
Gemini 4 Neon trong Antigravity: 762 lần gọi công cụ ở ngưỡng trần 512K
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 188 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 205 tok/s
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 87 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 97 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 124 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 110 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
Mười ba phiên, 762 lần gọi công cụ, và một con số không xuất hiện ở bất kỳ đâu trong tài liệu ra mắt của Google: 512,000. Đó là cửa sổ ngữ cảnh mà tài liệu của chính Antigravity gán cho Gemini 4 Neon, so với 1,048,576 token mà API Gemini bán cho cùng mô hình đó với giá $3.00 đầu vào và $15.00 đầu ra. Cả hai con số đều là của Google, được công bố trong cùng tuần, và không trang nào nhắc đến trang kia. Nhật ký gọi công cụ đến từ một chuỗi bài trải nghiệm thực tế mà @kimmonismus đăng ngày 18 tháng 11 năm 2026, mười ba tiếng rưỡi sau khi bài đăng về Neon của Antigravity được đăng lên và ba mươi lăm phút sau bài của DeepMind, nghĩa là mô hình mà ông ấy mô tả là mình có quyền “truy cập sớm” đã được phổ cập rộng rãi vào lúc ông ấy bấm đăng.
Thời điểm đó quan trọng đối với việc nên coi trọng chuỗi thảo luận đến mức nào, chứ không phải đối với việc nó có hữu ích hay không. Đây là bài tường thuật công khai chi tiết nhất mà bất kỳ ai đã công bố về việc Gemini 4 Neon thực hiện công việc tác nhân kéo dài, và phần thú vị không phải là các bản demo. Mà là hình dạng của nhật ký, thứ có thể kiểm chứng bằng số học theo cách mà "nó đã tạo 17 bản demo tương tác" thì không.
762 cuộc gọi, được phân tách chi tiết
Người đăng bài sau đó đã xem lại nhật ký của Antigravity và thống kê mọi lệnh gọi trong mười ba phiên đó, tất cả đều chạy ở mức tư duy Extra High. Bảng phân tích, do tự báo cáo và chưa được kiểm toán:
• Đọc tệp — 313
• Chỉnh sửa — 266
• Tệp mới được tạo — 104
• Lệnh Shell — 43
• Đã tạo các tác nhân phụ — 13
• Tìm kiếm trên web — 2
• Các cuộc gọi khác, bao gồm cập nhật nhiệm vụ — 21
Những con số đó cộng lại đúng bằng 762, đó là điều đầu tiên cần kiểm tra và cũng là điều đầu tiên đứng vững. Chia cho mười ba thì bạn được khoảng 58.6 lần gọi công cụ mỗi phiên, một con số nằm gần một cách đáng ngờ so với 58.6 mà Neon đạt được trên Artificial Analysis Coding Agent Index — một sự trùng hợp, nhưng là sự trùng hợp đáng nhớ nếu bạn đang cố giữ cả hai con số trong đầu.

Tỷ lệ mang nhiều thông tin hơn là tỷ lệ mà chính cách định vị của Google mời bạn kiểm chứng. Bài đăng ra mắt tuyên bố Neon "cắt giảm các lượt đọc tệp dư thừa" và "xử lý việc nén ngữ cảnh một cách đáng tin cậy trong các phiên dài." Trong nhật ký này, các lượt đọc là 313 trong số 762 lệnh gọi, tức 41%. Các lượt ghi — 266 lần chỉnh sửa cộng 104 tệp mới, 370 lệnh gọi — chiếm 48,6%. Tức là 1,18 thao tác ghi cho mỗi lượt đọc. Một mô hình đang lùng sục khắp codebase để cố định vị mọi thứ sẽ cho thấy tỷ lệ ngược lại; một mô hình đã biết mình đang đi đâu sẽ đọc một lần rồi ghi. Mười ba phiên của một người dùng không phải là bằng chứng cho một tính chất tổng quát, nhưng đó là hướng mà tuyên bố dự đoán, và đây là nhật ký công khai duy nhất về việc tuyên bố đó được đem ra kiểm chứng.
Hai con số trông lạ nhất là tác tử con và tìm kiếm web. Mười ba tác tử con trong mười ba phiên đúng là một tác tử mỗi phiên — một mô hình ủy thác nhất quán chứ không phải thỉnh thoảng mới có. Hai lượt tìm kiếm web trong 762 lệnh gọi là 0,26%, mà với một mô hình được Google mô tả là bộ điều phối chỉ đạo các tác tử con Hydrogen song song thì đây là mức hướng nội đáng kinh ngạc. Đây là một lượt chạy trên mã cục bộ, không phải nghiên cứu, và nhật ký phản ánh điều đó.
Lần chạy demo thực sự cho thấy điều gì
Mười bảy bản demo tương tác, tám trong số đó được hiển thị. Tám bản hiển thị bao gồm một game bắn súng đấu trường 3D với các đợt kẻ địch, máu, đạn và nạp đạn; một rail shooter tên là Solaris Trench; một đấu trường voxel có thể phá hủy tên là Terra Breaker, giữ ổn định 60 khung hình/giây trong một bài kiểm tra trên trình duyệt; một game bay xuyên hẻm núi bằng phản lực tên là Aero Canyon với mười hai cổng và thời gian tốt nhất được lưu; một câu đố vật lý với đòn bẩy và máy bắn bóng; một màn trình diễn ánh sáng trường hạt; một màn bay ngang hố đen với hiệu ứng thấu kính có thể điều chỉnh; và một hệ Mặt Trời có thể nhấp.
Chín cái không được hiển thị là phần của luồng mà không thể đánh giá, và cách đọc trung thực của "17 bản demo" là đó là một tuyên bố về số lượng với tám mẫu đi kèm. Điều mà tám mẫu thực sự chứng minh là độ rộng: một mô hình duy nhất tạo ra các cảnh WebGL, vật lý, hình ảnh do âm thanh điều khiển và quản lý trạng thái UI trong một lần, ở chất lượng mà một người nghiệp dư sẽ đăng. Đó là một tín hiệu năng lực thực sự ngay cả khi con số không thể kiểm chứng.
Các kiểu thất bại mà người đăng bài báo cáo hữu ích hơn những thành công, vì chúng cụ thể. Bản dựng đầu tiên của đấu trường 3D "bị ngắt do lỗi máy chủ" và cần một lần chạy thứ hai để hoàn tất — một lỗi hạ tầng, không phải lỗi mô hình, nhưng đã tốn một lần thử trọn vẹn. Neon đã thêm vào Aero Canyon một chế độ lái tự động chưa từng được yêu cầu, mà người đăng bài gắn cờ là phạm vi không được yêu cầu. Sau đó anh ấy chỉ kiểm thử chế độ lái tự động, nên chất lượng bay thủ công vẫn chưa rõ ngay cả với một bản demo anh ấy đã tạo. Hệ mặt trời được phát hành với số lượng mặt trăng lỗi thời và chỉ được sửa theo số liệu hiện tại của JPL sau khi anh ấy báo lên; kích thước và quỹ đạo vẫn chưa đúng tỉ lệ.
Điểm dữ liệu cuối cùng đó là điểm dữ liệu thú vị nhất trong luồng thảo luận, vì nó là minh chứng rõ ràng cho việc sửa lỗi giữa chừng trong tác vụ: một lỗi thực tế, được người dùng gắn cờ, đã được sửa trong một phản hồi tiếp theo. Google tuyên bố Neon đứng thứ hai về khả năng điều khiển trên Agent Arena Index mới của Arena. Một giai thoại không xác nhận được vị trí trên bảng xếp hạng, nhưng đó chính là hành vi mà bảng xếp hạng tuyên bố đo lường, được quan sát trong thực tế.
Ba bản sửa lỗi, tự chấm điểm
Phần lập trình gồm ba chương trình bị lỗi với các bộ kiểm thử hiện có, mỗi chương trình được sửa và sau đó được chính người đăng xác minh thay vì dựa vào báo cáo của chính mô hình.
• Trình kiểm tra đặt chỗ — trước đây đạt 1/5 bài kiểm tra, sau đó đạt 5/5.
• Trình lập lịch tác vụ — 8/14 kiểm tra trước, 14/14 sau.
• Bộ tải bất đồng bộ — 10/16 mục kiểm tra trước, 16/16 sau.
Tổng hợp: trước đó đạt 19/35, sau đó đạt 35/35, tức từ 54,3% lên 100%. Điểm tuyệt đối là con số đáng phải nghi ngờ, và những lưu ý trung thực đều nằm ở mẫu chứ không phải ở kết quả. Ba chương trình thì vẫn chỉ là ba chương trình. Các bộ kiểm thử đã có từ trước, điều này loại bỏ kiểu thất bại hiển nhiên là mô hình viết kiểm thử cho khớp với bản sửa của chính nó, nhưng không loại bỏ được yếu tố chọn lọc: đây là những chương trình mà người đăng đã chọn đưa ra, và một bản sửa giải quyết được các lỗi hiển thị vẫn có thể sai theo những cách mà bộ kiểm thử không bao phủ. Điều mà lần chạy này thực sự cho thấy là mô hình không làm hỏng thêm gì trong khi sửa — 35 trên 35 nghĩa là các kiểm thử trước đó đã đạt vẫn tiếp tục đạt, và đó mới là kiểu thất bại thực sự gây hại trong thực tế.
Antigravity cho Neon 512K, chứ không phải 1M
Giờ là con số không nằm trong luồng thảo luận và lẽ ra phải thay đổi cách bạn đọc phần còn lại của nó. Tài liệu mô hình của Antigravity, ở mục Gemini 4 Neon, ghi cửa sổ ngữ cảnh là "tối đa 512K token". Tài liệu Gemini API cho cùng mô hình lại ghi cửa sổ hợp nhất 1.048.576 token, và Artificial Analysis liệt kê 1.000.000 cho mô hình này. Cùng trọng số, cùng bảng giá, ngữ cảnh chênh khoảng một nửa, tùy thuộc vào bề mặt mà bạn gọi nó từ đó.

Google chưa công bố lời giải thích nào cho khoảng cách này, và bài viết này sẽ không tự bịa ra một lời giải thích. Điều có thể xác minh là cả hai con số đều đang hiện hành, đều là của Google và đều gắn với mã mô hình gemini-4-neon. Hệ quả thực tế rất rõ ràng: nếu đánh giá của bạn về Neon là "nó giữ được một monorepo lớn trong ngữ cảnh", thì đánh giá đó phụ thuộc vào bề mặt. Một kho mã 600.000 token vừa trong API và không vừa trong Antigravity. Nếu bạn đang cân nhắc giữa hai lựa chọn, hãy đo trên bề mặt mà bạn thực sự sẽ triển khai, vì mức trần không phải là cùng một mức.
Phần còn lại của bức tranh Antigravity thì thông thường hơn. Neon là mô hình mặc định cho các cuộc trò chuyện mới trên mọi gói có hỗ trợ nó — Google AI Pro trả phí, Google AI Ultra và Gemini Enterprise. Nó không có trên gói Free hoặc Google AI Plus. Thang suy nghĩ gồm Low, Medium, High (mặc định) và Extra, với CLI ghi chúng là low, medium, high và xhigh qua --model gemini-4-neon-xhigh hoặc --effort xhigh. Luồng hội thoại này chạy hoàn toàn ở Extra High, đây là cài đặt mà chính Google sử dụng cho con số Intelligence Index chủ đạo của mình, và là cài đặt mà tài liệu API khuyến nghị dành riêng cho các bài toán nhiều bước khó.
Điều đó đáng được gắn cờ như một sự bất đối xứng về nguồn dẫn hơn là một khiếm khuyết. Gần như mọi con số benchmark Neon đang lưu hành — Chỉ số Trí tuệ 61,4, Chỉ số Tác nhân Lập trình 58,64 — đều là con số ở xhigh. Hầu hết mọi người sẽ chạy mô hình ở mức High mặc định. Artificial Analysis có công bố cả hai, và con số mặc định là 59,6, thấp hơn con số tiêu đề tròn ba điểm. Một nhật ký 762 lần gọi ở xhigh cho bạn biết mức trần trông như thế nào; nó không cho bạn biết cấu hình mặc định của bạn sẽ tốn bao nhiêu hay đạt bao nhiêu điểm.
Nơi luồng thảo luận đi quá xa
Ba khẳng định trong luồng thảo luận đang gánh vác nhiều hơn mức bằng chứng ủng hộ, và đáng được gọi tên vì chúng sẽ còn được lặp lại.
Cách diễn đạt "quyền truy cập sớm" là rõ ràng nhất. Bài đăng blog của chính Antigravity về Neon được xuất bản lúc 08:00 UTC ngày 18 tháng 11 năm 2026; bài đăng ra mắt của DeepMind lúc 21:00 UTC; chuỗi thảo luận lúc 21:35 UTC. Dù người đăng có quyền truy cập gì sớm hơn trong ngày, bài viết anh ta xuất bản vẫn ra mắt sau khi sản phẩm được phát hành rộng rãi, và đọc nó như một bản xem trước trước khi ra mắt sẽ là một sai lầm. Điều đó không làm cho các quan sát trở nên sai. Nó có nghĩa là "Tôi đã được truy cập sớm" đang đảm nhận một chức năng tu từ mà các mốc thời gian không hề ủng hộ.
Thứ hai, “17 bản demo tương tác” là một tuyên bố về số lượng với tám minh chứng. Tám cái được trình bày thực sự đa dạng và thực sự hoạt động, và đó là phần hữu ích. Chín cái bị giữ lại thì không thể xác minh, và dù có bao nhiêu chi tiết về tám cái đi nữa cũng không lấp được khoảng trống đó.
Thứ ba, kết quả sửa lỗi 35/35 là kết quả trên ba chương trình. Đó là kiểu con số thường được trích dẫn thành “Neon sửa được mọi thứ bạn đưa cho nó”, và cách hiểu đúng thì hẹp hơn: trên ba chương trình đã hỏng sẵn với các bộ kiểm thử hiện có, nó đã xử lý mọi kiểm tra thất bại mà không làm hỏng những kiểm tra đang đạt. Đó là một kết quả tốt và một mẫu nhỏ, và cả hai vế của câu đó cần được nói cùng nhau.
Có một bằng chứng củng cố đáng chú ý. Patrick Loeber, thành viên nhân sự kỹ thuật tại Google DeepMind, đã trả lời chủ đề: “chủ đề hay, cảm ơn vì đã xây dựng với nó và chia sẻ phản hồi của bạn!!” Đó không phải là xác minh cho bất kỳ con số nào trong đó. Đó là một người của Google thừa nhận lần chạy đã diễn ra, điều mà hầu hết các chủ đề thực hành không có được.
Chi phí để tự mình thử điều này là bao nhiêu
Khía cạnh kinh tế của một bài thử nghiệm thực tế như thế này thì chẳng hào nhoáng gì nhưng mang tính quyết định. Với mức 3,00 USD mỗi triệu token đầu vào và 15,00 USD mỗi triệu token đầu ra, một phiên 762 lần gọi với việc tái sử dụng ngữ cảnh nhiều không phải là một thử nghiệm 5 USD — phía đầu ra, bao gồm cả token suy nghĩ, chiếm phần áp đảo, và xhigh nhân số đó lên. Cách Google tự lý giải là Neon ở cài đặt High mặc định của nó tốn ít hơn khoảng 32% mỗi tác vụ so với Gemini 4 Carbon (do nhà cung cấp báo cáo, chưa được tái lập độc lập), và rằng cài đặt xhigh dành cho những bài toán mà High không đủ. Chạy một bộ demo ở xhigh khi bạn đang đánh giá hành vi mặc định là cách tiêu tốn gấp nhiều lần so với mức mà quyết định cần đến.

Cách rẻ hơn để chạy đánh giá này là cố định bề mặt và mức độ tư duy trước, rồi thay đổi mô hình. Về phía chúng tôi danh mục hiện đang có google/gemini-4-carbon và google/gemini-4-argon, cả hai đều ở mức giá niêm yết $2.00 và $10.00 của nhà cung cấp với 0% phụ giá cộng thêm — thay đổi giá của nhà cung cấp có hiệu lực ở phía chúng tôi ngay trong ngày nó được áp dụng ở phía thượng nguồn, điều này quan trọng ở đây vì mức giá giới thiệu của Carbon hết hạn vào ngày 30 tháng 11 năm 2026 và tăng lên $4.00/$20.00. Gemini 4 Neon chưa có trong danh mục tính đến ngày 19 tháng 11 năm 2026, vì vậy đây không phải là khuyến nghị gọi nó thông qua chúng tôi; mà là phép so sánh bạn thực sự có thể chạy hôm nay, với mô hình mà Google đem ra đối chiếu với Neon trong gần như mọi đoạn trong thông báo của mình.
Nếu bạn đang thử nghiệm một mô hình chưa được chứng minh thay vì một mô hình đã biết, lớp định tuyến cũng là nơi ít tốn kém để giới hạn rủi ro: chuyển đổi dự phòng tự động nghĩa là một phiên chết giữa chừng — giống như bản dựng 3D arena đầu tiên đã làm — có thể được thử lại trên một mô hình khác mà không cần dựng lại harness, và DSL định tuyến cho phép bạn ghép một planner và một executor thành một lời gọi nếu bạn muốn tái tạo mẫu Orchestrator (Neon) mà không bị khóa vào giới hạn 512K của Antigravity.
Xem gì
Bằng chứng tiếp theo có thể giải quyết những câu hỏi còn bỏ ngỏ không phải là một luồng demo khác. Đó là nhật ký gọi công cụ từ một người chạy ở cài đặt High mặc định, trên một kho lưu trữ đủ lớn để chạm tới bất kỳ giới hạn ngữ cảnh nào đang áp dụng, được công bố với các lỗi vẫn còn nguyên. Khoảng cách 512K so với 1M là thứ cụ thể cần để mắt tới, vì sự khác biệt trong tài liệu tồn tại qua một chu kỳ phát hành thường là quyết định sản phẩm chứ không phải sơ suất — và nếu Antigravity cố ý giảm một nửa cửa sổ, thì đó là sự thật đáng biết trước khi bạn chuẩn hóa quy trình làm việc dựa trên nó.
Cho đến lúc đó, bản tóm tắt công bằng về Gemini 4 Neon trong Antigravity là thế này: một nhật ký công khai chi tiết, kéo dài qua mười ba phiên, cho thấy một mô hình viết nhiều hơn đọc, giao việc một lần mỗi phiên, sửa hoàn hảo ba chương trình nhỏ, tạo được tám bản demo tốt trong số mười bảy được tuyên bố, và chạy với khoảng một nửa ngữ cảnh mà API quảng cáo. Mỗi mệnh đề đó đều có thể kiểm chứng. Không điều nào trong số đó là một benchmark.
