Google 发布 Gemini 4 Hydrogen,智能跑分超过发布不到四周的 Argon
Google's Gemini 4 Hydrogen outscores the bigger Argon just four weeks after its launch
- 1Google 发布快速通用模型 Gemini 4 Hydrogen,定位接替 Flash 系列,已在全球各平台开放使用
- 2官方称其默认档智能指数得 51 分、超过更大的 Argon 的 50 分,xhigh 档最高达 54 分
- 3独立评测 Artificial Analysis 测得 Hydrogen 最高档与 Claude Sonnet 5.5 大致相当,编造内容比例仅 8%
- 4独立评测指出其终端类智能体任务落后于竞品,xhigh 档每任务成本 $3.16 约为 Sonnet 5.5 的三分之一
快速档模型以更低价格在跑分上压过四周前发布的旗舰,Google 两天前的选型建议随即失效,模型迭代与淘汰周期已压缩到以周计。
- 影响:日常编码、检索与文档类任务可用这类快速模型顶替旗舰以压低单位成本;各思考档位成本与智能差异大,xhigh 档 token 消耗近翻倍,选档直接影响开支;终端与计算机操作类任务仍是竞品占优,替换需分场景对待。
- 参考:可考虑按任务类型分层试跑,对比 high 与 xhigh 档的每任务成本和产出质量后再定档;值得用独立评测的每任务成本口径重算现有预算,而非只参考官方跑分表。
- 依据:官方称默认档智能指数 51 对 Argon 50,属官方口径暂无独立验证;Artificial Analysis 独立评测给出 xhigh 54 分、AA-Omniscience 编造率 8% 及各档每任务成本测算。
Google 发布了 Gemini 4 Hydrogen,这是一款面向开发者和日常用户的快速通用 AI 模型。
与 Gemini 4 Carbon 和 Gemini 4 Argon 这两款由 Google 为困难问题上的深度、长程推理而设计的前沿模型不同,Hydrogen 旨在快速、低成本地处理日常任务。它似乎是此前 Flash 系列的对应产品。
不过这种对比可能低估了它。据 Google 称,在默认的“high”思考级别下,Hydrogen 在 Artificial Analysis Intelligence Index 上击败了更大的 Argon(51 比 50),在最高级别“xhigh”下最高可达 54。
Hydrogen 提供四种思考级别:low、medium、high(默认)以及全新的 xhigh 档位,而 Argon 仅提供 medium 和 high。该模型拥有 100 万 token 的输入上下文窗口,并可输出 100 万 token。价格为每百万输入 token $1.50、每百万输出 token $7.50,缓存命中为 $0.075。

Hydrogen 显然最终比 Argon 能力更强、价格也更便宜。更添混乱的是,就在两天前 Google 发布其新前沿模型 Carbon 时,该公司还建议日常编码工作继续使用 Argon。Hydrogen 应该会让这一建议失去意义,令 Argon 在发布不到四周后便已过时。
Hydrogen 相较上一代 Flash 有重大飞跃
Google 将 Hydrogen 定位为一款独立模型,也是相对 Gemini 3.8 Flash 的一次重大升级。Google 表示,在默认思考级别下,它完成任务的速度提升 2.5 倍。在 Terminal-Bench 4.1 上,得分从 18.2%(Flash)跃升至 57%(Hydrogen)。Google 称,幻觉减少至原来的五分之一,并且当工具调用失败或搜索无结果时,模型的恢复表现更好。
在研究、数据分析和代码导航等开放式智能体任务上,Hydrogen 在 Agent Arena 排行榜上排名第五。Google 表示,它以 52.3% 的成绩位居 Vals Tax Agent Bench 榜首,并以 55.8% 的成绩在 Vals Legal Research Bench 上并列第一。
| 类别 | 基准测试 | Gemini 4 Hydrogen | Gemini 4 Carbon | Gemini 4 Argon |
|---|---|---|---|---|
| 通用能力 | AA Index v5.0 | 54 (xhigh, 5.1) | 59 | 50 |
| Vals Index v2.2 | — | 70.4% | 69.2% | |
| 智能体编码 | SWE-sweep | 13.5% | 9.6% | 4.3% |
| FrontierSWE 2 | — | 61.2% | 55.0% | |
| Terminal-Bench 4.1(作弊调整后) | 57.0% | — | — | |
| Terminal Bench 4.0 (AA) | — | 65.2% | 57.1% | |
| 知识工作 | Agents' Last Exam v1.1 | 71.6% | 77.4% | 69.0% |
| AutomationBench | 76.1% | — | — | |
| AutomationBench (Zapier) | — | 53.9% | 51.3% | |
| Vending-Bench 2(账户余额,美元) | $14,549 | $16,484 | $13,718 | |
| 计算机使用 | OSWorld-2.1(离线子集) | 77.6% | 81.5% | 74.7% |
| 多模态理解 | MKA(Climb WSR 准确率) | 53.4% | — | — |
| Chartography | 66.6% | 72.5% | 71.6% | |
| Blueprint Bench 2(相似度得分) | — | 58.6% | 54.4% | |
| 长上下文 | GraphWalks(256k 至 1M,BFS) | — | 96.2% | 84.2% |
| 科学与数学 | Terminal-Bench-Science 0.1 | 51.4% | — | — |
| RiemannBench | — | 80.0% | 76.0% | |
| Terminal-Bench-Science 0.1 (AA) | — | 64.8% | 52.9% | |
| 推理 | HLE-Diamond | 58.8% | — | — |
| 网络安全 | CWE-bench | — | 71.0% | 68.0% |
| ExploitGym | — | 54.8% | 42.0% | |
| SEC-bench Pro | — | 88.2% | 83.4% |
对于汇总大型 PDF、电子表格或视频等多模态知识工作,Hydrogen 在 100 万 token 输入窗口的基础上支持多达 100 万的输出 token。它在 Google 全新的 Multimodal Knowledge Agent Benchmark 上得分 53.4%,在 Agents' Last Exam v1.1 上得分 71.6%。
Hydrogen 现已推出
Google 正在全球范围内、面向所有平台推出 Hydrogen。开发者可以通过 AI Studio 和 Android Studio 中的 Gemini API 访问该模型,付费的 Pro 和 Ultra 订阅用户则可以通过 Google Antigravity 使用。商业客户可通过 Gemini for Business 获得该模型,而且所有用户都可以在 Gemini 应用和 Google 搜索中使用它。
Google 表示,在 Gemini 应用中,该模型在较长的对话中能更严格地遵循语气、格式和指令,因此草稿、摘要和文档在第一次尝试时就更常可直接使用。Hydrogen 还可以从 Gmail 和 Drive 等 Google 应用,以及 Airtable 和 Dropbox 等第三方应用中引入上下文。
Google 还声称 Hydrogen 对搜索来说是一项“重大升级”。Google 表示,该模型能更好地处理搜索查询,即使查询中包含拼写错误、多部分问题或非常具体的要求。搜索结果更具视觉化、更易于浏览,改进的查询扇出(query fan-out)技术能引入范围更广的相关链接。

在 Google 的编程工具 Antigravity 中,一个新的编排器(orchestrator)会在会话内动态切换 Carbon 和 Hydrogen,而不是固定使用一个模型。在外部基准测试 Terminal-Bench 4.0 上,Google 表示该编排器在资源使用减少 24%、处理时间缩短 19% 的情况下,成功率几乎与 Carbon 持平。
独立测试发现 Hydrogen 很少产生幻觉,但在终端工作上表现落后
Artificial Analysis 的一项独立评估显示,Hydrogen 在其最高思考级别下大致与 Claude Sonnet 5.5 相当。在默认的“high”级别下,得分降至 51,略低于 GPT-6.1 Sol(xhigh,52)和 Claude Opus 5.5(high,52)。
根据 Artificial Analysis 的数据,在 AA-Omniscience 基准测试中,Hydrogen 只有 8% 的时候会编造内容。在评估智能体知识工作的 AA-Briefcase 中,它在呈现质量上也击败了包括 Carbon 在内的其他 Gemini 模型。
Hydrogen 在智能体终端工作上较弱,在 Terminal-Bench 4.0 上得分 54%,在 Terminal-Bench-Science 0.1 上仅得分 50%。Claude Sonnet 5.5(max)分别达到 64% 和 53%,而 GPT-6.1 Sol(max)得分为 56% 和 58%。
在性价比方面,Artificial Analysis 测算,Hydrogen 在 xhigh 下每项任务约需 $3.16,大约是 Claude Sonnet 5.5(max)在几乎相同智能水平下成本的三分之一,但约为 GPT-6.1 Sol(max)的 2.5 倍。

在 “high” 下,成本降至 $1.87;在 “medium” 下降至 $0.80;在 “low” 下降至 $0.29。不过,智能得分在较低级别下大幅下降,medium 在指数上仅达到 41,low 仅为 27。Artificial Analysis 指出,xhigh 使用的输出 token 数量几乎是 high 的两倍,这也是价格上涨的原因。在 high、medium 和 low 这几个级别上,该模型位于帕累托前沿(Pareto frontier),这意味着在这些价格点上,没有其他模型既更便宜又更智能。
没有炒作的 AI 新闻 – 由人工精选
订阅 THE DECODER,即可享受无广告阅读、每周 AI 新闻通讯、每年六期的独家《AI Radar》前沿报告、完整档案访问权限以及评论区功能。
来源:The Decoder:AI News · the-decoder.com