Tabbit部落格

Gemini 4 Hydrogen 評測:公開證據說明什麼

依公開資料分析 Gemini 4 Hydrogen 的基準條件、優點、限制、API 成本與適合測試的工作負載。

本文目錄
  1. 重點整理
  2. 評測重點一覽
  3. 值得測試的工作
  4. 需要保留的疑問
  5. 依工作情境判斷

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。

下一步

讓 Tabbit 與你並肩工作。

跨分頁調研、自動化重複的瀏覽器工作,讓每一處上下文都觸手可及。