跳到正文
DEV Community· Taha Echakiri·· 2 天前精選AI 評分78

Gemini 4 Hydrogen 在綜合指數得分高於 Argon

Gemini 4 Hydrogen Lands Above Argon on the Aggregate Index

AI 導讀

Gemini 4 Hydrogen 在 Artificial Analysis Intelligence Index 的預設 high 思考層級得分為 51,高於 Argon 的 50,xhigh 得分為 54。

推薦理由

文章把 Gemini 4 Hydrogen 的分項基準、思考層級與任務成本並置,呈現綜合指數背後的工作類型取捨及路由判斷依據。

正文 · 繁體中文

重點摘要

  • Gemini 4 Hydrogen 是 Google 於 2026 年 11 月 12 日推出的模型,定位為 Gemini 4 系列中的快速級別,為日常編碼和 Agent 工作而設,與速度較慢的 Gemini 4 Carbon 和 Gemini 4 Argon 並列。
  • Google 的定價為每百萬個輸入 token $1.50、每百萬個輸出 token $7.50,整個一百萬 token 的上下文窗口均採用劃一價格。
  • 根據 Google 公佈的數據,在預設的 high 思考級別下,Hydrogen 在 Artificial Analysis Intelligence Index 的評分高於 Argon,分別為 51 和 50;在新增的 xhigh 級別下則為 54。
  • 四種思考級別(low、medium、high、xhigh)讓團隊可在同一模型內,按需要在延遲、成本和評分之間取捨。
  • 公告中的基準測試表列出 Hydrogen 落後 Claude Sonnet 5.5 的項目:Terminal-Bench 4.1 為 57.0%,對比 63.9%;OSWorld-2.1 為 77.6%,對比 83.9%;Terminal-Bench-Science 0.1 為 51.4%,對比 59.9%。
  • Google Antigravity 中的 Orchestrator 會在單一工作階段內,於 Carbon 和 Hydrogen 之間分配工作。Google 表示,Hydrogen 在 Terminal-Bench 4.0 上的任務成功率接近 Carbon,同時配額消耗減少 24%,完成速度快 19%。
  • GitHub 於 2026 年 11 月 13 日在 Copilot 推出同一模型,定價採用供應商公開價格;企業管理員可透過 Copilot 設定中的模型政策控制存取權限。
  • 平台團隊會按實際採用的思考級別,衡量每項已完成任務的成本和延遲,因為綜合指數沒有顯示哪些任務類別構成該評分。

Netics metric grid of the Gemini 4 Hydrogen numbers that matter for budgeting: the aggregate index score, the flat input and output token prices, and the Terminal-Bench 4.1 score against Gemini 3.8 Flash.

Netics 圖表,2026 年 11 月 14 日:作成本決策的起點所需的四項數據,全部取自 Google 於 2026 年 11 月 12 日發布的公告。

Google 於 11 月 12 日推出的模型

Google DeepMind 資深副總裁兼 Google 首席 AI 架構師 Koray Kavukcuoglu 於 2026 年 11 月 12 日的文章中宣佈 Gemini 4 Hydrogen。Google 將 Carbon 和 Argon 定位為適合深入、長時間推理的模型,而 Hydrogen 則用於在 Agent 工作流程中快速執行任務。該模型已涵蓋 Google AI Studio、Gemini API、Gemini for business、Gemini app、Google Search 和 Android Studio 的所有層級;付費 Google AI Pro 和 Ultra 訂戶亦可在 Google Antigravity 中使用。

這次發布值得留意之處,在於 Google 選擇同時公佈的內容。Hydrogen 的頁面附有一張十行比較表,列出該模型與 Claude Sonnet 5.5 及 GPT-6.1 Terra 的比較,也保留了 Hydrogen 落後的項目。發布文章中公開這類資料並不常見,也令這份公告可作為模型路由參考文件。

GitHub's changelog entry for Gemini 4 Hydrogen in Copilot, showing the availability list and the model policy section, github.blog/changelog/2026-11-13-gemini-4-hydrogen-in-github-copilot

GitHub 於 2026 年 11 月 13 日發布的更新記錄:該模型按供應商公開價格,向 Copilot Pro、Pro+、Max、Business 和 Enterprise 用戶全面開放。頁面來源:https://github.blog/changelog/2026-11-13-gemini-4-hydrogen-in-github-copilot/,檢索日期:2026 年 11 月 14 日。

一百萬 token 上下文窗口的劃一價格

價格為每百萬個輸入 token $1.50、每百萬個輸出 token $7.50;Google 表示,整個一百萬 token 的上下文窗口均採用劃一價格。按 Google 的劃一價格,900,000 個 token 的程式碼庫資料傾印,單位價格與 5,000 個 token 的問題相同。

Hydrogen 的輸入上限同樣為一百萬個 token,輸出上限亦達一百萬個 token。Google 表示,這款模型可將內容密集的 PDF、試算表、圖表、音訊及錄製影片整合成附有引用來源的報告及結構化交付成果。假設一家法國或摩洛哥中小企掃描供應商發票及合約:這種組合所形成的工作流程,就是一次輸入大量內容、一次輸出長篇結構化結果,並採用固定收費。

Google's AutomationBench-AA chart plotting score against cost per task for Gemini 4 Hydrogen across its thinking levels, with Claude Sonnet 5.5 and GPT-6.1 Terra for comparison, blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen

Google 在 2026 年 11 月 12 日公告中的 AutomationBench-AA 圖表:比較得分與每項任務的成本,並以獨立數據點標示 Hydrogen 的四種思考級別。圖片來源:https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen/。

四種思考級別與相應延遲

Hydrogen 提供四種思考級別:low、medium、預設的 high,以及全新最高級別 xhigh。Google 的説法是,各級別按可預測的幅度逐步提升,因此團隊只需在任務有需要時,才為更深入的推理付費。在 Artificial Analysis Intelligence Index 上,預設級別 high 得分為 51,xhigh 則達到 54。

這種級別設定是這次推出最實用的部分。耗時較長的夜間工作可使用 xhigh;上午 10 時回答客戶問題的聊天助理則可使用 low,而兩者均使用同一款模型及同一份價格表。Google 公佈的得分與時間圖表顯示,Hydrogen 相對兩款競爭模型的表現:Hydrogen 在實際經過時間較短時已達到最高分,競爭模型的曲線則更靠右。

Google's Artificial Analysis Intelligence Index chart plotting score against time taken per task, with Gemini 4 Hydrogen's low, medium, high and xhigh levels as four points, blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen

Google 公告中的指數圖表:比較得分與每項任務所需分鐘數。Hydrogen 的 xhigh 數據點接近圖表頂端,而且所需時間最短;延遲預算應驗證的正是這項説法。圖片來源:https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen/。

Hydrogen 落後最接近對手的項目

公告中的表格值得讀者仔細查看。Hydrogen 在 SWE-sweep 得分為 13.5%,勝過 Claude Sonnet 5.5 的 3.1% 及 GPT-6.1 Terra 的 5.8%;在 AutomationBench-AA 得分為 76.1%,亦勝過兩者的 71.8% 及 60.2%。不過,在 Terminal-Bench 4.1 上,Hydrogen 得分為 57.0%,落後於對手的 63.9%;在 OSWorld-2.1 上得分為 77.6%,落後於 83.9%;在 Terminal-Bench-Science 0.1 上得分為 51.4%,落後於 59.9%。在 HLE-Diamond 上,Hydrogen 以 58.8% 領先,對手則為 53.3% 及 47.3%。

單一綜合指數把這些項目濃縮成一個數字,而該數字目前把 Hydrogen 排在 Argon 之上。表格反映的結論較為有限:Hydrogen 更適合修復大型程式碼儲存庫中的錯誤,以及自動化工具類工作;對手模型則在電腦操作任務及以科學為主的終端機工作上表現更佳。只看標題的團隊可能會把錯誤類型的任務交給較便宜的模型,然後把問題歸咎於模型。

Google's ten-row benchmark comparison table for Gemini 4 Hydrogen against Claude Sonnet 5.5 and GPT-6.1 Terra, including the rows where Hydrogen trails, blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen

2026 年 11 月 12 日公告中的比較表,按發布內容重現,包括 Terminal-Bench 4.1(已調整作弊影響);在該項目中,Claude Sonnet 5.5 以 63.9% 領先。圖片來源:https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen/。

Orchestrator 如何在 Carbon 與 Hydrogen 之間分配工作

Google 亦在 Google Antigravity 引入 Orchestrator,這個元件會在同一個工作階段內切換 Carbon、Hydrogen 等模型。Google 表示,在 Terminal-Bench 4.0 上,Orchestrator 的任務成功率接近 Carbon,平均少消耗 24% 配額,完成速度則快 19%。至於並行工作,Google 説明 Carbon 會擔任協調者,Hydrogen 則為工作代理和驗證代理提供支援,讓它們在彼此隔離的工作空間中執行。

這反映供應商正把路由功能整合至自家產品。Google 的工程觀點是,單一模型很少適合整個工作階段:複雜的架構問題需要成本較高的推理模型,之後的程式碼修改、測試執行和驗證工作,則適合交由成本較低、速度較快的模型處理。已同時支付兩種級別費用的團隊,若習慣性地只選其中一種,便無法獲得任何好處。

Netics comparison table setting five benchmark rows side by side for Gemini 4 Hydrogen and Claude Sonnet 5.5, with Hydrogen leading two rows and trailing three.

Netics 圖像,14 November 2026:同樣的五列資料以路由決策方式排列,表現較差的項目與表現較佳的項目相鄰。

這項功能的關鍵在於配額計算方式。Google 按配額消耗量衡量 Orchestrator,因此好處會先反映在方案的配額上,而非金額上。採用固定席位費用的團隊,會看到每個席位能完成更多工作。

平台團隊在切換前會衡量哪些事項

四項指標可決定較低成本的級別是否適合投入正式環境。第一是每項已完成任務的成本,其中包括每 token 價格未能反映的重試和失敗的工具呼叫。第二是團隊實際會採用的思考級別下的延遲,並以團隊實際執行的任務作測量。第三是工具呼叫失敗或搜尋沒有結果時的處理表現;Google 將此列為相較 Gemini 3.8 Flash 的一項具體改進。第四是模型在哪些平台提供,因為開發人員使用的編輯器若沒有提供該模型,工作流程受阻所帶來的成本會高於節省的 token 成本。

Google's HLE-Diamond chart plotting score against cost per task across Hydrogen's thinking levels, with Claude Sonnet 5.5 and GPT-6.1 Terra lines for comparison, blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen

Google 在公告中公佈的 HLE-Diamond 圖表:分數與每項任務成本的對照。曲線説明為何思考級別,以及它所代表的每項已完成任務成本,都應納入路由決策。圖片來源:https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen/。

Copilot 推出時還會帶來治理方面的問題。GitHub 的更新紀錄指出,Copilot Business 和 Enterprise 的管理員可透過 Copilot 設定中的模型政策管理存取權限;在預設啟用模型的情況下,除非管理員已關閉全域預設設定或停用該模型,否則新模型會自動啟用。追蹤各團隊 AI 開支的機構,應在模型選擇器加入更多模型前檢查這項設定。

對於讓 Agent 在自家基礎設施上執行的團隊,模型選擇通常只是更大型控制平面的一部分:工具權限、出站流量政策,以及每次呼叫相關的審批步驟。其中一種做法是採用自行託管的 AI Agent 平台,而模型級別只是其中一項設定。

Netics checklist of the four measurements a team should take before routing production work to a cheaper model tier.

Netics 圖像,14 November 2026:把供應商的產品發布轉化為路由決策所需的各項測量,按值得優先進行的次序排列。

Hydrogen 足以成為雙模型配置中日常使用級別的有力選擇。足以定奪的證據,來自 Google 公佈的十列資料(其中三列指向競爭對手),以及四種思考級別各自的每項任務成本曲線。


原文刊載於 the Netics blog。

來源:DEV Community · dev.to