Google 于11月12日推出 Gemini 4 Hydrogen,将其定位为与 Carbon、Argon 推理模型配合的更快执行模型。发布公告覆盖开发工具、企业工作流、Gemini 应用和搜索。
区别在于如何分配工作。Google 描述由 Carbon 和 Argon 处理复杂架构决策或长时间推理任务,Hydrogen 负责编写代码、运行测试和验证修改。Hydrogen 也能独立工作。
发布内容包含定价、基准和安全主张。这些数字是 Google 报告的结果,并非本文进行的测试,必须保留其评估条件。
四档思考水平改变速度与质量的取舍
Hydrogen 提供 low、medium、high 和 xhigh 四档思考水平,默认是 high。Google 将其作为针对任务调整推理深度、延迟和成本的选项。
默认 high 档位下,Google 报告 Artificial Analysis Intelligence Index 得分为51,Argon 为50;xhigh 得分为54。必须让这些数字与对应设置保持关联,最高分并不代表默认配置。
模型提供100万词元上下文窗口,整个窗口采用统一价格:每百万输入词元1.50美元,每百万输出词元7.50美元。公告还描述在多模态知识工作中支持最多100万输出词元。上下文容量与输出容量是不同限制,任一最大容量都不保证答案正确。
团队选择配置时,综合得分只是一项信号。它不能证明 Hydrogen 在每个长周期任务上都优于 Argon,也不能证明 xhigh 保持较低思考档位的延迟。
Orchestrator 在同一会话中分配模型
Google 正在 Antigravity 中引入 Orchestrator,使会话可以在 Carbon、Hydrogen 等模型间动态切换。这不同于为整项工作选择单一模型。
Google 称,在 Terminal-Bench 4.0 上,Orchestrator 达到接近 Carbon 的任务成功率,同时配额消耗减少24%,平均完成速度快19%。这个比较针对编排配置及该基准,不能表述为 Hydrogen 单独以这些节省幅度击败 Carbon。
在并行工作中,Carbon 可以负责协调,Hydrogen 在隔离工作区中运行执行与验证智能体。所提出的机制是,在有帮助的环节投入更深入推理,在实现与检查环节使用更快执行。
这种分工可以改变工作流的资源消耗结构,但不会免除验证修改的需要,也不能证明每个代码库都受益于相同的模型分配。
迁移主张以 Gemini 3.8 Flash 为比较对象
Google 报告,默认 high 下 Hydrogen 完成任务的速度为 Gemini 3.8 Flash 的2.5倍。在 Terminal-Bench 4.1 上,分数为57%对18.2%,编造主张的情况也减少五倍以上。
Terminal-Bench 版本很重要。这些4.1结果与 Orchestrator 的 Terminal-Bench 4.0 评估是不同的比较。把它们合成同一排名,会抹去任务和配置差异。
Google 还描述了针对性代码库修改、调试和代码库问答,并称 Hydrogen 在 SWE-sweep 上优于同档模型。对于复杂图、SQL 和数据密集的企业工作,据称早期合作伙伴观察到执行速度为3.8 Flash 的2至2.8倍,词元用量减少12%至23%。
这些伙伴报告的范围针对早期负载,不是普遍的延迟或词元节省保证。公告正文没有足够细节让读者独立复现每个伙伴的比较。
Google还将代码仓库处理效率归因于并行批量读取文件与搜索,而非逐个检查文件。其称Hydrogen能在工具调用失败或搜索无结果时调整,并在AutomationBench-AA同类模型中领先。这些仍是厂商声明,未经独立复测。
发布内容不止编码
对于更广泛的智能体工作,Google 报告 Agent Arena 排名第五、HLE-Diamond 得分58.8%、Vals Tax Agent Bench 得分52.3%;Vals Legal Research Bench 得分55.8%,据称在发布时并列第一。
公告还给出新 Multimodal Knowledge Agent 基准53.4%和 Agents' Last Exam v1.1 的71.6%。它们评估不同任务,不能平均为通用成功概率。
Google 的例子展示了希望 Hydrogen 覆盖的范围。Geminisland 将提示变为共享体素岛上的结构。店面演示结合 WebGL2 着色器、滚动交互和配置控件。另一个演示使用 Python、LET 公式和条件格式,在 Google Sheets 画布中制作动画。
演示文稿案例从 YouTube 主题演讲和设计模板出发,生成 Slides 幻灯片并检查文字重叠。在 Sheets 画布中,Google 报告财务建模输出速度比此前模型快30%以上。这些演示说明预期工作流,并不证明所有类似任务都无需修正。
Gemini 应用与搜索面向日常任务
在 Gemini 应用中,Google 强调遵守语气和格式要求、综合文档,以及通过更少来回沟通选择工具。公告描述了使用上传文件、Gmail、Drive,以及 Airtable、Dropbox 等连接服务中的上下文。
其他演示包括由闪电数据驱动的地球仪和音乐引擎、水与玻璃可视化,以及由公版素材组装的视频。这些是厂商示例,不是读者使用任意提示都应期待获得的结果清单。
对于搜索,Google 称 Hydrogen 改善对多部分或不完善查询的理解,生成更具适应性的视觉响应,并通过查询扩展增加相关链接。查询扩展指生成相关搜索,以检索更广泛的材料。扩大检索范围本身仍不能证明生成答案准确。
安全数字对应特定评估
Google 称,相比3.8 Flash,Hydrogen 将智能体过度行动最多减少81%、服务不足最多减少79%;在工具使用与编码评估中,不符合意图的行动和走捷径行为减少十二倍。
对于不可能完成或受阻的任务,Google 称模型绕过权限边界的可能性最高降低约一半,并报告内部智能体评估的诚实度为96.7%。这些结果对应 Google 的测试,不保证智能体始终遵守应用权限。
公告还报告99.9%的思维链可读性,在超过20万轮审计中没有欺骗性的推理修改;并称在 Gray Swan 间接提示注入基准上的抵抗能力超过此前的2.3倍。推理可读与基准抵抗能力不能视为免疫攻击的证明。
在日常交互中,Google 报告 HealthBench Pro 错误拒答率低于0.4%,并描述了对生物安全风险与合理问题的更精确区分。拒答率结果并不衡量医疗回答的准确性。
访问条件因产品和订阅而异
Google 称,Hydrogen 正通过 Gemini API、AI Studio、Android Studio 和企业版 Gemini 在全球推出。Antigravity 的访问范围描述为付费 Google AI Pro、Ultra 订阅用户。Sheets 访问取决于符合条件的订阅,消费者可用范围从 Pro 和 Ultra 开始。
Gemini 应用的可用性包含一个重要限定:免费用户在提示适合时,通过自动模型选择使用 Hydrogen。这不等于承诺每个免费用户都可无限制手动选择。搜索的推出范围则描述为全球所有用户。
此次实际进展是一个广泛分发的执行模型,提供可调推理与可选的多模型协调。它对团队的价值取决于实际任务、思考设置和使用的产品入口。发布数字可作为评估起点,但必须保留其基准版本与访问条件。
- deepmind.google
- blog.google
- blog.google
- blog.google
- aistudio.google.com
- cloud.google.com
- blog.google
- antigravity.google
- artificialanalysis.ai
- antigravity.google
- tbench.ai
- tbench.ai
- arena.ai
- vals.ai
- vals.ai
- artificialanalysis.ai
- blog.google
- agents-last-exam.org
- aistudio.google.com
- aistudio.google.com
- github.com
- institute.deepmind.com
- storage.googleapis.com
- aistudio.google.com
- developer.android.com
