La señal pública más destacada de Gemini 4 Hydrogen es un 71,6 % en Agents’ Last Exam v1.1, frente al 60,4 % de Claude Sonnet 5.5, según Google y con la configuración indicada. Es una señal para trabajo de conocimiento, no una garantía para cualquier agente. La misma ficha oficial muestra resultados inferiores a Sonnet 5.5 en OSWorld-2.1 y Terminal-Bench Science, y una mayor tasa de rechazos injustificados que Gemini 3.8 Flash en algunos prompts multimodales. Esta reseña usa evidencia publicada; no se probó Hydrogen en Tabbit. Consulta los precios y la guía de acceso.
En Reddit se preguntó por qué algunas pruebas situaban Hydrogen por delante de Argon, mientras otros relataron experiencias distintas. No son pruebas de rendimiento; esta reseña usa el método publicado por Google y señala sus límites. Lee el hilo.
Puntos clave
Hydrogen se orienta a codificación rápida y agentes; Google dice que se adaptó de Gemini 4 Carbon.
Los resultados oficiales dependen de la tarea: ALE es un punto fuerte; OSWorld y ciencia quedan por debajo de Sonnet 5.5.
Google sitúa el Intelligence Index en 51 para High predeterminado y 54 para Xhigh; no es una clasificación universal.
La ficha menciona alucinaciones, demoras ocasionales, mayor consumo de tokens a niveles altos y más rechazos injustificados en una comparación de seguridad.
Trátalo como candidato a evaluar, no como sustitución automática de un modelo de producción.
Datos de Hydrogen
| Área | Dato oficial | Lo que no demuestra |
|---|---|---|
| Trabajo agentic | ALE v1.1: 71,6 % Hydrogen; 60,4 % Sonnet 5.5 | Victoria en toda tarea larga |
| Uso del ordenador | OSWorld-2.1 offline: 77,6 % frente a 83,9 % | Que tu entorno sea idéntico |
| Ciencia en terminal | Terminal-Bench Science: 51,4 % frente a 59,9 % | Fiabilidad científica general |
| Multimodal | MKA 53,4 % frente a 52,0 %; Chartography 66,6 % frente a 61,6 % | Mejor resultado en todo documento |
| API | $1,50/M de entrada y $7,50/M de salida | Menor coste por tarea exitosa |
La ficha de Google DeepMind se revisó el 16-11-2026. Su metodología dice que Hydrogen se evaluó con la API y el máximo nivel de pensamiento salvo indicación distinta. Algunas cifras son cálculos propios de Google y otras vienen de tablas externas; no constituyen un único enfrentamiento homogéneo. Google también anuncia un índice Artificial Analysis de 51 para High y 50 para Argon. Consulta el perfil independiente de AA.
Dónde puede funcionar bien
El 71,6 % de ALE es un resultado notable. Google indica 122 tareas v1.1 y una ventana de cinco horas; usó Antigravity CLI 1.4.8 para Hydrogen y ALE-Claw para Sonnet 5.5, con filtros de seguridad activos. Las respuestas bloqueadas se devolvían como texto vacío. Estas condiciones ayudan a interpretar el dato, aunque siguen describiendo una prueba concreta.
En entrada multimodal, Hydrogen obtiene 53,4 % en MKA y 66,6 % en Chartography, por encima de las cifras publicadas para Sonnet 5.5 en esas filas. Es una razón para probarlo con tus propios documentos y gráficos, no una garantía sobre cada PDF. Para flujos de navegador, consulta Argon y Carbon.
Google presenta Hydrogen como modelo de ejecución rápida adaptado de Carbon y diseñado para trabajo diario con código y agentes. Publica contexto compartido de un millón de tokens e inputs de texto, imagen, audio, vídeo y PDF. Son especificaciones, no medidas de calidad. Google afirma que completa tareas 2,5 veces más rápido que Gemini 3.8 Flash en su configuración High predeterminada; es una afirmación de su evaluación, no una promesa de latencia general. Lee el anuncio y la documentación.
Dónde tener cuidado
Hydrogen queda por detrás de Sonnet 5.5 en el subconjunto offline de OSWorld-2.1 (77,6 % frente a 83,9 %) y en Terminal-Bench Science 0.1 (51,4 % frente a 59,9 %). Google usó arneses distintos según la prueba. Alinea la evaluación con tu tarea: velocidad de agente no implica mejor desempeño en toda actividad especializada.
Google reporta 5,57 puntos porcentuales más de rechazos injustificados que Gemini 3.8 Flash en algunas solicitudes multimodales benignas o límite. Es una evaluación automatizada interna, no una tasa observada en todos los usuarios; el informe completo figuraba como pendiente. Google también enumera alucinaciones, demoras ocasionales y uso elevado de tokens en niveles altos. El corte de conocimiento es marzo de 2026.
Veredicto según la tarea
| Tu tarea | Empieza probando | Revisión humana |
|---|---|---|
| Trabajo de conocimiento en varios pasos | Hydrogen | Fuentes y finalización |
| Transformación corta de bajo riesgo | El modelo actual | Si la mejora compensa |
| Automatización de interfaz | Hydrogen y un rival específico | Errores, recuperación y acciones riesgosas |
| Ciencia o decisiones de alto riesgo | Varios candidatos | Citas, cálculos y dominio |
| Imágenes y documentos | Muestra fija propia | Rechazos y omisiones |
Hydrogen merece una prueba para agentes y entradas mixtas, pero no hay evidencia suficiente para sustituir automáticamente Argon, Carbon, Sonnet o tu modelo en producción. Compara los recursos de Hydrogen (English), Argon (English) y la reseña de Gemini 3.8 Flash. Para flujos web, consulta AI browser, navegadores agentic y automatización web.
Un navegador puede fijar las páginas y el estado de sesión para repetir una prueba, pero no confirma que Hydrogen esté integrado en Tabbit. Este artículo no afirma esa integración ni publica resultados de Tabbit. Comprueba el selector de modelo (English) antes de planificar el flujo.
Preguntas frecuentes
¿Merece la pena Gemini 4 Hydrogen?
Es un candidato sólido para programación rápida, agentes y tareas multimodales, pero la evidencia pública no demuestra que sea el mejor en todos los casos. Compáralo con el mismo nivel de pensamiento y con tareas reales.
¿Hydrogen es mejor que Argon?
No en todos los benchmarks. El índice de Google en nivel alto queda ligeramente por encima del de Argon, mientras que su tabla muestra que Argon lidera algunas pruebas especializadas. El resultado depende de la tarea, el nivel, el arnés y el proveedor.
¿Qué limitaciones tiene?
Google menciona alucinaciones, lentitud o tiempos de espera ocasionales, mayor consumo de tokens con niveles de pensamiento altos y más rechazos injustificados en algunas solicitudes multimodales benignas o límite que Gemini 3.8 Flash.
¿Tiene una ventana de contexto de un millón de tokens?
La documentación de Google indica una ventana compartida de un millón de tokens. Esa capacidad no significa que todas las tareas se beneficien de enviar tanto contexto ni garantiza la calidad.
¿Puedo usarlo en Tabbit?
La página del modelo y sus recursos ayudan a evaluar Hydrogen, pero esta reseña no confirma su disponibilidad en Tabbit. Revisa el selector de modelos de tu cuenta antes de diseñar un flujo.