一张生成的标题卡,上面写着“Gemini 4 Neon Video”,副标题为“一次产物导出,而非一次生成”,一个胶片条图标标注为“60.03 s · 1920×1080 · 2026年11月21日”,以及一个浏览器窗口图标标注为“场景是 HTML、CSS 和 JS”,并有一个标有 MP4 的箭头指向一个文件图标。
Guides & Insights

Gemini 4 Neon Video:产物导出,而非生成

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

2026 年 11 月 21 日 UTC 08:07,账号 @dotey——X 上的宝玉——发布了一段 60.03 秒、1920×1080 的片段,其上方只有一行中文:做视频效果也不错,大致意思是“它在视频方面也不错”。片段主角是 G​emini 4 Neon,G​oogle 一周前刚发布的模型;句子下方的链接指向一个名为 open-artifact 的开源项目,帖子中将其描述为视频制作 Artifact(技能)。我们在 11 月 22 日查看时,该片段有 230 个赞和 76 条回复。它看起来像一件制作精良的动效设计作品。

这不是生成的视频。G​oogle 自己为 G​emini 4 Neon 编写的模型文档只列出一种输出类型,而且仅此一种——文本——而由它产出的那部影片其实是一个程序:用 HTML、CSS 和 JavaScript 按时间函数绘制的场景,再加上合成配乐,由本地网页渲染,并通过该网页的导出按钮导出为 MP4。这一区分并非吹毛求疵。它改变了模型擅长什么、二次剪辑的成本,以及你买到的究竟是一个渲染器还是一个写作者。

帖子实际说的是什么

该说法的全部公开记录只有一句话标签和一段 60 秒的附件。没有提示词,没有场景数,没有思考等级,没有 token 数,也没有说明影片是出自 API、Google AI Studio、Antigravity 还是其他东西。帖子甚至没有说这段片段是用它链接的技能制作的——它把该技能呈现为做这类工作的方式,并用这段片段作为值得关注的理由。应把它看作附有演示的推荐,而不是一次测试。

在权衡这个推荐之前,有一件事值得了解。这个代码仓库只有五天历史:GitHub 记录显示它创建于 2026 年 11 月 17 日,撰写本文时有 135 个星标和 25 个 fork,采用 Apache-2.0 许可证,并于 11 月 21 日——也就是那篇帖子发布的同一天——发布了 0.12.2 版本。它的 README 说它最初名为 baoyu-design,而许可证部分中的署名行写着“Copyright 2026 Jim Liu 宝玉”。这正是发帖账号用作显示名称的那个宝玉。所以,告诉你 Neon 在这方面很擅长的人,展示的是一个版权行上带着自己名字的工具。这并不会让演示变假。但它确实让这成为制作者的演示,而诚实的解读是:它展示的是这套流水线在熟练者手中能产出什么,而不是普通提示词第一次尝试能产出什么。

模型卡上写着输出:文本

Google's Gemini API models page showing the Gemini 4 Neon card with model code gemini-4-neon, a 1M-token context, a 64K maximum output and a modalities line reading Text, Image, Audio, Video, PDF, plus a Try in AI Studio button.

G​oogle 于 2026 年 11 月 18 日推出 G​emini 4 Neon,每百万输入 token 收费 3 美元,每百万输出收费 15 美元,缓存输入为 0.15 美元。发布文章称其能够读取电子表格、PDF、图表、音频和视频。模型页面则更进一步,明确了发布文章未说明的问题:在“支持的数据类型”下,它列出“输入:文本、图像、视频、音频和 PDF”,随后另起一行列出“输出:文本”。同一页面还将音频生成标记为不支持。上下文为 1,048,576 个 token,默认输出 65,536 个 token,使用长解码时最多可达到完整的 100 万 token。

这种不对称正是困惑的起点。视频是这个模型观看的对象,而不是它制作的内容。同一文档站点上的卡片视图则更宽松——它印着“模态:文本、图像、音频、视频、PDF”,却没有说明哪个方向对应哪个——扫过这行字的读者很可能会合理地得出 Neon 能输出视频的结论。它并不能。在 G​oogle 自己的技术栈中,生成帧属于另一条模型线;Neon 对动态画面的贡献,是绘制它的代码。

文本模型如何生成一部电影

open-artifact 内部的 motion artifact 类型明确说明了其机制。一部影片就是一个由小型 JSON 文档组成的文件夹:包含舞台尺寸和帧率的场景列表、每个场景一个根据时间变量 t 绘制该场景的 JavaScript 模块、一个合成音乐和音效的配乐模块,以及一个可选的用于字幕和配音的旁白模块。模型不会将任何内容渲染为视频。本地页面会像浏览器播放页面一样播放这些文档,而 Export 会将这次播放转换为文件。

该技能自身的文档对分工直言不讳,而如果你正在决定是否尝试它,真正重要的正是这些细节:

• 时长——影片时长为 10 到 30 秒,除非你要求更长,硬性上限为 300 秒。帖子中的片段为 60.03 秒,所以其作者要求了更长时长。

• 导出 — 默认导出 720p 或 1080p 的 MP4,帧率可为完整、一半或四分之一,另支持 GIF、HTML 和 ZIP。附件为 1920×1080,即非默认选项。

• 谁来写文件——指令要求智能体完全不要生成任何视频或音频文件。导出是页面的职责,而用于检查场景的静帧由无头 Chrome 绘制。

• 安全护栏——单个场景不短于一秒,每秒最多三次切换或闪光,并且任何字幕都来自本人提供的台词,而不是模型编造的台词。

于是按顺序发生三件事:模型写一个小程序,浏览器把它绘制出来,编码器——该项目发布了用于 GIF 和 MOV 编码的 Rust/WebAssembly crate——写入容器。只有第一步涉及 G​emini 4 Neon。一部带配乐的 60 秒 1080p 影片,对单个模型来说,要在少数几轮中写对,是相当可观的代码量,这确实是真正的赞美。这是对软件工程的赞美,而这正是 Neon 公布的数据最强的地方。

Neon 价格表上一部电影要多少钱

Artificial Analysis model page for Gemini 4 Neon showing an Intelligence Index of 61, output speed of 106 tokens per second, 22.3 minutes and $6.44 per index task, $3.00 input and $15.00 output per million tokens, and an output modality row reading only T.

帖子没有披露 token 用量,所以以下只是按 Google 的标价做的算术推算,而非实测。一部十个场景的影片意味着很长的首轮、针对文档存储的多轮读写,以及模型检查自己场景时相当多的重读。按一部可用的影片算 150,000 个输入 token 和 25,000 个输出 token:输入按每百万 3 美元计为 0.45 美元,输出按每百万 15 美元计为 0.375 美元,合计约 83 美分。更精简的一遍为 40,000 输入和 8,000 输出,合计 24 美分。缓存输入才是数字真正变化的地方——按每百万 0.15 美元计,120,000 个缓存输入 token 花费约两美分,而不是 36 美分,整个运行降到 50 美分以下。

将此与独立测试中该模型每项任务的成本对比。Artificial Analysis 在其 Intelligence Index 上给 G​emini 4 Neon 打出 61 分(xhigh 努力程度下),输出速度为每秒 106 个 token,每项 Intelligence Index 任务耗时 22.3 分钟、花费 6.44 美元。一部影片比一项 Intelligence Index 任务更便宜,这正是这里有用的意外之处:这个工作流中昂贵的部分不是影片,而是迭代。

而迭代正是经济学发生反转的地方。按秒计费的视频模型会对每一次生成收费;代码绘制的影片只对编写它的 token 计费,渲染则不花任何费用。改一个颜色、重新导出,你花费的 token 为零——成本是你自己的 CPU,以及无头 Chrome 绘制 1,800 帧所需的任意长时间。这与生成式视频确实是一条不同的成本曲线,也是支持这篇文章的最有力论据,而文章本身并未提出这一点。

直说吧:G​emini 4 Neon 不在我们的目录中。OrcaRouter 确实提供的两款 G​emini 4 模型是 Gemini 4 Argon 和 Gemini 4 Carbon,两者均按供应商标价每百万输入 $2.00、输出 $10.00,且不额外加价——这正是读者真正需要的对比,因为 Carbon 是 Neon 定价所对标的模型,而 Argon 是在你决策期间运行同一产物循环的更便宜方式。两者都通过同一个密钥访问,因此,一个在运行中途超时的代码编写会话可以故障转移,而无需第二份合同或修改代码。

该主张最薄弱之处

怀疑论论证的最强版本并不是说这段片段是假的——流水线是公开的,机制也有文档记录,所以任何人都能复现它的形态。而是说,一部由代码绘制的好电影,是戴着导演帽子的编程基准测试,而这个模型的编程分数已经是它最好的分数。根据 G​oogle 自己的报告,Neon 在 Coding Agent Index 上为 58.6,在 Terminal-Bench 4.1 上为 65.2%,因此“擅长制作电影”可能主要是“擅长编写动画代码”,这一点我们早已知道,而且它并不能泛化到代码写得更差的模型。

在阅读完所有可用内容后,仍存在三个具体的缺口:

• 归因——未披露任何设置,且 60 秒的运行时长和 1080p 分辨率都偏离了该技能的默认值,因此有人做出了我们无法看到的选择。

• 选择 — 一个片段是精彩片段,而创作者的演示由创作者选择。没有失败率,没有首次尝试示例,也没有与 Carbon 上相同提示词的对比。

• “好”意味着什么——视觉质量在一定程度上归功于模板和技能的设计规则,而不是模型。换成脚手架更弱的另一种产物类型,对模型的抬举就会更少。

这些都不足以取消资格,而且这一点是双向的:代码绘制的影片也具有扩散渲染所不具备的可审计性。如果某一帧出了问题,问题就出在一个你能读取的文件和一行你能指出的代码里。

如何自己尝试

这条路径短到一段话就能说清。项目需要 Node 22.18 或更高版本,通过 GitHub Releases 发布插件包,并将 Antigravity 列为其支持的宿主之一——用 agy plugin install 安装解压后的文件夹,或将其复制到 ~/.gemini/config/plugins/open-artifact,然后重启。这恰好也是这样一个宿主:在包含 G​emini 4 Neon 的套餐中,它是新对话的默认模型,因此两者无需配置就能衔接。第一个提示词就是一句话:为这个应用做一个二十秒的发布动画,或者为那个项目做一张标题卡。然后,在花任何成本导出之前先看静帧,这正是该技能本身推荐的工作流。

在相信这篇帖子之前,先做一次,并且关注两个数字而不是画面:第一个场景正确绘制需要多少轮,以及输入账单中有多少来自缓存读取。这些会告诉你这个循环对你的工作来说是否成本低。视频片段告诉你这是可能的;只有你自己的 token 数才能告诉你它是否值得。

A generated scoreboard for Gemini 4 Neon with six rows: output text only; video input yes, video output no; price $3.00 input and $15.00 output per million tokens; $6.44 per Artificial Analysis index task; default film length 10 to 30 seconds; export MP4 at 720p or 1080p.

悬而未决的问题不是 G​emini 4 Neon 能否最终出现在视频文件里——它显然可以,通过它自己编写的程序就能做到。问题在于 G​oogle 是否把这当作一等输出。眼下,产物层是第三方的,导出是本地页面的职责,而模型文档中记录的输出是文本。如果这一点改变,对这段视频的诚实定位也会随之改变:从对编程模型的一次巧妙运用,变成功能清单上的一项。在那之前,值得反复说的赞美是更窄的那个——Neon 写动画代码写得足够好,以至于构建这套工具的人选择用它来展示成果。