谷歌发布Gemini 4 Hydrogen模型以小博大
⚡ 核心要点提炼与关键事实
- 【核心事件】谷歌（Google）在开发者平台与商业应用市场：发布Gemini 4 Hydrogen模型，具备100万token上下文窗口，性能指标在多个基准测试中超越Gemini 4 Argon。
- 【起因与机理】旨在提供高性能且低延迟的通用AI方案，优化开发者成本并替代老旧产品线。
- 【关键数据与实测】定价策略为1.5美元/百万输入token与7.5美元/百万输出token。
- 【各方立场与态度】支持百万级输入与输出上下文窗口，并引入xhigh思考等级。
🤖 雷达专属 AI 研判与技术透视
谷歌通过快速迭代使旗舰模型Argon迅速边缘化，显示出其内部模型架构的极高周转率与算力冗余度。此举迫使开发者缩短模型迁移周期，同时也反映出当前AI产业竞争已从单纯追求参数规模转向推理效率与Agent执行准确性的深度博弈。
📰 深度报道原文实录
THE DECODER 权威实录谷歌发布了 Gemini 4 Hydrogen，这是一种面向开发人员和日常用户的快速通用人工智能模型。
与谷歌为对难题进行深入、长期推理而设计的前沿模型 Gemini 4 Carbon 和 Gemini 4 Argon 不同，Hydrogen 旨在快速、廉价地处理日常任务。它似乎是早期 Flash 系列的对应版本。
不过，这种比较可能会低估它。根据谷歌的说法，在默认的“高”思维水平（51 vs. 50）的人工智能分析智能指数上，氢击败了更大的氩，并在最高水平“xhigh”中达到了 54。
Hydrogen 提供四个思维级别：低、中、高（默认）和新的 xhigh 级别，而 Argon 仅提供中和高。该模型有一个用于输入的一百万个令牌上下文窗口，并且可以输出一百万个令牌。每百万个输入代币的成本为 1.50 美元，每百万个输出代币的成本为 7.50 美元。缓存命中成本为 0.075 美元。
显然，氢最终比氩更强大、更便宜。更令人困惑的是，当谷歌两天前宣布其新的前沿模型 Carbon 时，该公司建议坚持使用 Argon 进行日常编码工作。氢应该会让这个建议变得毫无意义，而氩在发布后不到四个星期就被淘汰了。
谷歌将 Hydrogen 定位为独立模型，是对 Gemini 3.8 Flash 的重大升级。谷歌表示，在默认思维水平下，它完成任务的速度提高了 2.5 倍。在 Terminal-Bench 4.1 上，分数从 18.2%（Flash）跃升至 57%（Hydrogen）。谷歌表示，幻觉下降了五分之一，并且当工具调用失败或搜索结果为空时，模型恢复得更好。
在研究、数据分析和代码导航等开放式代理任务中，Hydrogen 在 Agent Arena 排行榜上排名第五。谷歌表示，它在瓦尔斯税务代理机构中以 52.3% 的支持率位居第一，在瓦尔斯法律研究机构中以 55.8% 的支持率并列第一。
对于汇总大型 PDF、电子表格或视频等多模式知识工作，Hydrogen 在其 100 万个令牌输入窗口之上支持多达 100 万个输出令牌。它在 Google 新的 Multimodal Knowledge Agent Benchmark 上得分为 53.4%，在 Agents' Last Exam v1.1 上得分为 71.6%。
谷歌表示，在 Gemini 应用程序中，该模型在较长的对话中更贴近语气、格式和说明，因此草稿、摘要和文档在第一次尝试时更容易使用。 Hydrogen 还可以从 Gmail 和 Drive 等 Google 应用程序以及 Airtable 和 Dropbox 等第三方应用程序中获取上下文。
谷歌声称 Hydrogen 也是搜索的“重大升级”。谷歌表示，该模型可以更好地处理搜索查询，即使它们包含拼写错误、多部分问题或非常具体的请求。结果更加直观且更易于扫描，并且改进的查询扇出技术引入了更广泛的相关链接。
在 Google 的编码工具 Antigravity 中，新的协调器在会话中动态地在碳和氢之间切换，而不是坚持使用一种模型。在外部基准 Terminal-Bench 4.0 上，谷歌表示，编排器的成功率几乎与 Carbon 相当，同时使用的资源减少了 24%，处理时间减少了 19%。
Artificial Analysis 的独立评估显示，Hydrogen 的最高思维水平与 Claude Sonnet 5.5 大致相当。在默认的“高”级别下，分数降至 51，略低于 GPT-6.1 Sol（xhigh，52）和 Claude Opus 5.5（high，52）。
根据人工分析，在 AA-Omniscience 基准上，氢的成功率仅为 8%。它还在评估代理知识工作的 AA-Briefcase 中的演示质量上击败了包括 Carbon 在内的其他 Gemini 模型。
氢在代理终端工作方面较弱，在 Terminal-Bench 4.0 上得分为 54%，在 Terminal-Bench-Science 0.1 上得分仅为 50%。 Claude Sonnet 5.5（最大）分别达到 64% 和 53%，而 GPT-6.1 Sol（最大）得分为 56% 和 58%。
