Google DeepMind 的模型卡报告了 Gemini 4 Hydrogen 在多类基准上的成绩及相对 Claude Sonnet 5.5、GPT-6.1 Terra 的结果;这些是模型提供方公布的汇总数据,页面没有给出足以独立重跑各项测试的完整配置和逐题记录。
适合判断的任务:了解 Google DeepMind 对 Hydrogen 能力范围、公开基准成绩和已披露局限的说明。
不适合外推的任务:据此判断所有实际任务、不同客户端或参数下的表现,或把分数直接与 Arena、Artificial Analysis、Plotly 的结果排序比较。
适用的模型版本:Gemini 4 Hydrogen;页面未注明具体 API 模型 ID、修订号或各项测试使用的推理档位。
测试环境或客户端:未注明;分项基准的完整运行环境不在模型卡正文中。
推理档位和参数:未注明;页面仅说明产品可在四种 thinking level 间调整速度与智能程度。
模型卡称其评估覆盖代理编程、知识工作、计算机使用、多模态理解、科学与数学、推理。结果表注明了个别范围或计分说明,例如 Terminal-Bench 4.1 使用 cheating-adjusted 分数,OSWorld-2.1 使用 offline subset,MKA 报告 Climb WSR accuracy,Vending-Bench 2 报告账户余额。模型卡提供了独立的评测方法页面链接,但本页未展开各基准的题集、提示词、工具配置、重复次数、统计区间或评分细节。
因此,下列数据应视为截至 2026 年 11 月的 Google DeepMind 官方报告值。模型卡虽列出对照模型,但没有在结果表中说明每个模型的端点版本、参数和测试是否完全同配置;不能仅凭此表确认横向差值来自模型能力本身。
| 类别 | 基准 | 说明 | Gemini 4 Hydrogen | Claude Sonnet 5.5 | GPT-6.1 Terra |
|---|---|---|---|---|---|
| 代理编程 | SWE-sweep | — | 13.5% | 3.1% | 5.8% |
| 代理编程 | Terminal-Bench 4.1 | Cheating-adjusted | 57.0% | 63.9% | — |
| 知识工作 | Agents' Last Exam v1.1 | Score | 71.6% | 60.4% | 69.8% |
| 知识工作 | AutomationBench-AA | — | 76.1% | 71.8% | 60.2% |
| 知识工作 | Vending-Bench 2 | Bank balance(美元) | $14,549 | $11,165 | $9,107 |
| 计算机使用 | OSWorld-2.1 | Offline subset | 77.6% | 83.9% | 74.2% |
| 多模态理解 | MKA | Climb WSR accuracy | 53.4% | 52.0% | 43.8% |
| 多模态理解 | Chartography | — | 66.6% | 61.6% | 63.2% |
| 科学与数学 | Terminal-Bench-Science 0.1 | — | 51.4% | 59.9% | 58.3% |
| 推理 | HLE-Diamond | — | 58.8% | 53.3% | 47.3% |
模型卡还报告内部自动化安全评估相对 Gemini 3.8 Flash 的百分点变化:文本安全 +0.80pp、多语言安全 +1.10pp、图像输入安全 +7.00pp、拒绝语气 -0.65pp、无正当理由拒绝 +5.57pp。卡片称前三项安全指标越高越好,拒绝语气越高越好,无正当理由拒绝越低越好;因此最后一项是退步。评估为自动化评估,并非人工评估或红队测试。Google 说明评估集和评估方式有更新,结果不能直接与更早的 Gemini 模型卡比较。
模型定位:卡片称 Hydrogen 从 Gemini 4 Carbon 适配而来,定位于日常编码和代理工作流中的快速执行。
输入与上下文:支持文本、图像、音频、视频;输入与输出合计上下文窗口最高 1M token。
输出:默认同步输出最高 64K token;后台 long decode 最高 1M token。
知识截止日期:2026 年 3 月。
已知局限:可能产生幻觉;可能出现延迟或超时;高 thinking level 下可能使用更多 token;部分领域知识可能不够新。
安全披露状态:完整 Safety & Security Report 在采集时仍标为即将发布。模型卡称 Hydrogen 未达到其 CBRN 与网络安全 CCL,但触及两项 CCL 警戒阈值,并称继续部署缓解措施。此处仅记录卡片结论,不据此推演风险能力。
官方结果显示 Hydrogen 在表列基准中有强有弱:例如它在 SWE-sweep、Agents' Last Exam、AutomationBench-AA、Vending-Bench 2 和 HLE-Diamond 的报告值高于两个对照模型中的至少一个;在 Terminal-Bench 4.1、OSWorld-2.1 和 Terminal-Bench-Science 0.1 则低于 Claude Sonnet 5.5。结果更适合说明 Google 选择公开了哪些任务与数值,不能概括为 Hydrogen 在一般代理任务上全面领先。
这组分数来自模型提供方的模型卡,不是 Arena 的用户偏好排名、Artificial Analysis 的综合指数,也不是 Plotly 的单次数据分析考试。它们采用不同任务、harness 和汇总口径,不应跨来源直接拼接或比较。模型卡页面会更新,本文记录的是 2026-11-16 可见快照。
模型卡正文足以核对上表数字和说明,但不足以逐项重跑测试。精确复现还需要各基准的版本与题集、模型端点和修订号、提示词、工具/harness、推理档位、采样参数、重复次数及逐题结果。卡片链接到评测方法页,但本文只依据这张模型卡,不将链接页面未在卡片中展示的细节补作证据。
Gemini 4 Hydrogen