artefacto atractivo, una señal plausible de capacidad y una afirmación cuya evidencia más sólida es la reputación de quien lo publicó.
