Artificial Analysis 的 Intelligence Index v5.0.1 给 Gemini 4 Hydrogen(xhigh)打出 54 分;同一模型的 high、medium、low 分别为 51、41、27。指数是多项任务的加权汇总,不能代表所有任务表现。
适合判断的任务:跨知识工作、编程、科学和通用知识的综合能力。
不适合外推的任务:未纳入指数的任务、特定行业工作流,以及非英语或纯视觉任务。
适用的模型版本:Gemini 4 Hydrogen;分别注明 xhigh、high、medium、low 推理档位。
测试环境或客户端:Artificial Analysis 独立评测,站方未披露本次使用的模型端点。
推理档位和参数:结果按推理档位分别报告;站方通用设置为推理模型温度 0.6(模型方另有建议时从其建议),输出上限按模型方披露的最大值。
Intelligence Index v5.0.1 包含 9 项评测,四类各占总分 25%:
| 类别 | 评测与题量 | 重复次数 | 占总分权重 |
|---|---|---|---|
| 知识工作 | AA-Briefcase v1.1(91 项)、AutomationBench-AA(657 项)、GDP.pdf(100 项) | 1、1、5 | 15%、5%、5% |
| 编程 | FrontierCode-AA 2.0(132 项)、Terminal-Bench 4.0(66 项) | 3、3 | 15%、10% |
| 科学 | Terminal-Bench-Science 0.1(70 项)、CritPt v2 Hard(40 项) | 3、5 | 15%、10% |
| 通用 | AA-Omniscience v1.1(3,000 项)、HLE-Diamond(1,000 项) | 1、1 | 15%、10% |
评测遵循标准化、零样本指令提示和统一评分原则。方法说明:非推理模型温度为 0,推理模型为 0.6;API 失败最多自动重试 30 次。该套件主要使用英文文本;部分评测(如 GDP.pdf、HLE-Diamond)包含图像输入。
Hydrogen xhigh:54 分,14.7 分钟/指数任务,平均每任务成本 3.16 美元。
Hydrogen high:51 分,8.3 分钟/任务,1.87 美元/任务。
Hydrogen medium:41 分,3.8 分钟/任务,0.80 美元/任务。
Hydrogen low:27 分,1.4 分钟/任务,0.29 美元/任务。
X 帖补充称,xhigh 相比 high 多 3 分,但输出 token 接近翻倍;模型页报告 xhigh 在指数评测中生成 3.04 亿输出 token。
Gemini 4 Hydrogen 模型页:包含各推理档位分数、成本、耗时和 token 汇总。
Intelligence Index 评测方法:包含评测组成、题量、重复次数、权重和通用参数。
成绩支持“xhigh 综合分高于该模型的其他推理档位”,但提升伴随更长耗时和更高成本。Artificial Analysis 明确指出指数只是综合能力指标,不能直接对应每个使用场景。本次材料未披露评测使用的模型端点、具体模型标识或逐题结果,仅凭这些页面无法重跑同一批测试。Artificial Analysis 模型页当时的 API 可用性标注与 Google API 发布日志 不一致,API 公开状态以 Google 文档为准。页面数据是 2026-11-16 采集时的动态快照。
查看原帖、模型页及评测方法页可复核已公布的汇总结果和总体设置;逐题重跑仍需取得相同模型端点、提示词、数据集和完整评测工件。
Gemini 4 Hydrogen