Arena 报告 Gemini 4 Hydrogen (High) 在 Agent Arena 首发排名第 5,6.5k 次真实代理会话的净改进率为 +14.8%;公开帖子支持对该榜单快照的描述,但不足以复现测试或推断其他任务表现。
适合判断的任务:Arena Agent Arena 中的代理任务表现与耗时快照。
不适合外推的任务:其他基准、提示词、客户端、推理档位,以及未披露的任务分布。
适用的模型版本:Gemini 4 Hydrogen (High)。
测试环境或客户端:Arena Agent Arena;Agent Mode 任务。帖子未注明客户端及完整测试配置。
推理档位和参数:High;其他采样参数未注明。
Arena 称结果基于 6.5k 次真实世界代理会话。帖子将一次 Agent Mode 任务中的一次模型 API 调用定义为一个步骤;耗时从首次模型请求计至最后一次流式回复,不含工具执行。帖子未提供任务抽样、提示词、模型调用参数或完整评分细节。
Agent Arena 首发排名第 5,净改进率 +14.8%。
前 10 模型中任务中位耗时最低:5.3 分钟/任务;Arena 称约为 Claude Fable 5.2 (Max) 的 1/3、GPT-6 Astra (Max) 的 1/2.4。
单个模型步骤典型耗时 7.3 秒;Arena 称分别比 Claude Sonnet 5.5 和 GPT-6.1 Sol 快约 2.7 倍、3.1 倍。
任务耗时少于 10 分钟的比例为 82%,对照 GPT-6.1 Sol 为 55%、Claude Sonnet 5.5 为 44%;少于 30 分钟的比例为 97%,对照分别为 81%、78%。
数据来自 Arena 原帖及同串基准回复。原帖没有列出置信区间、各模型样本量或单任务记录;比较项的档位也未在速度帖中完整注明。
该来源是 Arena 对其榜单结果的第一方发布,适合作为截至 2026-11-13 的 Agent Arena 快照。净改进率的计算定义、任务构成和统计不确定性未在帖子中说明。耗时不含工具执行,因此不等于端到端任务耗时;样本量和汇总结果也不能证明 Hydrogen 在所有代理任务上领先。
仅凭公开帖子无法复现该基准。需要 Arena 的任务集、抽样与评分规则、模型/API 配置、逐任务记录及统计方法。
Gemini 4 Hydrogen