標題卡寫著 Antigravity 中的 Gemini 4 Neon,副標題為 762 次工具呼叫、十三個工作階段、一個 512K 上限;上方三張卡片分別寫著 762 次工具呼叫、13 個工作階段,以及 Antigravity 中的 512K 上下文;底部註明工具呼叫數據由單一使用者的 Antigravity 日誌自行回報,2026 年 11 月 18 日;未經審計。
Guides & Insights

Antigravity 中的 Gemini 4 Neon:在 512K 上限下達成 762 次工具呼叫

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

十三個工作階段、762 次工具呼叫,以及一個在 Google 發布資料中完全找不到的數字:512,000。這是 Antigravity 自家文件給 Gemini 4 Neon 的上下文視窗,對比 Gemini API 以同一個模型、輸入 $3.00、輸出 $15.00 所販售的 1,048,576 個 token。這兩個數字都出自 Google,於同一週公布,而兩邊頁面都沒有提及彼此。工具呼叫紀錄出自 @kimmonismus 於 2026 年 11 月 18 日發布的實測串文;當時距離 Antigravity 的 Neon 貼文上線已過十三個半小時,距離 DeepMind 的貼文則過了三十五分鐘。也就是說,他描述自己擁有「早期存取」權限的模型,在他發布貼文時就已經全面開放了。

那個時機關乎該給這串討論多少份量,而不是它有沒有用。這是任何人發表過、關於 Gemini 4 Neon 持續從事代理式工作最詳盡的公開記述,而有趣的部分不是那些示範。有趣的是日誌的形態,它是一種可核對的算術,而「它建了 17 個互動式示範」則不是。

762 通電話,逐項拆解

發文者事後重新翻查了 Antigravity 的日誌,統計了那十三個工作階段中的每一次呼叫,且全部都是在 Extra High 思考等級下執行。這份細項是自行回報且未經稽核的:

• 檔案讀取 — 313

• 編輯次數 — 266

• 新建檔案 — 104

• Shell 指令 — 43

• 已啟動子代理 — 13 個

• 網路搜尋 — 2

• 其他通話,包括任務更新 — 21

那些加起來正好是 762,這是首先要檢查的事,也是第一件成立的事。除以十三,你會得到每個工作階段大約 58.6 次工具呼叫,這個數字離 Neon 在 Artificial Analysis Coding Agent Index 上拿到的 58.6 分近得可疑——這是巧合,但如果你試著把這兩個數字同時記在腦中,會是個令人難忘的巧合。

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.

更具資訊量的比例,是 Google 自己的定位邀請你去檢驗的那個比例。發布貼文聲稱 Neon「減少冗餘的檔案讀取」,並且「在長時間工作階段中可靠地處理上下文壓縮」。在這份日誌中,讀取佔 762 次呼叫中的 313 次,也就是 41%。寫入——266 次編輯加上 104 個新檔案,共 370 次呼叫——佔 48.6%。也就是每讀取一次就有 1.18 次寫入操作。一個在程式碼庫中亂竄、試圖定位東西的模型會呈現相反的比例;一個已經知道方向在哪裡的模型,讀一次就寫入。單一使用者的十三個工作階段並不是一般屬性的證據,但這正是該說法所預測的方向,而且這是該說法被實際驗證的唯一公開日誌。

最引人注目的兩個數字是子代理與網頁搜尋。十三個工作階段中出現十三個子代理,正好是每個工作階段一個——這是一貫的委派模式,而非偶一為之。762 次呼叫中只有兩次網頁搜尋,佔 0.26%;對於一個 Google 描述為指揮平行 Hydrogen 子代理的協調者模型而言,這樣的比例顯得異常向內。這次是針對本機程式碼的執行,而非研究,日誌也反映了這一點。

示範執行實際顯示的內容

十七個互動示範,其中八個已展示。這八個可見的示範涵蓋:一款有敵人波次、生命值、彈藥與換彈的 3D 競技場射擊遊戲;一款名為 Solaris Trench 的軌道射擊遊戲;一款名為 Terra Breaker 的可破壞體素競技場,在瀏覽器測試中穩定維持每秒 60 幀;一款名為 Aero Canyon 的穿越峽谷噴射機遊戲,有十二道閘門和儲存的最佳時間;一款有拉桿和發球器的物理益智遊戲;一場粒子場燈光秀;一次可調整重力透鏡效果的黑洞飛掠;以及一個可點擊的太陽系。

未展示的那九個,是這串討論中無法評估的部分;而對「17 個 demo」的誠實解讀是:這是一項關於數量的主張,並附上八個樣本。這八個樣本確實能證明的是廣度:單一模型在一次作業中產出 WebGL 場景、物理、音訊驅動的視覺效果與 UI 狀態管理,品質達到業餘愛好者會發佈的水準。即使數量無法查核,這仍是真實的能力訊號。

發文者回報的失敗模式比成功案例更有用,因為它們很具體。3D 競技場的第一次建置「因伺服器錯誤而中斷」,需要再跑一次才完成——這是基礎設施故障,不是模型故障,但耗掉了一整次嘗試。Neon 為 Aero Canyon 加了從未被要求的自動駕駛模式,發文者指出這是未經要求的範圍擴張。他後來只測試了自動駕駛,所以即使是他自己打造的 demo,手動飛行品質仍未知。太陽系專案推出時搭載過時的衛星數量,且只在他指出後才更正為 JPL 的現行數字;尺寸與軌道仍未按比例呈現。

最後一則貼文是整個討論串中最有意思的資料點,因為它清楚展示了任務中途的修正:一個事實錯誤經使用者指出後,在後續回覆中被修正。Google 聲稱 Neon 在 Arena 新推出的 Agent Arena Index 中,於可操控性方面排名第二。單一軼事無法證實排行榜名次,但這正是該排行榜聲稱要衡量的行為,而且是在真實環境中觀察到的。

三個錯誤修正,自我評分

程式設計部分包含三個附有現有測試套件的損壞程式,每個都由發文者本人修正並驗證,而不是依據模型自己的報告。

• 預訂檢查器 — 之前 5 項測試中有 1 項通過,之後 5 項全部通過。

• 工作排程器 — 之前 14 項檢查中有 8 項,之後 14 項檢查中有 14 項。

• {{1}}非同步載入器{{/1}} — 之前 16 項檢查中通過 10 項,之後 16 項全數通過。

總計:之前 35 項中有 19 項通過,之後 35 項全數通過,也就是從 54.3% 到 100%。滿分才是該起疑的數字,而誠實的保留意見全都落在樣本上,而非結果上。三個程式就是三個程式。測試套件是既有的,這排除了明顯的失效模式:模型寫測試來配合自己的修正;但這並沒有排除選擇偏誤:這些是原發文者選擇帶來的程式,而一個解決了可見失敗的修正,仍可能以測試套件未涵蓋的方式出錯。這次執行確實顯示的是,模型在修正時沒有造成任何回歸——35 項全數通過意味著先前通過的測試持續通過,而這才是實務上真正會造成問題的失效模式。

Antigravity 給 Neon 的是 512K,而不是 1M

現在來看一個不在這串討論裡、而且應該會改變你如何解讀其餘內容的數字。Antigravity 的模型文件在 Gemini 4 Neon 條目上,將上下文視窗標示為「最多 512K 個 token」。同一模型的 Gemini API 文件則標示統一的 1,048,576 個 token 視窗,而 Artificial Analysis 將該模型列為 1,000,000。相同的權重、相同的費率表,上下文卻只有大約一半,取決於你從哪個介面呼叫它。

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 尚未針對這段落差發表任何解釋,而本文也不會憑空編造一個。可以驗證的是,這兩個數字都仍然有效、都出自 Google,而且都掛在同一個模型代碼 gemini-4-neon 之下。實際後果很直接:如果你對 Neon 的評價是「它能把大型 monorepo 放進上下文裡」,那麼這個評價會因你使用的介面而異。一個 60 萬 token 的儲存庫在 API 中放得下,在 Antigravity 中卻放不下。如果你要在兩者之間做選擇,請在你實際部署的介面上進行測量,因為兩者的上限並不一樣。

Antigravity 其餘的情況較為常規。在所有包含 Neon 的方案中,Neon 都是新對話的預設模型——包括付費的 Google AI Pro、Google AI Ultra 與 Gemini Enterprise;Free 或 Google AI Plus 則不包含。思考階梯依序為 Low、Medium、High(預設)與 Extra,而 CLI 會將它們拼寫為low、medium、high 與 xhigh;使用時可透過--model gemini-4-neon-xhigh 或 --effort xhigh。該討論串全程以 Extra High 執行;這是 Google 本身用於其招牌 Intelligence Index 數據的設定,也是 API 文件建議保留給困難多步驟問題的設定。

這值得標記為資料來源上的不對稱,而非缺陷。流通中的幾乎每一個 Neon 基準測試數字——61.4 的 Intelligence Index、58.64 的 Coding Agent Index——都是 xhigh 數字。大多數人會以模型預設的 High 來執行。Artificial Analysis 確實兩者都公布,而預設數字是 59.6,比主要標題數字整整低三分。一份在 xhigh 下的 762 次呼叫日誌能告訴你天花板長什麼樣子;但它不會告訴你預設配置會花費多少或得分多少。

討論串過度延伸之處

討論串中有三項主張所發揮的作用超出了證據所能支持的程度,值得把它們點名指出,因為它們將會被一再重複。

「搶先使用」這個說法最清楚。Antigravity 自己關於 Neon 的部落格文章於 2026 年 11 月 18 日 08:00 UTC 發布;DeepMind 的發布文章在 21:00 UTC;該討論串在 21:35 UTC。無論發文者當天早些時候取得了什麼使用權限,他發表的文章都是在全面開放之後才上線,把它讀成發布前的預覽會是個錯誤。這並不表示那些觀察是錯的。這確實意味著「我取得了搶先使用權」正在發揮修辭作用,而時間戳並不支持這一點。

其次,「17 個互動示範」是一項數量宣稱,卻只附上八件展品。已展示的八件確實琳瑯滿目,也確實能運作,這才是真正有用的部分。未公開的九件無從查核,而無論對那八件交代得多詳細,都填補不了這個缺口。

第三,35/35 的修復結果是關於三個程式的結果。這種數字常被引用成「Neon 能修好你交給它的所有東西」,但正確的解讀更狹窄:在三個預先損壞、且已有測試套件的程式上,它解決了每一個失敗的檢查,且沒有破壞原本通過的檢查。這是個好結果,也是個小樣本,而這句話的兩半必須一起呈現。

有一項佐證值得注意。Google DeepMind 的技術團隊成員 Patrick Loeber 在該討論串中回覆:「很棒的討論串,感謝你用這個來開發並分享你的回饋!!」這並不構成對其中任何數字的驗證。這只是一位 Google 員工承認這次執行確實發生過,而這已經比大多數動手實作的討論串所能得到的還要多。

自己試試看要花多少費用

這類實地測試的經濟效益並不光鮮,卻具有決定性。以每百萬輸入 token 3.00 美元、每百萬輸出 token 15.00 美元的價格來看,一場大量重用上下文、包含 762 次呼叫的工作階段,並不是 5 美元的實驗——輸出端(包括思考 token)占主導地位,而 xhigh 會使其倍增。Google 自己的說法是,Neon 在其預設 High 設定下,每項任務的成本比 Gemini 4 Carbon 低約 32%(廠商回報,未經獨立重現);而 xhigh 設定則適用於 High 不足以解決的問題。當你原本是在評估預設行為時,卻以 xhigh 執行示範套件,等於花費決策所需的好幾倍。

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.

執行這項評估更便宜的做法,是先固定介面與思考層級,再變動模型。在我們這邊目錄目前收錄google/gemini-4-carbon與google/gemini-4-argon,兩者皆按供應商的 $2.00 與 $10.00 定價,外加 0% 加價——供應商費率變更在上游生效當天,我們這邊就會同步生效;這在這裡很重要,因為 Carbon 的導入期費率於 2026 年 11 月 30 日到期,並調升至 $4.00/$20.00。截至 2026 年 11 月 19 日,Gemini 4 Neon 尚未收錄於目錄中,因此這不是建議透過我們呼叫它;這是你今天實際能進行的比較,比較對象是 Google 在其公告幾乎每一段都拿來與 Neon 對標的模型。

如果你測試的是未經證實的模型,而非已知模型,路由層也是限制風險的低成本位置:自動容錯移轉意味著執行中途終止的工作階段——就像第一個 3D 競技場建置那樣——可以在不同模型上重試,而無需重建測試框架;此外,路由 DSL 讓你能將規劃器與執行器組合成一次呼叫,如果你想重現 Orchestrator(Neon)模式,又不想被鎖定在 Antigravity 的 512K 上限,這就很方便。

有什麼好看

下一個足以釐清這些未解問題的證據,不是另一則示範討論串,而是某人在預設 High 設定下、於大到足以觸及任何適用上下文上限的儲存庫上執行時所產生的工具呼叫日誌,並且保留失敗案例一併公開。特別要留意的是 512K 與 1M 之間的落差,因為文件不一致若歷經一個發布週期仍存在,通常是產品決策而非疏漏——而如果 Antigravity 是刻意把視窗砍半,那麼在把工作流程標準化建立在它之上前,這就是值得知道的事實。

直到那時,對 Antigravity 中 Gemini 4 Neon 的公正總結是:一份詳盡的公開日誌,深入十三個工作階段,顯示出一個寫得比讀得多的模型,每個工作階段委派一次,完美修好三個小程式,在聲稱的十七個示範中做出八個好示範,並以約 API 所宣稱的一半上下文運行。上述每一句都可查證。但沒有一句是基準測試。