Tabbit博客

Gemini 4 Hydrogen 测评:公开证据说明什么

基于公开资料评估 Gemini 4 Hydrogen 的基准条件、优势、限制、API 成本及值得测试的工作负载。

本文目录
  1. 要点
  2. Hydrogen 评测速览
  3. 表现值得关注的场景
  4. 证据较弱或需要留意的地方
  5. 按工作负载给出结论

Gemini 4 Hydrogen 的公开亮点之一,是 Google 报告它在 Agents’ Last Exam v1.1 上得到 71.6%,Claude Sonnet 5.5 为 60.4%。这是知识工作任务的有价值信号,但不保证 Hydrogen 能胜任你的 Agent 任务。Google 同一模型卡显示,它在 OSWorld-2.1 和 Terminal-Bench Science 低于 Sonnet 5.5;对比 Gemini 3.8 Flash 时,部分多模态输入上的不必要拒答也更高。本文只分析公开证据,没有在 Tabbit 中实测。价格见 Hydrogen 定价,访问路径见 Hydrogen 指南。

一条 Reddit 讨论询问为什么有些基准测试中 Hydrogen 高于 Argon,也有用户分享不同的日常体验。这些帖子不是基准证据;本文依据 Google 公布的方法,并说明其局限。查看讨论。

要点

  • Hydrogen 面向快速编程和 Agent 工作;Google 称其基于 Gemini 4 Carbon 调整而来。

  • 官方结果因任务不同而分化:ALE 成绩突出;OSWorld 和科学任务分数低于表中 Sonnet 5.5。

  • Google 称默认 High 档 Intelligence Index 为 51,Xhigh 为 54;这不是跨任务的通用排名。

  • 模型卡列出幻觉、偶发超时、高推理 token 消耗,以及一项安全对比中无正当理由拒答上升。

  • 应把它作为待测候选,而非免审核替换生产模型。

Hydrogen 评测速览

项目Google 公布的数据不能据此得出的结论
Agent 知识工作ALE v1.1:Hydrogen 71.6%,Sonnet 5.5 60.4%所有长任务都稳赢
电脑操作OSWorld-2.1 离线子集:77.6% 对 83.9%与你的界面和测试环境相同
终端科学Terminal-Bench Science 0.1:51.4% 对 59.9%具备普遍科学可靠性
多模态MKA:53.4% 对 52.0%;Chartography:66.6% 对 61.6%所有图像、表格与 PDF 都更好
API 单价标准档输入 $1.50/M,输出 $7.50/M成功任务成本更低

上述数据来自 Google DeepMind 模型卡,于 2026-11-16 核对。方法说明称,除特别注明外,Google 用 Gemini API 最高思考档评估 Hydrogen;有些分数由 Google 自测,有些来自外部榜单,不能当作同一套公平对战。Google 发布文另称默认 High 档 Artificial Analysis 指数为 51,Argon 为 50。可在 Artificial Analysis Hydrogen 页面查看其独立设置和任务成本。

表现值得关注的场景

ALE 结果是模型卡中较强的一项。Google 表示测试使用 122 个任务、5 小时窗口、Antigravity CLI 1.4.8;Hydrogen 和 Sonnet 5.5 分别使用指定 harness,启用安全过滤器。被过滤的回答计为空字符串。相比单独报一个榜单分数,这些条件更有参考价值,但仍是特定模型、工具和版本下的测试。

在多模态方面,Hydrogen 的 MKA 为 53.4%,Chartography 为 66.6%,略高于表中 Sonnet 5.5 的 52.0% 和 61.6%。这支持你用文档、图表任务进行专项测试,不足以证明每张图或 PDF 都处理得更好。浏览器任务的背景见 Argon 浏览器工作流和 Carbon 浏览器工作流。

Google 把 Hydrogen 定位为基于 Carbon、用于日常编码和 Agent 任务的快速执行型号。官方模型页列出共享 100 万 token 上下文与文本、图片、音频、视频、PDF 输入。规格只说明支持什么,不代表质量排名。Google 还宣称默认 High 的特定测试任务完成速度是 Gemini 3.8 Flash 的 2.5 倍;应理解为厂商实验结果,不是所有请求的速度保证。详见发布公告和模型页。

证据较弱或需要留意的地方

在 Google 自有对比表中,Hydrogen 并非处处领先:82 项离线 OSWorld 子集为 77.6%,低于 Sonnet 5.5 的 83.9%;Terminal-Bench Science 0.1 为 51.4% 对 59.9%。测试方法按任务有不同 harness 与重复次数。因此应按实际工作类型选择,不能把“快执行”推成“每种专业任务都强”。

安全比较也值得注意。Google 报告相较 Gemini 3.8 Flash,Hydrogen 在部分良性或边界多模态请求上的无正当理由拒答增加 5.57 个百分点。这是内部自动评估,不代表全体用户拒答率,也不是独立红队结果;核对时完整安全报告仍标为即将发布。Google 另外列出幻觉、偶发超时和高推理档 token 较多等限制,知识截止日期为 2026 年 3 月。

按工作负载给出结论

你的任务可以先测仍需人工检查
有明确验收标准的多步知识工作Hydrogen来源准确度和是否完成任务
短、低风险格式转换当前低成本模型更换后质量提升是否值得
UI 自动化Hydrogen 与专项对手坐标错误、恢复能力和危险操作
科学或高风险推理多个候选引用、计算、领域复核
图文档输入固定自己的图片与文件误拒答和漏信息

结论是有条件的:Hydrogen 值得放进 Agent 和混合文件任务的候选集,但公开资料不足以默认替换 Argon、Carbon、Sonnet 或现有生产模型。定义候选时可看 Hydrogen 模型资源、Argon 模型资源及 Gemini 3.8 Flash 评测。浏览器相关任务可先参照 AI 浏览器、Agentic 浏览器与浏览器自动化。

浏览器有助于固定页面和会话,让测试条件可复现,但不能证明 Hydrogen 已接入 Tabbit。Tabbit 可以作为公开网页研究工作区;本文没有声称 Hydrogen 已在 Tabbit 可用,也没有 Tabbit 性能数据。先在模型选择器确认,再以相同任务、工具和验收条件比较。

常见问题

Gemini 4 Hydrogen 值得用吗?

它适合纳入快速编程、Agent 工作流和多模态任务的候选名单,但公开资料不足以证明它在所有场景都领先。应在相同推理档位下,用真实待办任务比较。

Gemini 4 Hydrogen 比 Argon 强吗?

不能概括成所有基准都更强。Google 公布的高推理综合指数略高于 Argon,但其表格也显示 Argon 在部分专门基准领先。结果取决于任务、档位、测试工具和提供方。

Gemini 4 Hydrogen 有哪些缺点?

Google 列出的限制包括幻觉、偶发慢响应或超时、高推理档位可能使用较多 token,以及相较 Gemini 3.8 Flash 在部分良性或边界多模态请求上无正当理由拒答更多。

它支持 100 万 token 上下文吗?

Google 模型文档列出共享的 100 万 token 上下文。容量规格不意味着每个任务都应输入 100 万 token,也不保证长上下文结果质量。

我能在 Tabbit 里用它吗?

模型页和资源可以帮助评估 Hydrogen,但本文没有验证它在 Tabbit 中可用。把它放进工作流前,请检查自己账号的模型选择器。

下一步

让 Tabbit 与你并肩工作。

跨标签页调研、自动化重复的浏览器工作,让每一处上下文都触手可及。