Titelkort med texten Gemini 4 Neon i Antigravity, med undertexten 762 verktygsanrop, tretton sessioner, ett tak på 512K, ovanför tre kort med texten 762 verktygsanrop, 13 sessioner och 512K kontext i Antigravity, nederst med siffror för verktygsanrop självrapporterade från en användares Antigravity-loggar, 18 november 2026; ej granskade.
Guides & Insights

Gemini 4 Neon i Antigravity: 762 verktygsanrop vid ett 512K-tak

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Tretton sessioner, 762 verktygsanrop och ett nummer som inte förekommer någonstans i Googles lanseringsmaterial: 512,000. Det är det kontextfönster som Antigravitys egen dokumentation anger för Gemini 4 Neon, mot de 1,048,576 token som Gemini API säljer för samma modell till $3.00 in och $15.00 ut. Båda siffrorna är Googles, publicerade samma vecka, och ingen av sidorna nämner den andra. Loggen över verktygsanrop kommer från en praktisk tråd som @kimmonismus publicerade den 18 november 2026, tretton och en halv timme efter att Antigravitys Neon-inlägg lades upp och trettiofem minuter efter DeepMinds, det vill säga att modellen som han beskriver att han hade "tidig åtkomst" till redan var allmänt tillgänglig när han publicerade.

Att tidpunkten spelar roll för hur mycket vikt man bör lägga vid tråden, inte för om den är användbar. Det är den mest detaljerade offentliga redogörelsen någon har publicerat om Gemini 4 Neon när den utför uthålligt agentiskt arbete, och det intressanta är inte demosarna. Det är loggens form, som är kontrollerbar aritmetik på ett sätt som ”den byggde 17 interaktiva demos” inte är.

De 762 samtalen, uppdelade

Personen som publicerade inlägget gick i efterhand igenom Antigravitys loggar och räknade varje anrop under de tretton sessionerna, alla körda på tänknivån Extra High. Sammanställningen, självrapporterad och ej granskad:

• Filläsningar — 313

• Redigeringar — 266

• Nya filer skapade — 104

• Shell-kommandon — 43

Underagenter skapade – 13

• Webbsökningar — 2

• Övriga samtal, inklusive uppgiftsuppdateringar — 21

De summerar exakt till 762, vilket är det första man bör kontrollera och det första som stämmer. Dela med tretton så får du ungefär 58,6 verktygsanrop per session, en siffra som hamnar misstänkt nära de 58,6 som Neon får på Artificial Analysis Coding Agent Index – ett sammanträffande, men ett minnesvärt sådant om du försöker hålla båda siffrorna i huvudet.

A single-column scoreboard titled Gemini 4 Neon in Antigravity — the scoreboard, with six rows reading Sessions run at Extra High 13, Tool calls total 762, File reads 313 (41%), Edits plus new files 370 (48.6%), Sub-agents spawned 13 and Web searches 2 (0.26%), footed with Self-reported from one user's Antigravity logs, 18 November 2026; unaudited. Context window in Antigravity: 512K per Google's docs.

Det mer informativa förhållandet är det som Googles egen positionering uppmanar dig att testa. Lanseringsinlägget hävdar att Neon "minskar redundanta filläsningar" och "hanterar kontextkomprimering tillförlitligt i långa sessioner". I den här loggen är läsningarna 313 av 762 anrop, eller 41 %. Skrivningarna – 266 redigeringar plus 104 nya filer, 370 anrop – är 48,6 %. Det är 1,18 skrivoperationer per läsning. En modell som rotade runt i en kodbas för att försöka hitta saker skulle visa det motsatta förhållandet; en modell som redan vet vart den är på väg läser en gång och skriver. En användares tretton sessioner är inte bevis på en generell egenskap, men det är den riktning som påståendet förutspår, och det är den enda offentliga loggen där påståendet har prövats.

De två siffror som ser mest underliga ut är subagenter och webbsökningar. Tretton subagenter över tretton sessioner är exakt en per session — ett konsekvent delegeringsmönster snarare än ett tillfälligt. Två webbsökningar på 762 anrop är 0,26 %, vilket för en modell som Google beskriver som en orkestrerare som dirigerar parallella Hydrogen-subagenter är anmärkningsvärt inåtvänd. Detta var en körning mot lokal kod, inte forskning, och loggen återspeglar det.

Vad demokörningen faktiskt visar

Sjutton interaktiva demos, åtta av dem visas. De åtta synliga spänner över en 3D-arenaskjutspel med fiendevågor, hälsa, ammunition och omladdning; en rail shooter som heter Solaris Trench; en förstörbar voxelarena som heter Terra Breaker som höll en stadig 60 bilder per sekund i ett webbläsartest; ett jet-genom-ravin-spel som heter Aero Canyon med tolv portar och en sparad bästa tid; ett fysikpussel med spakar och en bollkastare; en partikelfältsljusshow; en förbiflygning av ett svart hål med justerbar linsning; och ett klickbart solsystem.

De nio som inte visades är den del av tråden som inte kan utvärderas, och en ärlig läsning av "17 demos" är att det är ett påstående om volym med åtta exempel bifogade. Vad de åtta exemplen däremot fastställer är bredd: en enda modell som producerar WebGL-scener, fysik, ljuddriven grafik och UI-tillståndshantering i en och samma sittning, med en kvalitet som en hobbyist skulle lägga upp. Det är en verklig signal om förmåga även om antalet inte går att granska.

De feltyper som skribenten rapporterade är mer användbara än framgångarna, eftersom de är specifika. Det första bygget av 3D-arenan "avbröts av ett serverfel" och behövde en andra omgång för att slutföras – ett infrastrukturfel, inte ett modellfel, men ett som kostade ett helt försök. Neon lade till ett autopilotläge i Aero Canyon som aldrig hade efterfrågats, vilket skribenten påpekade var icke efterfrågat omfång. Han testade sedan bara autopiloten, så kvaliteten på manuell flygning är fortfarande okänd även för en demo som han byggde. Solsystemet levererades med inaktuella antal månar och korrigerades till JPL:s aktuella siffror först efter att han påpekade det; storlekar och omloppsbanor är fortfarande inte i skala.

Den sista är den mest intressanta datapunkten i tråden, eftersom den är ett tydligt exempel på korrigering mitt i en uppgift: ett sakfel som användaren flaggade, som rättades i en uppföljning. Google hävdar att Neon ligger tvåa på styrbarhet i Arenas nya Agent Arena Index. En anekdot bekräftar inte en placering på resultattavlan, men det är det beteende som resultattavlan påstår sig mäta, observerat i verkligheten.

Tre buggfixar, självbedömda

Programmeringsavsnittet består av tre trasiga program med befintliga testsviter, som var och en fixas och sedan verifieras av den som publicerade dem själv snarare än av modellens egen rapport.

• Bokningskontroll — 1 av 5 tester godkända före, 5 av 5 efter.

• Aktivitetsplaneraren — 8 av 14 kontroller före, 14 av 14 efter.

• Async loader — 10 av 16 kontroller före, 16 av 16 efter.

Aggregerat: 19 av 35 godkända före, 35 av 35 efter, eller 54,3 % till 100 %. Ett perfekt resultat är siffran man bör misstro, och de ärliga förbehållen gäller alla urvalet snarare än resultatet. Tre program är tre program. Testsuiterna fanns redan, vilket tar bort det uppenbara felfallet där en modell skriver tester som matchar dess egen rättning, men det tar inte bort urvalsproblemet: det här var program som personen valde att ta med, och en rättning som löste de synliga felen kan fortfarande vara fel på sätt som sviten inte täcker. Vad körningen faktiskt visar är att modellen inte försämrade något medan den rättade — 35 av 35 betyder att de tidigare godkända testerna fortsatte att godkännas, vilket är det felfall som faktiskt gör skada i praktiken.

Antigravity ger Neon 512K, inte 1M

Nu till siffran som inte finns i tråden och som borde förändra hur du läser resten av den. Antigravitys modelldokumentation anger, i posten för Gemini 4 Neon, kontextfönstret som "upp till 512K tokens". Dokumentationen för Gemini API anger för samma modell ett enhetligt fönster på 1 048 576 tokens, och Artificial Analysis listar 1 000 000 för modellen. Samma vikter, samma prislista, ungefär halva kontexten, beroende på vilket gränssnitt du anropar det från.

Antigravity's model documentation page for Gemini 4 Neon, showing the heading Gemini 4 Neon, the paragraph explaining that it is the default model for new conversations on every plan that includes it, a Thinking levels bullet listing Low, Medium, High (default) and Extra with the CLI spellings low, medium, high and xhigh and the example --model gemini-4-neon-xhigh, a Context window bullet reading Up to 512K tokens, and an Availability bullet listing Google AI Ultra, Google AI Pro and Gemini Enterprise but not Free or Plus.

Google har inte publicerat någon förklaring till gapet, och den här artikeln kommer inte att hitta på en. Det som är verifierbart är att båda siffrorna är aktiva, båda är Googles och båda är kopplade till modellkoden gemini-4-neon. Den praktiska konsekvensen är enkel: om din bedömning av Neon är "den rymmer ett stort monorepo i kontexten", är den bedömningen beroende av vilket gränssnitt det gäller. Ett kodförråd på 600 000 tokens får plats i API:et och får inte plats i Antigravity. Om du väljer mellan de två, mät i det gränssnitt du faktiskt kommer att leverera i, eftersom taket inte är detsamma.

Resten av Antigravity-bilden är mer konventionell. Neon är standardmodellen för nya konversationer på alla planer som inkluderar den – betalda Google AI Pro, Google AI Ultra och Gemini Enterprise. Den finns inte på Free eller Google AI Plus. Tanketrappan löper Låg, Medel, Hög (standard) och Extra, där CLI:t stavar dem low, medium, high och xhigh via --model gemini-4-neon-xhigh eller --effort xhigh. Tråden kördes helt på Extra High, vilket är inställningen som Google självt använder för sin främsta Intelligence Index-siffra, och den som API-dokumentationen rekommenderar att man reserverar för svåra flerstegsproblem.

Det är värt att lyfta fram som en asymmetri i källunderlaget snarare än en brist. Nästan varje Neon-benchmarktal som cirkulerar – 61.4 Intelligence Index, 58.64 Coding Agent Index – är ett xhigh-värde. De flesta kommer att köra modellen på standardinställningen High. Artificial Analysis publicerar båda, och standardvärdet är 59.6, tre hela poäng under toppsiffran. En logg med 762 anrop på xhigh visar hur taket ser ut; den visar inte vad din standardkonfiguration kommer att kosta eller få för poäng.

Där tråden går för långt

Tre påståenden i tråden får bära mer än vad evidensen stöder, och de förtjänar att namnges eftersom de kommer att upprepas.

Inramningen "tidig åtkomst" är den tydligaste. Antigravitys eget blogginlägg om Neon publicerades 08:00 UTC den 18 november 2026; DeepMinds lanseringsinlägg 21:00 UTC; tråden 21:35 UTC. Vilken åtkomst inläggsförfattaren än hade tidigare under dagen, så publicerades texten han skrev efter den allmänna tillgängligheten, och att läsa den som en förhandsvisning före lansering vore ett misstag. Det gör inte iakttagelserna felaktiga. Det innebär att "jag fick tidig åtkomst" utför retoriskt arbete som tidsstämplarna inte stöder.

För det andra är "17 interaktiva demos" ett påstående om antal med åtta exemplar. De åtta som visas är verkligen varierade och fungerar verkligen, vilket är det användbara. De nio som undanhålls går inte att granska, och ingen mängd detaljer om de åtta täpper till den luckan.

För det tredje är resultatet 35 av 35 åtgärdade ett resultat som gäller tre program. Det är den typ av siffra som citeras som "Neon fixar allt du ger det", och den korrekta tolkningen är snävare: på tre redan trasiga program med befintliga testsviter åtgärdade det varje misslyckad kontroll utan att förstöra de som passerade. Det är ett bra resultat och ett litet urval, och båda halvorna av den meningen måste hållas samman.

En stödjande omständighet är värd att notera. Patrick Loeber, medlem av den tekniska personalen på Google DeepMind, svarade i tråden: "fin tråd, tack för att du byggde med det och delade din feedback!!" Det är inte en verifiering av någon siffra i den. Det är en Googler som bekräftar att körningen ägde rum, vilket är mer än vad de flesta praktiska trådar får.

Vad det kostar att prova själv

Ekonomin i ett fälttest som detta är oglamorös och avgörande. Vid $3.00 per miljon inputtokens och $15.00 per miljon outputtokens är en session med 762 anrop och omfattande återanvändning av kontext inte ett experiment för $5 — outputsidan, inklusive tänkandetokens, dominerar, och xhigh multiplicerar den. Googles egen formulering är att Neon med standardinställningen High kostar cirka 32 % mindre per uppgift än Gemini 4 Carbon (leverantörsrapporterat, inte oberoende reproducerat), och att inställningen xhigh är till för problem där High inte räcker. Att köra en demosvit med xhigh när du utvärderade standardbeteendet är ett sätt att lägga flera gånger så mycket som beslutet krävde.

Our own OrcaRouter catalogue page filtered to gemini-4, headed Models and reading 2 models, 1 providers, one API key, one bill, showing two results — Google: Gemini 4 Carbon at $2.00 per million input tokens with a 1M context window, identified as google/gemini-4-carbon, and Google: Gemini 4 Argon identified as google/gemini-4-argon — alongside a How to call any model panel and the filter sidebar. Gemini 4 Neon is not among the results.

Det billigare sättet att köra den här utvärderingen är att först låsa ytan och tänknivån och sedan variera modellen. Hos oss katalogen innehåller för närvarande google/gemini-4-carbon och google/gemini-4-argon, båda till leverantörens listpris på $2.00 och $10.00 med 0 % påslag ovanpå — en ändring av leverantörens pris slår igenom hos oss samma dag som den landar uppströms, vilket spelar roll här eftersom Carbons introduktionspris löper ut den 30 november 2026 och stiger till $4.00/$20.00. Gemini 4 Neon finns inte i katalogen per den 19 november 2026, så detta är ingen rekommendation att anropa den via oss; det är jämförelsen du faktiskt kan köra i dag, mot den modell som Google benchmarkar Neon mot i nästan varje stycke i sitt tillkännagivande.

Om du testar en oprövad modell snarare än en känd sådan är routningslagret också den billiga platsen att begränsa risken: automatisk failover innebär att en session som dör mitt i körningen – precis som den första versionen av 3D-arenan gjorde – kan köras om på en annan modell utan att bygga om testramverket, och routnings-DSL:en låter dig sätta samman en planerare och en exekutor till ett enda anrop om du vill återskapa mönstret Orchestrator (Neon) utan att vara låst till Antigravitys 512K-tak.

Vad du ska titta på

Nästa bevis som skulle avgöra de öppna frågorna är inte ännu en demotråd. Det är en verktygsanropslogg från någon som kör på standardinställningen High, i ett repository som är tillräckligt stort för att pressa mot vilket kontexttak som än gäller, publicerad med felen kvar. Gapet mellan 512K och 1M är det specifika att hålla ögonen på, eftersom en dokumentationsavvikelse som överlever en releasecykel vanligtvis är ett produktbeslut snarare än ett förbiseende – och om Antigravity medvetet halverar fönstret är det ett faktum värt att känna till innan du standardiserar ett arbetsflöde kring det.

Fram till dess är den rättvisande sammanfattningen av Gemini 4 Neon i Antigravity denna: en detaljerad offentlig logg på tretton sessioner som visar en modell som skriver mer än den läser, delegerar en gång per session, fixar tre små program perfekt, bygger åtta bra demos av de påstådda sjutton och ligger på ungefär hälften av den kontext som API:et uppger. Varje sådan sats är kontrollerbar. Ingen av dem är ett benchmark.