Um cartão de título gerado com o texto “Gemini 4 Neon's Three.js Demo” e o subtítulo “Quinze segundos, uma frase, sem prompt”, ao lado de um pequeno diagrama de uma lacuna entre alegação e medição: um quadro de vídeo rotulado “publicado em 19 nov 2026, 1920x1080, 15,0s” de um lado e uma lista de verificação rotulada “prompt, nível de esforço, contagem de tokens, arquivo de origem” do outro, com a maioria das caixas vazias.
Guides & Insights

Demonstração de Three.js do Gemini 4 Neon: O que 15 segundos realmente mostra

Autor

Gideon Frost

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Em 19 de novembro de 2026, um desenvolvedor que publica como @chetaslua divulgou um clipe de quinze segundos acompanhado de uma única frase: o Gemini 4 Neon havia feito o motion graphic nele, em “@threejs puro”, e a dança do robô no final arrasa. O vídeo tem 1920×1080 e dura quinze segundos. Esse é todo o registro público — nenhum prompt, nenhum arquivo-fonte, nenhum nível de raciocínio, nenhuma contagem de tokens, nenhuma declaração sobre se saiu da API, do AI Studio ou do Antigravity. O Gemini 4 Neon é um modelo real e de disponibilidade geral; a página de modelos do DeepMind, do Google, o lista em novembro de 2026, e o Artificial Analysis tem sua pontuação e seu preço registrados. Mas um clipe publicado é uma alegação, não uma medição, e a distância entre essas duas coisas é a parte útil desta história. O Gemini 4 Carbon entra apenas como o modelo irmão do qual o Google diz que o Neon foi adaptado e aquele que nosso próprio catálogo de fato disponibiliza — ele não é o assunto aqui.

Quinze segundos, zero configurações registradas

Comece pelo que pode ser verificado na própria publicação, porque é uma lista curta e vale a pena ver como é curta.

A alegação — de que o Gemini 4 Neon fez o motion graphic, em three.js puro. Essa é a atribuição de quem postou. Nada no clipe prova qual modelo escreveu o código, e nada na thread mostra o código.

• O carimbo de data/hora — 19 de novembro de 2026, 16:51 UTC, um dia após a disponibilidade geral do Neon em 18 de novembro. Ninguém pode acusar isto de ser uma demonstração de pré-lançamento contrabandeada sob embargo; é um artefato da mesma semana.

• O arquivo — quinze segundos, 1920×1080, sem narração, publicado como anexo de vídeo. Um resultado renderizado, não uma gravação de tela de um editor. Isso importa: uma gravação de tela de alguém digitando mostraria o prompt, os erros intermediários e o número de tentativas. Um render finalizado não mostra nada disso.

• O engajamento — 130 curtidas no momento em que extraímos o texto da publicação. Pequeno. É o show-and-tell de uma pessoa, não uma divulgação coordenada de uma demo, o que é mais ou menos o que o torna interessante: ninguém o selecionou para uma publicação de lançamento.

O que falta é tudo aquilo que permitiria a uma segunda pessoa reproduzi-lo. O prompt. O nível de esforço — o Neon oferece suporte a low, medium, high e xhigh, e a diferença entre low e xhigh no mesmo prompt é grande o suficiente para mudar tanto a conta quanto a saída. A superfície. O número de tentativas por trás daquela que foi publicada. Se a dança do robô foi solicitada ou improvisada. Se algum do JavaScript foi editado manualmente depois. Cada um desses itens é uma linha em uma publicação de acompanhamento, e nenhum deles está lá.

O que uma cena Three.js realmente testa

É tentador arquivar isto em “capacidade de front-end” e seguir em frente, em qualquer das direções — como prova de que o modelo é bom em gráficos, ou como prova de que uma renderização bonita não significa nada. Nenhuma das leituras sobrevive ao contato com aquilo que o artefato é.

three.js é uma das bibliotecas mais amplamente representadas nos dados de treinamento de qualquer modelo. Uma cena com uma câmera, uma luz, uma malha e um loop de renderização está próxima do resultado canônico de “olhem o que eu fiz” dos últimos três anos de desenvolvimento web. Todo modelo de fronteira atual consegue produzir uma página que renderiza algo girando. Portanto, a existência de uma cena competente em three.js em um clipe de quinze segundos quase não diz nada sobre qual modelo a criou, e é exatamente por isso que a atribuição de quem postou faz todo o trabalho nessa frase.

O que é realmente mais difícil, e o que um motion graphic com uma dança sincronizada no final de fato exercita, é a parte que não tem um oráculo de correção. Um motion graphic é uma sequência: uma máquina de estados de animação com transições, uma trajetória de câmera, curvas de easing, uma ordenação de eventos que precisa encaixar na batida. Não existe teste que verifique se a dança ficou boa. O modelo precisa manter um storyboard de dezesseis segundos na cabeça, emitir as constantes de timing e não se desviar. Quando alguém diz que os últimos quatro segundos “pegam pesado”, está fazendo um julgamento sobre coreografia e ritmo — e ritmo é justamente aquilo em que a geração de código em uma única tentativa é pior, porque nada no loop falha quando o timing é apenas medíocre.

Essa é a verdadeira razão pela qual este clipe merece uma segunda olhada, mesmo não provando nada. É uma afirmação sobre composição temporal, não sobre matemática de shader. Um modelo que consegue escrever um shader e um modelo que consegue manter uma sequência de quinze segundos coesa são afirmações diferentes, e apenas uma delas está sendo feita aqui.

Os números que a Neon tem

A Artificial Analysis é o único placar independente com uma entrada do Gem​ini 4 Neon, e lê-lo com atenção é a forma mais rápida de ver o quão distante o clipe publicado está de qualquer coisa medida.

Screenshot of the Artificial Analysis analysis page for Gemini 4 Neon, headed 'Intelligence, Performance & Price Analysis', showing an Intelligence Index of 61 at xhigh effort with ranks of 6 of 96, 73 of 95 and 79 of 95 across the panels, 110 output tokens per second, 21.5 minutes per task, $3.00 input and $15.00 output per million tokens, and a verbosity panel reporting 283 million output tokens and a 3.482% output-to-input ratio.

A manchete é 61 no Intelligence Index no nível de raciocínio xhigh, classificado em sexto entre 96 modelos no ranking. O mesmo modelo registra 60 em high, 55 em medium e 44 em low — uma variação de dezessete pontos ao longo da própria escada de esforço, que é o número mais importante deste texto se você estiver prestes a citar “61” para alguém. Sessenta e um é um número de xhigh. O padrão documentado da Neon é high.

O restante do painel é onde o hábito de demonstração fica caro. A velocidade de saída é de 110 tokens por segundo. O modelo leva 21,5 minutos para concluir uma tarefa do Intelligence Index, contra uma mediana de 12,1 minutos para modelos de preço comparável, e está na 73ª posição entre 95 em desempenho e na 79ª entre 95 em custo. Em verbosidade, ocupa a 93ª posição entre 95: 283 milhões de tokens de saída e 8,12 bilhões de tokens de entrada ao longo da execução do índice, uma proporção de saída para entrada de 3,48% contra uma mediana de cerca de 65 milhões de tokens de saída. O próprio resumo da Artificial Analysis chama-o de muito verboso e precifica uma única tarefa do índice em US$ 6,44. Na tabela de preços do Goog​le, isso equivale a US$ 3,00 por milhão de tokens de entrada e US$ 15,00 por milhão de tokens de saída, com entrada em cache a US$ 0,15.

A própria tabela publicada pelo Goog​le é um tipo diferente de número e deveria ser rotulada como tal: relatada pelo fornecedor, não reproduzida por ninguém fora do Goog​le. CursorBench 4.1 com 65,4%, Terminal-bench 4.1 com 65,2%, FrontierCode 2.0 com 46,2%, SWE-sweep com 39,0% no harness próprio do Goog​le, AutomationBench com 56,3%, Agents’ Last Exam v1.1 com 75,8%, RiemannBench com 84,0%, GraphWalks com 95,2%. Todas elas são medições agênticas, de programação ou de contexto longo. Nenhuma delas mede “produzir uma cena animada atraente em uma única tentativa a partir de um prompt curto”, porque nenhum benchmark faz isso. A demonstração e o placar não estão medindo a mesma coisa, e nenhum dos dois está medindo aquilo para o qual o clipe está sendo lido como evidência.

Quanto custa realmente uma tentativa de demonstração

O preço importa porque as demos são iterativas, e o Neon é verboso segundo as medições. Nada em uma renderização de quinze segundos diz quantas tentativas foram necessárias, e cada tentativa é uma geração completa.

• Uma tentativa de 25.000 tokens de saída — um tamanho plausível para uma cena three.js em esforço alto, com tokens de raciocínio contados como saída — custa cerca de 38 centavos a US$ 15 por milhão.

• Uma tentativa de 60.000 tokens custa cerca de 90 centavos. Três ou quatro dessas, mais algumas tentativas repetidas, e você já gastou mais na demo do que a demo vale como evidência.

• Uma tentativa de 200.000 tokens — o tipo de número que você atinge em xhigh quando o modelo raciocina por uma máquina de estados de animação — custa $3.00 só por isso.

Os níveis Batch e flex funcionam com metade da tarifa, então as mesmas três tentativas a US$ 1,50 e US$ 7,50 por milhão ficam em cerca de metade. Nada disso é exótico; simplesmente não é gratuito, e o clipe não diz.

A generated cost card titled 'What a demo attempt costs', listing three attempts at $15.00 per million output tokens: 25,000 tokens at about 38 cents, 60,000 tokens at about 90 cents, and 200,000 tokens at $3.00, with a second column showing the same three at the half-rate batch and flex prices of $1.50 and $7.50 per million, and a footer reading 'Arithmetic at the published Neon rate card; no measurement of the posted clip.'

Este é o argumento para testar um modelo não comprovado por meio de um roteador em vez de conectá-lo a um caminho de produção. O Neon tem dois dias de idade, sua verbosidade é o número com a pior classificação no próprio painel, e o único artefato público para este caso de uso específico é o render final de uma pessoa. Esse é um modelo que você quer chamar ao lado de outra coisa e comparar os custos, não um modelo com o qual você quer comprometer um cliente em novembro.

O que tornaria o próximo clipe verificável

Nada disso é uma crítica a quem publicou, que fez algo e compartilhou. É um protocolo curto, e qualquer pessoa que publique o próximo poderia preencher a lacuna com poucas linhas:

• O prompt, na íntegra. Não uma paráfrase — o texto real. Esta é a linha de maior valor e não custa nada incluí-la.

• O identificador do modelo e o nível de esforço. “Gem​ini 4 Neon no nível high” é uma afirmação diferente de “Gem​ini 4 Neon no nível xhigh”, e a uma taxa de saída de US$ 15, a diferença é dinheiro.

• A superfície. O Antigravity, o AI Studio e a API bruta aplicam prompts de sistema diferentes e estruturas de ferramentas diferentes; uma cena produzida dentro de um IDE agêntico não é o mesmo artefato que uma produzida por uma única conclusão.

• A contagem de tentativas e o total de tokens de saída. Dois números, ambos visíveis em um console de cobrança, e juntos transformam uma anedota em um custo por renderização utilizável.

• O ficheiro de origem. Uma única página HTML autossuficiente com a importação do three.js e o ciclo de animação é todo o artefacto reproduzível, e normalmente tem menos de cem quilobytes.

• Uma falha. Um segundo prompt que o modelo não conseguiu executar, com as mesmas configurações. Uma demonstração sem modo de falha documentado parece um compilado de destaques, porque é exatamente isso que é.

Até que pelo menos três desses existam, o resumo honesto deste clipe é que um modelo lançado no dia anterior produziu algo que um desenvolvedor web competente ficaria satisfeito em ter feito, e que não é possível saber, a partir do arquivo, quanto do mérito pertence ao modelo, ao prompt ou à edição.

Como executar o teste novamente por conta própria

Gem​ini 4 Neon não está no catálogo do OrcaRouter em 20 de novembro de 2026 — os modelos Gem​ini 4 que roteamos são google/gemini-4-carbon e google/gemini-4-argon, e o catálogo tem 217 identificadores de modelo. Portanto, a versão prática deste teste hoje é uma comparação dentro da mesma família: execute o mesmo prompt de motion graphic no Carbon com esforço alto e no Neon com esforço alto por meio da própria API da Goog​le, e compare tokens de saída, tempo de relógio de parede e quanto da renderização você precisou pedir duas vezes.

Essa comparação é fácil de configurar do nosso lado para a parte Carbon. Uma chave cobre o catálogo, o preço de tabela do provedor é repassado com 0% de markup, então uma mudança na tarifa do Goog​le entra em vigor na sua fatura no mesmo dia, em vez de na próxima fatura, e o failover significa que uma única geração ruim não encerra a execução. Se você está testando um modelo de dois dias contra um modelo consolidado, o DSL de roteamento colocará ambos atrás de um único endpoint e retornará o par, que é a forma mais barata de obter uma resposta real em vez de uma impressão.

Screenshot of the OrcaRouter model page for google/gemini-4-argon, showing the model header with a zero-retention agreement noted, the chat-completions and generateContent endpoints, input priced at $2.00 and output at $10.00 per million tokens, cache reads at $0.100, and code samples calling google/gemini-4-argon through the OpenAI-compatible base URL https://api.orcarouter.ai/v1 with an ORCAROUTER_API_KEY.

O que vale a pena observar não é se mais clipes bonitos vão aparecer — eles vão, de todos os laboratórios, indefinidamente. É se as pessoas que os publicam começam a anexar o prompt e o nível de esforço. No momento em que uma delas fizer isso, a comparação se torna possível: o mesmo storyboard de dezesseis segundos, executado em quatro níveis de pensamento, com a contagem de tokens e a fatura ao lado de cada renderização. Esse único post valeria mais do que toda a tabela de benchmarks que o Google publicou, para esta pergunta específica, porque seria a primeira medição de se o Neon consegue manter uma sequência cronometrada coesa, em vez de se ele consegue escrever um shader.

Até lá, trate o clipe como aquilo que ele é: um artefato interessante, um sinal plausível de capacidade e uma afirmação cuja evidência mais forte é a reputação de quem o publicou.