
Démo Three.js de Gemini 4 Neon : ce que 15 secondes montrent réellement
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 187 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 514 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 87 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 97 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 133 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 116 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 par million de tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
On 19 November 2026, a developer posting as @chetaslua published a fifteen-second clip with one sentence attached: Gemini 4 Neon had made the motion graphic in it, in “pure @threejs,” and the robot dance at the end goes hard. The video is 1920×1080 and runs fifteen seconds. That is the whole of the public record — no prompt, no source file, no thinking level, no token count, no statement of whether it came out of the API, AI Studio or Antigravity. Gemini 4 Neon is a real, generally available model; Google’s DeepMind model page lists it under November 2026, and Artificial Analysis has it scored and priced. But a posted clip is a claim, not a measurement, and the distance between those two things is the useful part of this story. Gemini 4 Carbon enters only as the sibling Google says Neon is adapted from and the one our own catalogue actually carries — it is not the subject here.
Quinze secondes, aucun réglage enregistré
Commencez par ce qui peut être vérifié à partir de la publication elle-même, car c’est une courte liste et il vaut la peine de voir à quel point elle est courte.
• The claim — that Gemini 4 Neon made the motion graphic, in pure three.js. This is the poster’s attribution. Nothing in the clip proves which model wrote the code, and nothing in the thread shows the code.
• L’horodatage — 19 novembre 2026, 16:51 UTC, un jour après la disponibilité générale de Neon le 18 novembre. Personne ne peut accuser cela d’être une démo de pré-lancement exfiltrée sous embargo ; c’est un artefact de la même semaine.
• Le fichier — quinze secondes, 1920×1080, sans narration, publié comme pièce jointe vidéo. Un rendu final, et non un enregistrement d’écran d’un logiciel de montage. C’est important : l’enregistrement d’écran de quelqu’un en train de taper montrerait le prompt, les erreurs intermédiaires et le nombre de tentatives. Un rendu terminé n’en montre aucun.
• L’engagement — 130 likes au moment où nous avons récupéré le texte de la publication. Faible. C’est le show-and-tell d’une seule personne, pas une sortie de démo coordonnée, ce qui est à peu près ce qui le rend intéressant : personne ne l’a sélectionné pour un post de lancement.
Ce qui manque, c’est tout ce qui permettrait à une autre personne de le reproduire. Le prompt. Le niveau d’effort — Neon prend en charge low, medium, high et xhigh, et l’écart entre low et xhigh sur le même prompt est suffisamment important pour changer à la fois la facture et le résultat. La surface. Le nombre de tentatives derrière celle qui a été publiée. Si la danse du robot a été demandée ou improvisée. Si une partie du JavaScript a été modifiée à la main ensuite. Chacun de ces éléments tient en une seule ligne dans une publication de suivi, et aucun d’eux n’y figure.
Ce que teste réellement une scène Three.js
Il est tentant de classer cela sous “capacité front-end” et de passer à autre chose, dans un sens comme dans l’autre — comme preuve que le modèle est doué en graphisme, ou comme preuve qu’un joli rendu ne signifie rien. Aucune de ces deux lectures ne résiste au contact de ce qu’est réellement l’artefact.
three.js est l’une des bibliothèques les plus largement représentées dans les données d’entraînement de n’importe quel modèle. Une scène avec une caméra, une lumière, un maillage et une boucle de rendu est proche de la production canonique “regardez ce que j’ai fait” des trois dernières années de développement web. Tous les modèles de pointe actuels peuvent produire une page qui affiche quelque chose en train de tourner. L’existence d’une scène three.js correcte dans un clip de quinze secondes ne vous dit donc presque rien sur le modèle qui l’a produite, et c’est précisément pourquoi l’attribution de la personne qui a publié le message fait tout le travail dans cette phrase.
Ce qui est réellement plus difficile, et ce qu’un motion graphic avec une danse rythmée à la fin exerce vraiment, c’est la partie qui n’a pas d’oracle de correction. Un motion graphic est une séquence : une machine à états d’animation avec des transitions, un trajet de caméra, des courbes d’accélération, un ordonnancement d’événements qui doit tomber sur un temps musical. Il n’existe aucun test qui affirme que la danse rend bien. Le modèle doit garder un storyboard de seize secondes en tête, émettre les constantes de timing et ne pas dériver. Quand quelqu’un dit que les quatre dernières secondes “envoient du lourd”, il porte un jugement sur la chorégraphie et le rythme — et le rythme est ce que la génération de code en un seul passage réussit le moins bien, car rien dans la boucle n’échoue quand le timing est simplement médiocre.
C'est la vraie raison pour laquelle ce clip mérite un second regard, même s'il ne prouve rien. C'est une affirmation sur la composition temporelle, pas sur les mathématiques des shaders. Un modèle capable d'écrire un shader et un modèle capable de maintenir la cohérence d'une séquence de quinze secondes sont des affirmations différentes, et une seule de ces deux affirmations est avancée ici.
Les chiffres dont Neon dispose bel et bien
Artificial Analysis is the only independent scoreboard with a Gemini 4 Neon entry, and reading it carefully is the fastest way to see how far the posted clip sits from anything measured.

Le chiffre en titre est 61 sur l’Intelligence Index au niveau de réflexion xhigh, classé sixième sur 96 modèles au classement. Le même modèle affiche 60 en high, 55 en medium et 44 en low — un écart de dix-sept points sur sa propre échelle d’effort, ce qui est le nombre le plus important de cet article si vous vous apprêtez à citer “61” à qui que ce soit. Soixante et un est un chiffre xhigh. La valeur par défaut documentée de Neon est high.
The rest of the panel is where the demo habit gets expensive. Output speed is 110 tokens per second. The model takes 21.5 minutes to complete one Intelligence Index task, against a median of 12.1 minutes for models at a comparable price, and it is ranked 73rd of 95 on performance and 79th of 95 on cost. On verbosity it ranks 93rd of 95: 283 million output tokens and 8.12 billion input tokens across the index run, an output-to-input ratio of 3.48% against a median around 65 million output tokens. Artificial Analysis’s own summary calls it very verbose, and prices a single index task at $6.44. At Google’s rate card that is $3.00 per million input tokens and $15.00 per million output, with cached input at $0.15.
Google’s own published table is a different genre of number, and should be labelled as such: vendor-reported, not reproduced by anyone outside Google. CursorBench 4.1 at 65.4%, Terminal-bench 4.1 at 65.2%, FrontierCode 2.0 at 46.2%, SWE-sweep at 39.0% in Google’s own harness, AutomationBench at 56.3%, Agents’ Last Exam v1.1 at 75.8%, RiemannBench at 84.0%, GraphWalks at 95.2%. Every one of those is an agentic or coding or long-context measurement. Not one of them measures “produce an attractive animated scene in one shot from a short prompt,” because no benchmark does. The demo and the scoreboard are not measuring the same thing, and neither of them is measuring the thing the clip is being read as evidence for.
Ce que coûte réellement une tentative de démo
Le prix compte parce que les démos sont itératives, et les mesures montrent que Neon est verbeux. Rien dans un rendu de quinze secondes n’indique combien de tentatives il a fallu, et chaque tentative est une génération complète.
• Une tentative de 25 000 jetons de sortie — une taille plausible pour une scène three.js à effort élevé, les jetons de raisonnement étant comptés comme sortie — coûte environ 38 cents à 15 $ par million.
• Une tentative de 60 000 tokens coûte environ 90 cents. Trois ou quatre de ces tentatives, plus quelques réessais, et vous avez dépensé plus pour la démo que ce que la démo vaut comme preuve.
• Une tentative de 200 000 jetons — le genre de nombre que l’on atteint en xhigh lorsque le modèle réfléchit en parcourant une machine à états d’animation — coûte 3,00 $ à elle seule.
• Les niveaux Batch et Flex sont facturés à moitié prix, donc les mêmes trois tentatives à 1,50 $ et 7,50 $ par million reviennent à environ la moitié. Rien là d’exotique ; ce n’est simplement pas gratuit, et le clip ne le dit pas.

Voilà l’argument en faveur de l’essai d’un modèle non éprouvé via un routeur plutôt que de son intégration à un chemin de production. Neon a deux jours, sa verbosité est le chiffre le moins bien classé de son propre panel, et le seul artefact public pour ce cas d’usage précis est le rendu final d’une seule personne. C’est un modèle qu’on veut interroger aux côtés d’un autre et dont on veut comparer les factures, pas un modèle sur lequel on veut engager un client en novembre.
Qu’est-ce qui rendrait le prochain clip vérifiable ?
Rien de tout cela n’est une critique de la personne qui a publié, qui a créé une chose et l’a partagée. C’est un protocole court, et quiconque publiera le prochain pourrait combler cet écart en quelques lignes :
• Le prompt, textuellement. Pas une paraphrase — le texte réel. C’est la ligne à la plus forte valeur et son inclusion ne coûte rien.
• The model identifier and the effort level. “Gemini 4 Neon at high” is a different claim from “Gemini 4 Neon at xhigh,” and at a $15 output rate the difference is money.
• La surface. Antigravity, AI Studio et l’API brute appliquent des invites système et un échafaudage d’outils différents ; une scène produite dans un IDE agentique n’est pas le même artefact que celle produite par une complétion unique.
• {{1}}Le nombre de tentatives et le total des jetons de sortie{{/1}}. Deux chiffres, tous deux visibles dans une console de facturation, et ensemble ils transforment une anecdote en coût par rendu utilisable.
• Le fichier source. Une seule page HTML autonome avec l'import de three.js et la boucle d'animation constitue l'intégralité de l'artefact reproductible, et elle fait généralement moins de cent kilo-octets.
• Un échec. Une deuxième invite que le modèle n’a pas pu traiter, avec les mêmes réglages. Une démo qui ne documente aucun mode d’échec ressemble à un best-of, car c’en est un.
Tant qu'au moins les trois premiers de ces éléments n'existent pas, le résumé honnête de ce clip est qu'un modèle publié la veille a produit quelque chose qu'un développeur web compétent serait heureux d'avoir réalisé, et que nous ne pouvons pas déterminer, à partir du fichier, quelle part du mérite revient au modèle, au prompt ou au montage.
Comment relancer le test vous-même
Gemini 4 Neon is not in the OrcaRouter catalogue as of 20 November 2026 — the Gemini 4 models we route are google/gemini-4-carbon and google/gemini-4-argon, and the catalogue stands at 217 model identifiers. So the practical version of this test today is a within-family comparison: run the same motion-graphic prompt on Carbon at high effort and on Neon at high effort through Google’s own API, and compare output tokens, wall-clock time and how much of the render you had to ask for twice.
That comparison is easy to set up on our side for the Carbon half. One key covers the catalogue, provider list price is passed through at 0% markup, so a Google rate change is live on your bill the same day rather than at the next invoice, and failover means a single bad generation does not end the run. If you are testing a two-day-old model against a settled one, the routing DSL will put both behind one endpoint and return the pair, which is the cheapest way to get a real answer instead of an impression.

The thing worth watching is not whether more pretty clips appear — they will, from every lab, indefinitely. It is whether the people posting them start attaching the prompt and the effort level. The moment one does, the comparison becomes possible: the same sixteen-second storyboard, run at four thinking levels, with the token count and the bill next to each render. That single post would be worth more than the entire benchmark table Google published, for this specific question, because it would be the first measurement of whether Neon can hold a timed sequence together rather than whether it can write a shader.
D'ici là, considérez ce clip pour ce qu'il est : un joli artefact, un indice plausible de capacité, et une affirmation dont la preuve la plus solide est la réputation de la personne qui l'a publié.
