Google 发布 Gemini 4 Hydrogen，智能指数得分超过更大的 Argon
Google's Gemini 4 Hydrogen outscores the bigger Argon just four weeks after its launch
Google 发布快速通用模型 Gemini 4 Hydrogen，在 Artificial Analysis Intelligence Index 上以默认 high 档 51 分、xhigh 档 54 分超过 Gemini 4 Argon 的 50 分，与 Claude Sonnet 5.5 和 GPT-6.1 Sol 的 55 分接近。
文章汇总官方与 Artificial Analysis 两方数据，读者可据此比较 Gemini 4 Hydrogen 与 Argon、Claude 和 GPT 的性能与单位成本。
Google 发布了 Gemini 4 Hydrogen，这是一款面向开发者和普通用户的快速通用 AI 模型。
与 Google 为困难问题上的深度、长程推理而设计的尖端模型 Gemini 4 Carbon 和 Gemini 4 Argon 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。
不过这种比较可能低估了它。据 Google 称，在默认的 "high" 思考级别下，Hydrogen 在 Artificial Analysis Intelligence Index 上超过了更大的 Argon（51 对 50），在最高级别 "xhigh" 下最高可达 54。
Hydrogen 提供四个思考级别：low、medium、high（默认），以及新的 xhigh 档位，而 Argon 只有 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 美元、每百万输出 token 7.50 美元。缓存命中费用为 0.075 美元。
Hydrogen 显然在能力和价格上都优于 Argon。更让人困惑的是，就在两天前 Google 宣布其新尖端模型 Carbon 时，该公司还建议在日常编码工作中继续使用 Argon。Hydrogen 应该会让这一建议失去意义，使 Argon 在发布不到四周后就被淘汰。
Hydrogen 相比上一代 Flash 带来了大幅飞跃
Google 将 Hydrogen 定位为独立模型，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，它完成任务的速度快 2.5 倍。在 Terminal-Bench 4.1 上，得分从 18.2%（Flash）跃升至 57%（Hydrogen）。Google 称，幻觉减少了五倍，并且在工具调用失败或搜索无结果时，模型的恢复能力更强。
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% 的成绩在 Vals Tax Agent Bench 上夺冠，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（经作弊调整） | 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% |
对于总结大型 PDF、电子表格或视频等多模态知识工作，Hydrogen 在 100 万 token 输入窗口之外还支持多达 100 万 token 的输出。它在 Google 新推出的 Multimodal Knowledge Agent Benchmark 上得分为 53.4%，在 Agents' Last Exam v1.1 上得分为 71.6%。
Hydrogen 现已可用
Google 正在全球所有平台推出 Hydrogen。开发者可通过 AI Studio 和 Android Studio 中的 Gemini API 使用它，付费的 Pro 和 Ultra 订阅者则可通过 Google Antigravity 使用。企业客户可通过 Gemini for Business 获取，且所有人均可在 Gemini 应用和 Google 搜索中使用。
在 Gemini 应用中，Google 表示该模型在较长对话中能更好地遵循语气、格式和指令，因此草稿、摘要和文档在首次尝试时就更容易直接可用。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 声称 Hydrogen 对搜索来说也是一次“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请求。搜索结果更具可视化且更易于浏览，改进的查询扇出技术还能引入更广泛的相关链接。
在 Google 的编码工具 Antigravity 中，一个新的编排器会在同一会话中动态切换 Carbon 和 Hydrogen，而不是固定使用单一模型。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 相当。
独立测试发现 Hydrogen 很少产生幻觉，但在终端任务上表现落后
由 Artificial Analysis 进行的独立评估显示，Hydrogen 在其最高思考层级下大致与 Claude Sonnet 5.5 相当。在默认的“high”层级下，分数降至 51，略落后于 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% 的时间会编造内容。在评估智能体知识工作的 AA-Briefcase 中，它在演示质量上也击败了包括 Carbon 在内的其他 Gemini 模型。
Hydrogen 在智能体终端任务上较弱，在 Terminal-Bench 4.0 上得分为 54%，在 Terminal-Bench-Science 0.1 上仅为 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 估算 Hydrogen 在 xhigh 层级下每项任务约需 3.16 美元，约为 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”层级下，成本降至 1.87 美元，“medium”降至 0.80 美元，“low”降至 0.29 美元。不过，智能分数在较低层级急剧下降，medium 在指数上仅达到 41，low 仅为 27。Artificial Analysis 指出，xhigh 使用的输出 token 几乎是 high 的两倍，这解释了价格的跳升。在 high、medium 和 low 层级，该模型处于帕累托前沿，意味着在这些价格点上没有其他模型既更便宜又更智能。
AI News Without the Hype – Curated by Humans
订阅 THE DECODER，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的发言权限。
来源： The Decoder · the-decoder.com