
Antigravity 中的 Gemini 4 Neon:512K 上限下的 762 次工具调用
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 188 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 205 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 124 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 110 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
十三场会话、762 次工具调用,以及一个在 Google 发布材料中任何地方都找不到的数字:512,000。这是 Antigravity 自家文档为 Gemini 4 Neon 给出的上下文窗口,而 Gemini API 以输入 3.00 美元、输出 15.00 美元的价格为同一模型售卖的是 1,048,576 个 token。两个数字都出自 Google,在同一周发布,且两个页面都没有提到对方。工具调用日志来自 @kimmonismus 于 2026 年 11 月 18 日发布的一条实测帖;此时距 Antigravity 的 Neon 博文上线已过去十三个半小时,距 DeepMind 的博文上线已过去三十五分钟——也就是说,他声称拥有“早期访问”权限的那个模型,在他点击发布时就已经全面可用了。
那个时间点关系到该给这条讨论串多少权重,而不关系到它是否有用。这是任何人公开发表过的、关于 Gemini 4 Neon 持续进行智能体工作的最详细公开叙述,而有趣的部分不是那些演示。有趣的是日志的形态:它以一种“它构建了 17 个交互式演示”所不具备的方式,成为可核验的算术。
762 通电话的明细
事后,发帖者翻查了 Antigravity 的日志,统计了这十三个会话中的每一次调用,这些会话全部在 Extra High 思考级别下运行。以下是自行报告且未经审核的明细:
• 文件读取 — 313
• 编辑 — 266
• 已创建新文件 — 104
• Shell 命令 — 43
子代理已生成 — 13
• 网络搜索 — 2
• 其他通话,包括任务更新 — 21
这些数相加正好等于 762,这是首先要检查的地方,也是首先成立的地方。除以十三,每次会话大约得到 58.6 次工具调用;这个数字与 Neon 在 Artificial Analysis Coding Agent Index 上得到的 58.6 分近得令人起疑——这是巧合,但如果你想同时记住这两个数字,这会是个令人难忘的巧合。

更具信息量的比率,是 Google 自身定位邀请你去检验的那个比率。发布文章声称 Neon“减少了冗余的文件读取”,并“能在长会话中可靠地处理上下文压缩”。在这份日志中,读取为 762 次调用中的 313 次,占 41%。写入——266 次编辑加 104 个新文件,共 370 次调用——占 48.6%。也就是每 1 次读取对应 1.18 次写入操作。一个在代码库中四处折腾、试图定位东西的模型会呈现出相反的比率;一个已经知道自己要去哪里的模型,读一次就写。单个用户的十三个会话并不能证明某种普遍属性,但它符合该说法所预测的方向,而且这是该说法被实际检验的唯一公开日志。
最奇怪的两个数字是子代理和网络搜索。十三个会话中共有十三个子代理,正好每个会话一个——这是一种一致的委派模式,而不是偶尔为之。762 次调用中只有两次网络搜索,占 0.26%;对于 Google 所描述的、负责指挥并行 Hydrogen 子代理的编排器模型来说,这显得异常向内。这是一次针对本地代码的运行,而非研究,日志也反映了这一点。
演示运行实际展示的内容
十七个交互式演示,其中八个已展示。这八个可见演示包括:一款带有敌人波次、生命值、弹药和换弹机制的 3D 竞技场射击游戏;一款名为 Solaris Trench 的轨道射击游戏;一款名为 Terra Breaker 的可破坏体素竞技场,在浏览器测试中稳定保持 60 帧每秒;一款名为 Aero Canyon 的驾驶喷气机穿越峡谷游戏,设有十二道门并保存最佳用时;一款带有杠杆和球体发射器的物理谜题;一场粒子场灯光秀;一次可调节引力透镜效果的黑洞飞掠;以及一个可点击的太阳系。
未展示的那九个是这条讨论串中无法评估的部分,而对“17 个演示”的坦率解读是:这是一个关于数量的说法,并附有八个样本。这八个样本确实能证明的是广度:单个模型在一次会话中生成 WebGL 场景、物理效果、音频驱动的视觉效果以及 UI 状态管理,质量达到爱好者会发布的水准。即使数量无法核实,这也是一个真实的能力信号。
发帖者报告的失败模式比成功案例更有用,因为它们很具体。3D 竞技场的首次构建“因服务器错误而中断”,需要第二轮才能完成——这是基础设施故障,不是模型故障,但代价是整整一次尝试。Neon 给 Aero Canyon 加了一个从未被要求的自动驾驶模式,发帖者指出这是未经请求的范围扩展。随后他只测试了自动驾驶,因此即便是他构建的演示,手动飞行质量仍然未知。太阳系交付时带着过时的卫星数量,而且是在他指出之后才更正为 JPL 当前的数据;尺寸和轨道仍未按比例呈现。
最后那一个是整个讨论串中最有趣的数据点,因为它清晰地展示了任务中途的纠正:一个被用户标记出的事实性错误,在后续回复中得到修正。Google 声称,在 Arena 新的 Agent Arena Index 中,Neon 在可引导性(steerability)上排名第二。一个轶事并不能证实某个排行榜位次,但它确实是该排行榜声称要衡量的行为在真实环境中的一次观察。
三项缺陷修复,自评
编码部分包含三个有缺陷的程序,它们已有现成的测试套件;每个程序都由发帖人自己修复并随后验证,而不是依据模型自己的报告。
• 预订检查器 — 之前 5 项测试中有 1 项通过,之后 5 项全部通过。
• 任务计划程序 — 之前 14 项检查中通过 8 项,之后 14 项检查全部通过。
• 异步加载器 — 之前 16 项检查中有 10 项通过,之后 16 项全部通过。
汇总:之前 35 个中通过 19 个,之后 35 个中通过 35 个,或者说从 54.3% 到 100%。满分才是值得怀疑的数字,而诚实的保留意见都落在样本上,而不是结果上。三个程序就是三个程序。测试套件是预先存在的,这消除了一个显而易见的失败模式:模型编写测试来匹配自己的修复;但它并没有消除选择偏差:这些是发帖者选择带来的程序,而一个解决了可见失败的修复,仍可能以测试套件未覆盖的方式出错。这次运行确实表明的是,模型在修复时没有造成任何回归——35 个中通过 35 个意味着之前通过的测试仍然通过,而这才是实践中真正会咬人的失败模式。
Antigravity 给 Neon 的是 512K,而不是 1M
现在说一个不在讨论串里、并且应该改变你如何理解其余内容的数字。Antigravity 的模型文档在 Gemini 4 Neon 条目中,将上下文窗口写为“最高 512K tokens”。同一模型的 Gemini API 文档则写明统一的 1,048,576 token 窗口,而 Artificial Analysis 为该模型列出的是 1,000,000。相同的权重,相同的价目表,上下文却大约只有一半——取决于你从哪个接口调用它。

谷歌尚未就这一差距发布任何解释,本文也不会凭空编造一个。可以确证的是:这两个数字都是现行有效的,都出自谷歌,并且都附在模型代码 gemini-4-neon 上。实际后果很直接:如果你对 Neon 的评价是“它能把一个大型 monorepo 装进上下文”,那这个评价取决于你所使用的入口。一个 600,000 token 的代码仓库能装进 API,却装不进 Antigravity。如果你要在这两者之间做选择,请在你实际要交付的入口上去测量,因为两者的上限并不相同。
Antigravity 的其余情况则更为常规。在所有包含它的方案中,Neon 都是新对话的默认模型——付费的 Google AI Pro、Google AI Ultra 和 Gemini Enterprise 均包括在内。它不在 Free 或 Google AI Plus 上提供。思考档位依次为 Low、Medium、High(默认)和 Extra,CLI 将它们分别写作 low、medium、high 和 xhigh,通过 --model gemini-4-neon-xhigh 或 --effort xhigh。该线程全程以 Extra High 运行,这正是 Google 自身用于其标志性 Intelligence Index 数值的设置,也是 API 文档建议保留给困难的多步骤问题的设置。
这更值得作为来源不对称的问题标注出来,而不是当作缺陷。市面上流传的几乎每一个 Neon 基准数字——61.4 的 Intelligence Index、58.64 的 Coding Agent Index——都是 xhigh 档的数字。而大多数人会以默认的 High 档运行该模型。Artificial Analysis 确实把两者都公布了,默认档的数字是 59.6,比头条数字整整低三个点。一份 xhigh 档下 762 次调用的日志能告诉你天花板长什么样;但它不会告诉你默认配置会花多少钱、拿多少分。
讨论串越界之处
该讨论串中的三项主张所承载的分量超出了证据所能支持的范围,值得点名指出,因为它们还会被一再提起。
“早期访问”这一说法是最清楚的。Antigravity 自己关于 Neon 的博客文章发布于 2026 年 11 月 18 日 08:00 UTC;DeepMind 的发布帖发布于 21:00 UTC;讨论帖发布于 21:35 UTC。无论发帖人在当天早些时候拥有什么访问权限,他发表的那篇文章都是在正式全面开放之后才上线的,把它当作发布前预览来读会是错误的。这并不意味着那些观察是错的。但这确实意味着,“我获得了早期访问权限”是在承担时间戳并不支持的修辞作用。
其次,“17 个交互式演示”是一项数量声明,却只附了八个展示项。展示出来的这八个确实多样,也确实可用,这才是有用的部分。被隐去的九个无法审计,而且无论对这八个提供多少细节,都无法弥合这一缺口。
第三,35/35 的修复结果实际上只是关于三个程序的结果。这种数字很容易被引用成“Neon 能修复你交给它的一切”,但正确的解读范围要窄得多:在三个预先损坏且已有测试套件的程序上,它解决了所有失败的检查,同时没有破坏原本通过的检查。这是个好结果,但样本也很小,而这句话的两半必须一起呈现。
有一条佐证值得注意。Google DeepMind 的技术团队成员 Patrick Loeber 在该讨论串中回复道:“讨论串不错,感谢基于它进行构建并分享你的反馈!!”这并不是对其中任何数字的核实。它只是一位谷歌员工承认这次运行确实发生过,而这已经比大多数实操类讨论串所能得到的更多了。
自己尝试一下需要多少成本
这类实地测试的成本账并不光鲜,却具有决定性。按每百万输入 token 3.00 美元、每百万输出 token 15.00 美元计算,一个大量复用上下文、包含 762 次调用的会话并不是一场 5 美元的实验——输出侧(包括思考 token)占了大头,而 xhigh 又会把它成倍放大。谷歌自己的说法是:Neon 在其默认 High 设置下,每任务成本比 Gemini 4 Carbon 低约 32%(厂商自报,未经独立复现),而 xhigh 设置适用于 High 表现不足的问题。当你原本是在评估默认行为时,却用 xhigh 跑一套演示,就等于把花费推高到决策实际所需金额的数倍。

运行这项评估更省钱的方式,是先固定评估面(surface)和思考级别,然后再改变模型。在我们这边,目录目前收录了google/gemini-4-carbon和google/gemini-4-argon,两者均按提供商 $2.00 和 $10.00 的标价、在此基础上加价 0% 提供——供应商费率一旦在上游生效,我们这边当天就会同步生效;这一点在这里很重要,因为 Carbon 的推广费率将于 2026 年 11 月 30 日到期,并上调至 $4.00/$20.00。截至 2026 年 11 月 19 日,Gemini 4 Neon 尚未列入目录,因此这并不是建议通过我们来调用它;这是你今天实际可以运行的对比,对照的是 Google 在公告几乎每一段中都用来与 Neon 做基准比较的模型。
如果你测试的是尚未验证的模型,而不是已知模型,那么路由层也是低成本控制风险的地方:自动故障转移意味着运行中途中断的会话——就像第一次 3D arena 构建那样——可以在另一个模型上重试,而无需重建测试框架;并且,如果你想复现 Orchestrator (Neon) 模式,又不想被 Antigravity 的 512K 上限锁死,路由 DSL 可以让你把规划器和执行器组合成一次调用。
看什么
下一个能真正解决这些悬而未决问题的证据,并不是又一个演示帖,而是一份工具调用日志:它来自某人在默认的 High 设置下、在一个大到足以触及相应上下文上限的代码库上运行所留下的记录,并且发布时把失败也原样保留。512K 与 1M 之间的差距正是需要特别关注的地方,因为一个能挺过整个发布周期的文档不一致,通常是有意的产品决策,而非疏忽——而如果 Antigravity 是故意把窗口减半,那么在你把某个工作流标准化建立在其之上以前,这就是一个值得了解的事实。
在此之前,对 Antigravity 中 Gemini 4 Neon 的公平总结是这样的:一份详尽的公开日志,涵盖十三个会话,展示了一个写得比读得多的模型,每个会话委托一次,完美修复三个小程序,在声称的十七个演示中做出八个不错的演示,并且运行时的上下文大约只有 API 所宣传的一半。这其中每一个分句都可核查。但没有一个是基准测试。
