
Jogo Stickman do Gemini 4 Neon: A Reivindicação do Enxame, Não a Demo
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 187 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 414 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 138 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-0748 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 · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 79 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 · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
At 20:41 UTC on 19 November 2026, an account posting as @chetaslua put up a 62.5-second video of a two-player stickman fighting game and four sentences of text. The game, it said, was “Made by swarms of Gemini 4 Neon, pure JS code.” The model, it said, “has distinct taste and is different from OpenAI and Anthropic in a good way.” And then the load-bearing line: “The benefits of not doing distillation and taking time with RSI are showing now.” Gemini 4 Neon had been generally available for one day at that point, having gone out on 18 November, with Gemini 4 Carbon and Gemini 4 Hydrogen already shipping ahead of it. So this is not a leak and not a preview. It is a claim about how the model was built and how it was used, published by someone who is not Google, one day after launch, with a video attached and nothing else.
Most of what has been written about Neon so far has been about its numbers, and the numbers are genuinely interesting: 61 on the Artificial Analysis Intelligence Index at its Extra High setting, first place on the Coding Agent Index at 58.6, and a default effort level that undercuts Carbon on cost per task. This piece is about the other half of the post — the half that says the model is the product of swarms and of a training philosophy Google has not described anywhere. Those are separable claims. One of them turns out to be almost entirely documented, by Google, with dates. The other has no public receipt at all, and the difference between them is the useful part.
O que “feito por enxames” realmente nomeia
There is a temptation to read “swarms” as a disclosure about training: a model built by fleets of copies of itself, recursively. Nothing in the post supports that, and everything in Google’s own publishing points somewhere else. There is exactly one thing in the Gemini 4 record called a swarm, and it is a product feature, not a training method.
Em 10 de novembro de 2026, a equipe Antigravity publicou um post intitulado “Gemini 4 Carbon e /swarm”. A frase relevante é uma descrição do harness, não do modelo: /swarm “passa seu prompt para uma família de agentes: um coordenador que cria trabalhadores paralelos especializados em worktrees do git isoladas para que as edições nunca colidam, e verificadores adversariais dedicados a executar testes e contestar diffs”. Cada agente colabora em “um quadro de mensagens compartilhado e somente de acréscimo, ficando em espera a custo zero de tokens quando ocioso e sendo ativado no instante em que um agente precisa de entrada”. Agentes podem ser fixados a modelos diferentes, de modo que um coordenador pode raciocinar em um modelo enquanto os trabalhadores escrevem em outro.
That is a swarm in the ordinary engineering sense: parallel processes with a shared queue and a verification step. It says nothing about how Gemini 4 Neon was trained. Whether the poster meant that, or meant something looser, is not recoverable from four sentences — but if you are trying to place the claim against the record, the record’s swarm is a dated Antigravity feature and nothing more.
The two-player detail Google published
Here is where the post stops being vague in an interesting way. The Antigravity post announcing Gemini 4 Neon, published 18 November, contains a captioned demo video whose caption reads: “Using Gemini 4 Neon with /swarm, Antigravity scaffolds a multi-level 2-player game that runs in the built-in browser while the agent plays as the second player.”
Leia isso ao lado do tweet. Um jogo para dois jogadores com vários níveis, estruturado por um enxame, com o agente como segundo jogador, em um navegador, a partir da própria documentação do fornecedor, publicada um dia antes do vídeo. O tweet não diz que saiu do Antigravity — não nomeia o aplicativo, a API nem o AI Studio, e não dá nenhum prompt, nenhum nível de esforço, nenhuma contagem de tokens e nenhum arquivo de origem. Mas o único caminho de enxame demonstrado publicamente para um jogo de navegador para dois jogadores é o do Antigravity, e está documentado como funcionando com este modelo exato.
That does not verify the clip. A vendor’s captioned demo and a third-party video are different kinds of evidence, and neither is a specification. What it does do is make the interesting part of the post specific: “made by swarms” is not a claim about training at all, if it means what Google’s own material means by the word. It is a claim about a harness that has been shipping for nine days.
Três datas que documentam o enxame
The swarm story has a timeline, which is more than most launch-week claims get. All three entries are Google’s own, from the Antigravity blog:
• 10 de novembro de 2026 — Gemini 4 Carbon chega com /swarm em prévia. Coordenador, trabalhadores paralelos em worktrees isoladas, verificadores adversariais, quadro de mensagens compartilhado, fixação de modelo por função.
• 12 November 2026 — Gemini 4 Hydrogen ships with Orchestrator, a dropdown option that hands work back and forth between Hydrogen and a stronger model inside a single trajectory. The post claims near-Carbon task success on Terminal-Bench 4.1 while consuming 24% less quota and finishing 19% faster, and notes that “tens of thousands of swarms” had been launched in the two days since /swarm went live.
• 18 November 2026 — Gemini 4 Neon ships, and Orchestrator gains a Neon-as-planner, Hydrogen-as-executor pairing. The same post claims Neon at its default High thinking level runs 32% cheaper per task than Carbon, and puts it at 61 on the Artificial Analysis Intelligence Index at Extra High.

That is the whole of the public account of Gemini 4 swarms, and it is a product account. Note what is absent from all three posts: the words “distillation,” “self-improvement,” “reinforcement learning” and “post-training” do not appear. The Orchestrator paragraph about routing is the closest any of them comes to describing model behaviour as a system rather than a model, and it is explicitly about inference-time model selection, not training.

A alegação do RSI chega sem comprovante
A segunda metade do post é a parte que não tem nenhum documento de apoio por trás, e vale a pena ser preciso sobre o porquê, porque a afirmação não é obviamente errada — ela é invérificável de uma maneira específica.
Start with the acronym. In this literature “RSI” is used for at least two different things: recursive self-improvement, meaning a model participating in the improvement of its successor, and rejection-sampling iteration, meaning repeated rounds of sampling, filtering and fine-tuning on the survivors. “Taking time with RSI” reads more like the first. Either reading is an assertion about the training pipeline, and Google has published nothing that would let you choose between them, let alone confirm one.
Check the pages that would carry it. DeepMind’s Gemini model page lists Gemini 4 Neon under “November 2026” with no day, and discusses capability, price and availability; it does not mention distillation, self-improvement, reinforcement learning or post-training anywhere. The Antigravity post is about harness integration. The model card is the place a training-process claim would normally surface, and the Neon card does not carry one: seven of its slots print the same clause, “Gemini 4 Neon is adapted from Gemini 4 Carbon,” and point at the Carbon card, with no parameter count and no occurrence of “distill,” “prune” or “quantize.”
Esse último ponto coloca as duas metades do tweet em tensão entre si. “Adapted from Gemini 4 Carbon” é uma declaração de derivação. Um modelo adaptado de outro modelo não é, à primeira vista, um modelo construído sem destilação — a menos que “adapted” esteja fazendo um trabalho que nenhum de nós consegue ver. A publicação afirma a ausência de uma técnica que o único documento oficial sobre a proveniência do modelo se recusa a confirmar ou descartar. Pode ser tudo verdade. Não é verificável, e a pessoa que faz a alegação não mostrou o raciocínio.
A parte falsificável da mesma frase é mais fácil de testar, e é aí que os números desempenham algum papel. Se o Neon for realmente o produto de um processo de treinamento paciente e não destilado, você esperaria o retorno em capacidade por token, e não em velocidade. O que o rastreador independente mostra é um modelo capaz e excepcionalmente caro de executar: 61 no índice em Extra High, mas US$ 6,44 por tarefa do índice, 21,5 minutos por tarefa contra uma mediana de 12,4 minutos, e 283 milhões de tokens de saída gerados durante a execução do índice contra uma mediana de 65,4 milhões — uma classificação de verbosidade perto do fim do grupo. Esse é um perfil consistente com um modelo que pensa por muito tempo. Também é consistente com várias outras coisas. Isso não resolve a questão do treinamento para nenhum dos lados, e nenhum número publicado resolve.
O que o clipe estabelece e não estabelece
Retire a filosofia e o artefato fica mais fino do que o argumento à sua volta. O vídeo tem 756 por 403, dura 62,5 segundos e mostra um jogo de luta stickman para dois jogadores a correr num navegador. Não há prompt na publicação, nem string de versão do modelo, nem nível de pensamento, nem contagem de tokens, nem declaração sobre se um agente ou quarenta produziram o código. “Código JS puro” é uma afirmação sobre a linguagem de saída; não é uma afirmação sobre como o código foi produzido, e não é uma medida de qualidade.
O que o clipe estabelece é limitado, mas real: um jogo para dois jogadores jogável no navegador, em JavaScript puro, pode ser produzido neste modelo por meio de um harness de enxame, e alguém o fez dentro de um dia da disponibilidade geral. Isso é uma demonstração de capacidade, e a publicação do próprio fornecedor corrobora o formato disso. O que ele não estabelece é qualquer afirmação sobre treinamento, porque uma demonstração não pode sustentar uma — a cadeia causal de um processo de treinamento até um jogo de stickman passa por decisões demais para serem visíveis em um vídeo, e ninguém envolvido publicou as configurações que permitiriam repeti-lo.
É aqui que a leitura honesta do post inteiro desemboca. A metade sobre o enxame está documentada, datada e é reproduzível em princípio. A metade sobre o treinamento é uma alegação de um observador sobre um trabalho que ele não fez, publicada sem a única coisa que a tornaria verificável, que é uma fonte. Trate a primeira como a descrição de uma funcionalidade já lançada e a segunda como uma hipótese em circulação, e o post se torna útil em vez de apenas interessante.
Uma versão do teste que você pode conferir
Se a alegação de enxame for uma alegação de harness, ela pode ser testada no seu próprio tráfego, o que a alegação de treinamento não pode. As peças de que você precisa são um coordenador, workers e um verificador — e a versão mais barata é fixar cada papel a um modelo que você já pode chamar.
• Registre o briefing — o prompt, o nível de esforço e o modelo fixado para cada função. Sem esses três, uma nova execução é um experimento diferente.
• Meça o ciclo, não o artefato — total de tokens, tempo de relógio e quantas rodadas de verificação o diff sobreviveu antes de passar.
• Mantenha o verificador adversarial — o design do Antigravity combina um construtor com algo dedicado a quebrar sua saída, e esse segundo papel faz a maior parte do trabalho de qualidade.
One practical note on where this can run today: Gemini 4 Neon is not in the OrcaRouter catalogue, which currently carries 217 model identifiers and, among the Gemini 4 family, only google/gemini-4-carbon and google/gemini-4-argon, both listed at $2.00 in and $10.00 out per million tokens with cache reads at $0.10. So a coordinator-worker split on our side means splitting across those two rather than pinning Neon, and the routing DSL is the place to express it — compose a planner and an executor into a single call, and the failover path keeps a dead worker from taking the run with it. For comparison, the same Neon traffic at its published rate is $3.00 and $15.00 per million, with batch and flex at half, which is the number to hold against any harness you build.

The thing worth watching is not the next clip. It is whether anyone — Google, or the person who posted this — publishes a tool-call log or a token count from a swarm run on Gemini 4 Neon at a stated effort level. That would turn a demo into a measurement, and it would let the swarm claim be checked the way a shipped feature should be. The RSI claim needs something different: a training disclosure that does not currently exist on any Google page, and until one does, the most accurate thing to say about it is that it is unconfirmed rather than that it is false.
