Gemini 4 Hydrogen 的公開亮點之一,是 Google 表示它在 Agents’ Last Exam v1.1 得到 71.6%,Claude Sonnet 5.5 為 60.4%。這是知識工作任務的有用訊號,不能保證 Hydrogen 會在你的 Agent 任務勝出。Google 同一模型卡顯示,它在 OSWorld-2.1 與 Terminal-Bench Science 低於 Sonnet 5.5;相較 Gemini 3.8 Flash,部分多模態提示也出現較多不必要拒答。本文分析公開證據,沒有在 Tabbit 實測。價格見 Hydrogen 定價,存取方式見 Hydrogen 指南。
一則 Reddit 討論詢問為何部分基準測試中 Hydrogen 高於 Argon,也有使用者分享不同的日常體驗。這些貼文不是基準證據;本文依據 Google 公布的方法並說明其限制。查看討論。
重點整理
Hydrogen 面向快速程式開發與 Agent 工作;Google 表示它是以 Gemini 4 Carbon 為基礎調整。
公開結果依任務而異:ALE 表現突出,OSWorld 與科學任務分數低於表中的 Sonnet 5.5。
Google 稱預設 High 的 Intelligence Index 為 51、Xhigh 為 54;這不是通用排名。
模型卡列出幻覺、偶發逾時、高推理 token 使用量,以及一項安全比較中不當拒答增加。
把它視為候選,先測再決定,不要直接取代生產模型。
評測重點一覽
| 項目 | Google 公開數據 | 不能推論的事情 |
|---|---|---|
| Agent 知識工作 | ALE v1.1:Hydrogen 71.6%,Sonnet 5.5 60.4% | 所有長任務都領先 |
| 電腦操作 | OSWorld-2.1 離線子集:77.6% 對 83.9% | 與你的環境完全相同 |
| 終端科學 | Terminal-Bench Science 0.1:51.4% 對 59.9% | 普遍的科學可靠度 |
| 多模態 | MKA:53.4% 對 52.0%;Chartography:66.6% 對 61.6% | 所有圖片與 PDF 都更好 |
| API 單價 | Standard 輸入 $1.50/M、輸出 $7.50/M | 每個成功任務成本更低 |
資料來自 Google DeepMind 模型卡,於 2026-11-16 核對。方法說明指出,除非另有註明,Hydrogen 使用 Gemini API 最高思考層級;有些分數是 Google 自測,有些取自外部排行榜,因此不是完全相同條件的對打。Google 發布文另稱預設 High 的 Artificial Analysis 指數為 51,Argon 為 50。可在 AA Hydrogen 頁面查看獨立資料。
值得測試的工作
ALE 是模型卡中較強的一項。Google 說測試使用 122 個任務與五小時時限,Hydrogen 跑 Antigravity CLI 1.4.8,Sonnet 5.5 用 ALE-Claw,兩者開啟安全過濾,被攔截的回覆視為空字串。這些條件比單獨分數更有資訊,但仍是特定工具與版本的評測。
在多模態方面,Hydrogen 的 MKA 53.4%、Chartography 66.6%,略高於 Sonnet 5.5 的 52.0% 與 61.6%。可據此對文件或圖表任務做專項測試,不能推論所有檔案都更可靠。瀏覽器工作流程可看 Argon 瀏覽器指南與 Carbon 瀏覽器指南。
Google 將 Hydrogen 定位為基於 Carbon、面向日常編碼與 Agent 的快速執行模型。官方模型頁列出共享 100 萬 token 上下文及文字、圖片、音訊、影片與 PDF 輸入。規格描述支援範圍,不等於品質排名。官方發布文稱,在預設 High 的測試任務中,它比 Gemini 3.8 Flash 快 2.5 倍;這是 Google 的特定測試結果,不代表每次回覆都如此。請看公告與模型文件。
需要保留的疑問
Hydrogen 在 Google 自己的表格也非全面勝出:82 項離線 OSWorld 子集為 77.6%,低於 Sonnet 5.5 的 83.9%;Terminal-Bench Science 0.1 是 51.4% 對 59.9%。評測按任務使用不同工具與重複次數。請依你的工作負載判斷,別把快速執行等同於所有專業任務較強。
Google 安全資料稱,相較 Gemini 3.8 Flash,部分良性或邊界多模態提示的不當拒答增加 5.57 個百分點。這是內部自動評估,不是每位使用者的拒答率或獨立紅隊結論;本文查核時完整安全報告仍待發布。官方也列出幻覺、偶發逾時、高推理 token 較多,知識截止為 2026 年 3 月。
依工作情境判斷
| 任務 | 可先測試 | 人工覆核 |
|---|---|---|
| 有明確完成檢查的多步知識工作 | Hydrogen | 來源與完成度 |
| 短而低風險的轉換 | 現用低價模型 | 是否值得切換 |
| UI 操作 | Hydrogen 與專項候選 | 操作錯誤、恢復、危險行為 |
| 科學或高風險推理 | 多個候選 | 引用、計算、領域審查 |
| 圖片和文件輸入 | 自有固定樣本 | 誤拒與漏讀 |
Hydrogen 值得列入 Agent 與混合檔案任務的測試清單,但資料不足以直接替換 Argon、Carbon、Sonnet 或生產模型。可參考 Hydrogen 模型資源 (简体中文)、Argon 資源 (简体中文)與 Gemini 3.8 Flash 評測。瀏覽器工作則參考 AI browser、Agentic browser與自動化。
瀏覽器能固定頁面和登入狀態,方便重複測試,但不能證明 Hydrogen 已在 Tabbit 提供。本文沒有聲稱 Tabbit 整合或實測結果。請先在模型清單 (简体中文)確認,再固定任務與驗收標準比較。
常見問題
Gemini 4 Hydrogen 值得使用嗎?
它值得列入快速程式開發、Agent 工作流程與多模態工作的候選,但公開資料不足以證明它在所有情境都領先。請在相同推理層級下,用實際工作比較。
Gemini 4 Hydrogen 比 Argon 強嗎?
不能說它在所有基準都更強。Google 公布的高推理綜合指數略高於 Argon,但自家表格也顯示 Argon 在部分專項基準領先。結果受任務、層級、測試框架與服務商影響。
Gemini 4 Hydrogen 有哪些缺點?
Google 列出的限制包括幻覺、偶爾延遲或逾時、高推理層級可能消耗較多 token,以及相較 Gemini 3.8 Flash,在部分良性或邊界多模態請求上有較多不必要的拒答。
它支援 100 萬 token 上下文嗎?
Google 模型文件列出共享的 100 萬 token 上下文。容量規格不代表每個任務都該輸入 100 萬 token,也不保證長上下文品質。
我能在 Tabbit 使用它嗎?
模型頁與資源可協助你評估 Hydrogen,但本文未驗證 Tabbit 是否提供此模型。規劃工作流程前,請查看自己帳號的模型選單。