各厂语言模型

谷歌把「够聪明」和「够便宜」缝到了一起：Gemini 4 Hydrogen 用三分之一的价钱，跑赢了自家更大的 Argon

2026年11月13日2 次阅读
谷歌把「够聪明」和「够便宜」缝到了一起：Gemini 4 Hydrogen 用三分之一的价钱，跑赢了自家更大的 Argon

3分钟看懂：这次发布到底变了什么

Google 在 11 月 12 日发布了 Gemini 4 Hydrogen，这是 Gemini 4 家族的第三款模型，定位很明确：接替 Gemini 3.8 Flash，做「日常干活」的那一档。

三个数字先记住：输入每百万 token 收 1.50 美元、输出每百万 token 收 7.50 美元；上下文窗口 100 万 token，输出最多也能到 100 万；在 Google 自己的测试里，同样档位下它完成任务的速度是 3.8 Flash 的 2.5 倍。

最反常的一点是：Google 自己在博文里写明，Hydrogen 在 Artificial Analysis 智能指数的默认档拿到 51 分，比自家更大、更贵的 Gemini 4 Argon（50 分）还高。一款「小快省」的模型，在自己家的榜上赢了「大而慢」的那款，这在半年前还是不太会发生的事。

需要先说清楚：Google 官方公布的是自家跑分，独立评价来自 Artificial Analysis 与各家媒体转述。本文后半段关于「它哪里其实没那么强」的部分，基于多家媒体转述整理，并已标注哪些是 Google 口径、哪些是第三方口径。

它到底改了什么：跟 3.8 Flash 的正面差距

Gemini 3.8 Flash 是过去大半年里开发者用得最多的那一档，所以 Hydrogen 的参照系就是它。Google 给出的对比是：

  • Terminal-Bench 4.1 从 18.2% 涨到 57%，这是三倍多的提升，不是挤牙膏。
  • 编造内容（hallucination）减少 5 倍以上，官方说法是「宁可说缺信息，也不猜」。
  • 工具调用失败、搜索返回空结果时，模型能自己换路径重试，而不是把错误一路传下去。
  • 读文件、搜索这类动作从「一个个来」改成并行批量发起。合作方在复杂图谱、SQL、数据密集的企业工作流里实测快 2 到 2.8 倍，同时少用 12% 到 23% 的 token。

最后一条其实是这次最实用的改动。之前用 Agent 跑仓库级任务，时间大头不在模型「想」，而在它一个一个读文件。批量并行读，等于把等待的时间砍掉了。

100 万上下文不是噱头，但要看懂它是「共用一口锅」

Hydrogen 的上下文窗口是 1,048,576 个 token，关键在于它是输入、思考、输出三者共享同一个额度，而不是「输入 100 万 + 输出另算」。

这带来两个直接后果：

  • 单次同步请求的默认输出上限是 65,536 个 token。想吐更长的东西，必须显式打开 background 后台执行，或者用 SDK 的客户端续写，才能一路走到 100 万。
  • 非流式的单跳上限也是 65,536。这个数字比 Carbon 和 Argon 的 32,768 高一倍，从它们迁过来的程序不用改也能多吐一倍。

还有一个坑：Hydrogen 只支持隐式缓存，不支持显式缓存。也就是说，以前用 cachedContents 或 caches.create 手动挂缓存的那套代码，迁过来会直接失败，必须把这些字段删掉。隐式缓存在 prompt 超过 4,096 token 时自动生效，命中后输入部分打 5% 的折扣（缓存价 0.075 美元 / 百万 token）。

四个思考档，多出来的是 xhigh

Hydrogen 有四个思考档位：low、medium、high、xhigh。默认是 high，这是新增的档位设计——Carbon 和 Argon 默认是 medium，最高只到 high。

也就是说，从 3.8 Flash 迁过来的业务，如果不改任何参数，默认就跑在比以前更深、更慢、更贵的档位上。要省钱得主动降到 medium，而要拿最高分则要显式写 xhigh。

另外两个变化要注意：老的 minimal 档在 Hydrogen 上会直接报错；temperature、top_p、top_k 这三个采样参数仍在接口里，但服务端会忽略你传的值。把「调温度」当调参手段的习惯，在这个模型上要换掉了。

独立评测说了不好听的那一半

Google 的官方数字好看，但 Artificial Analysis 的独立测试提供了另一半画面（以下数据基于多家媒体转述整理，原始出处为 Artificial Analysis 的公开评测）：

  • 默认 high 档 51 分，确实略低于 GPT-6.1 Sol 的 xhigh 档 52 分和 Claude Opus 5.5 的 high 档 52 分。xhigh 档拉到 54 分，仍落后于 Sonnet 5.5 和 GPT-6.1 Sol 的最高档（各 55 分）。
  • 终端类任务是明显短板：Terminal-Bench 4.0 只有 54%，Terminal-Bench-Science 0.1 只有 50%，而 Claude Sonnet 5.5 分别是 64% 和 53%。这跟 Google 自己宣传的「Terminal-Bench 4.1 拿 57%」不是同一个测试，不能混着看。
  • 编造率是亮点：在 AA-Omniscience 上只有 8% 的回答是编的，这在同价位里属于很好的水平。
  • 成本要分档看：xhigh 档每个任务约 3.16 美元，是 GPT-6.1 Sol 最高档的约 2.5 倍，但只有 Claude Sonnet 5.5 最高档的三分之一左右。

换句话说，Hydrogen 的性价比优势是相对「同智能水平的贵模型」成立的，不是无条件最便宜。真要压成本，medium 档才是它的主场。

Orchestrator：同一场会话里换模型

跟 Hydrogen 一起上线的还有 Google Antigravity 里的 Orchestrator。它不再从一而终用一个模型，而是在同一场会话里动态切换：遇到需要架构判断的地方交给 Carbon，具体写代码、跑测试、验证改动交给 Hydrogen。

Google 说在 Terminal-Bench 4.0 上，Orchestrator 的任务成功率接近纯 Carbon，但平均少用 24% 的配额、快 19%。同时 Hydrogen 成了 Antigravity 里 Managed Agent 的默认模型。

这个设计思路值得注意：模型不再只有一个「最强的」，而是分成「规划者」和「执行者」。对一个任务收一次钱、背后跑两个模型的模式，可能会成为接下来一年 Agent 产品的常态。

怎么用：迁移三步

  1. 改 model 字符串。 把 gemini-3.8-flash 换成 gemini-4-hydrogen。Carbon 和 Argon 的调用方切过来不用改请求结构，只改 model 名。
  2. 清掉不该留的参数。 删掉 temperature、top_p、top_k，删掉 cached_content 相关字段，把写死的低 max_output_tokens 抬到 65,536。旧代码里那些「为了省钱设成 1024」的上限，会直接把 Hydrogen 的长输出能力废掉。
  3. 用 high 打底跑一遍 eval。 官方建议先用默认的 high 档测全套，只有某些题 high 掉分，才单独开 xhigh 做对比。xhigh 在简单题上会过度思考，延迟和 token 一起涨。

多轮和工具调用场景还要注意：用 Interactions API 的话，用 previous_interaction_id 保持会话；用 generateContent 自己管历史的话，之前的模型轮次和思考签名必须原样回传，而且不能把同一个思考签名复制到并行的多个 functionCall 里。

适用场景：谁该马上换

  • 仓库级改代码、修 bug、跑测试的团队。 SWE-sweep 上 13.5% 对 Carbon 的 9.6%、Argon 的 4.3%，这类「发现 bug 且不弄坏别的代码」的任务它就是更强。
  • 需要并行 subagent 的流水线。 Carbon 当协调者、Hydrogen 当 worker 和 verifier，在隔离工作区里同时改和测，是官方明确推荐的组合。
  • 要一口气啃大 PDF、表格、图表、录像的知识工作。 100 万输入 + 最多 100 万输出的组合，在「把一堆视觉文件整理成带引用的报告」这件事上确实稀缺。
  • 预算敏感但要跑 Agent 的中小团队。 免费档在 AI Studio 和 Gemini API 都能用，付费档的价格不随上下文长度递增。

不适用场景：谁别急着上

  • 要实时语音交互的产品。 Hydrogen 的 Live API 是明确标注「不支持」的。语音这条线得留在 3.8 Live 那一档。
  • 要模型直接出图的产品。 图像生成同样标注不支持，Hydrogen 只能读图，不能画图。
  • 硬到需要长链推理的架构判断、科学推理、安全审计。 这些是 Carbon 的活，Hydrogen 在 Chartography（66.6% 对 Carbon 72.5%）、OSWorld-2.1（77.6% 对 81.5%）这些项目上都是明确落后。
  • 以终端自动化为核心的场景。 第三方测出来它在 Terminal-Bench 4.0 上只有 54%，这是它最弱的一块，别被官方那组 4.1 的数字带偏。

避坑：四个真会踩的坑

  • 以为 100 万上下文就能一次吐 100 万。 默认同步输出只有 65,536，不给 background 参数，写到一半就断。
  • 把显式缓存一起迁过来。 不支持就是真的不支持，cachedContents 相关调用会失败，而且不会自动降级成隐式缓存。
  • 把 Terminal-Bench 4.0 和 4.1 的成绩当成同一个测试。 Google 宣传的 57% 是 4.1，第三方测的 54% 是 4.0，两个测试难度不同，混着引用会得出相反结论。
  • 在简单任务上常开 xhigh。 官方自己写了「可能在简单 prompt 上过度思考」，延迟和 token 会一起涨，而分数未必涨。

成本和时间：一笔具体的账

  • 输入 1.50 美元 / 百万 token，输出 7.50 美元 / 百万 token，缓存命中 0.075 美元 / 百万 token，价格在整个 100 万上下文窗口内统一不变。
  • 免费档：输入输出都免费，但搜索接地不可用，且提交的数据会被用于改进产品；付费档不会。
  • 搜索接地：每月 5,000 次免费（Gemini 3 及以后所有模型共享），超出后每 1,000 次 14 美元，每天上限 1,500 次。
  • 时间上，这是一个已经全量上线、不需要排队的发布：AI Studio、Gemini API、Android Studio、Gemini for business、Gemini app、Google Search 全部可用；付费的 AI Pro / Ultra 订阅者还能在 Antigravity 里直接用。

行动建议

  • 第一步，先算清你现在最贵的那条流水线。 把它的日 token 量乘上 1.50 / 7.50，跟现在用的模型对比。如果现在用的是 Claude Sonnet 5.5 这一档，Hydrogen 的价差会非常明显；如果用的是 GPT-6.1 Sol，它的输出价格反而是劣势。
  • 第二步，把这条流水线原样跑一遍 high 档。 不要只看总分，要看你自己那批任务里失败的样本——尤其是终端类和多步工具调用类，那是它已知的弱项。
  • 第三步，只对 high 掉分的那部分开 xhigh 做小样本对比。 官方给了四个档位就是让你分级花钱的，全额开 xhigh 等于放弃了它最大的卖点。
  • 第四步，如果你在用 Antigravity，试一次 Orchestrator。 让 Carbon 做规划、Hydrogen 做执行，是目前少见的「两个模型分工」的落地形态，比自己手写路由省事。

参考来源

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...