谷歌新模型反超自家旗舰，写代码通关率从18%冲到57%

11月12日，谷歌发布了一个本来该“不上不下”的模型，结果它把自家最贵的旗舰跑分了。Gemini 4 Hydrogen 在默认思考档位下，Artificial Analysis 智能指数拿到51分，比自家旗舰 Gemini 4 Argon 的50分还高；在 Terminal-Bench 4.1 这个考“能不能在命令行里把整段活干完”的测试里，得分从上一代轻量模型 Gemini 3.8 Flash 的18.2%直接拉到57%。当天起，它在谷歌搜索、Gemini 应用和 API 上陆续开闸，免费用户也能碰到。

先把名字理清楚。Gemini 4 这一代按元素命名，Argon（氩）和 Carbon（碳）负责长时间、深推理的硬活，Hydrogen（氢）是第三个成员，定位是“日常干活的主力”：写代码、跑测试、改 bug、反复调用工具。谷歌 DeepMind 高级副总裁、首席 AI 架构师 Koray Kavukcuoglu 在官方博客里的说法，是 Hydrogen 要把“前沿智能带给所有人”。它支持文本、图像、音频、视频输入，输出只有文本，上下文窗口输入100万 token，思考深度分 low、medium、high、xhigh 四档，默认 high。

跑分是最能说明问题的一段。官方对比里，Hydrogen 和同级别的 Claude Sonnet 5.5、GPT-6.1 Terra 比了10项，赢了7项：SWE-sweep 13.5%（对手3.1%和5.8%）、Agents' Last Exam 71.6%、AutomationBench 76.1%、Vending-Bench 2 的期末余额14549美元（对手11165和9107美元）、多模态知识工作 MKA 53.4%、HLE-Diamond 58.8%。输的三项也值得记：Terminal-Bench 4.1 是57%对63.9%，OSWorld-2.1 是77.6%对83.9%，科学计算 Terminal-Bench-Science 是51.4%对59.9%，对手都是 Claude Sonnet 5.5。这些是厂商自测数据，各家测试口径不完全一样，看趋势比盯单点靠谱

对普通用户来说，变化先出现在搜索框里。同一个问题，上一代给一段说得过去的文字，Hydrogen 会把答案摊开成清单、配图和商品卡片。官方演示里有个很典型的场景：一个人住很小的开间，床正对着摄像头，想在200美元以内把房间“隔”成两间。旧模型给的是“调整家具朝向、加个隔断”这类方向性建议，新模型直接把预算拆成“80到140美元的开背书架隔断”，后面还跟着实拍图。购物场景同样明显，问“给一双透气、有足弓支撑、能走一整天的免系带跑鞋”，旧模型列品牌和宽泛建议，它直接点名型号、给出115美元的价位，还补了一句“你之前穿的 Allbirds 太薄太扁”。

小户型改造问题对比：左为旧模型，右为Hydrogen方案。来源：Google官方博客

跑鞋推荐对比：右为Hydrogen点名型号与价格。来源：Google官方博客

更明显的是它开始画表。问“搬去波士顿，28岁，想要社交氛围但周末别太吵”，Hydrogen 的回答里有地铁线路图、按街区排的对比表，通勤线、气质、社交评分一列列摆出来，而不是笼统推荐几个地名。这种把地图、表格、图表一起产出的能力，是它这次主推的“多模态知识工作”，官方在 MKA 测试里给的分数是53.4%。以后搜索不再只是“给信息”，而是替你做完一道选择题。

波士顿街区推荐对比：Hydrogen给出地图与对比表。来源：Google官方博客

企业侧的实测数据更硬一些。Box 的评估说，Hydrogen 相比3.8 Flash 准确率明显提升，速度快一倍左右，token 少用12%，数据密集的表格读取和计算提升最大。Pixelcut 跑了276次测试，称每一个设计需求都过了，速度快1.8倍、代码干净程度提升30%。Cartwheel 首席科学家 Andrew Carr 说，他们用竞品旗舰啃了10天的一个难题，Hydrogen 抓出方案里的两个问题并给了修法。LatchBio 的抗体研发测试里，它在毒理与安全部分通过率67%，非谷歌系最好的模型是37%。这些反馈都出自谷歌官方博客的客户证言，属于厂商组织测试，但指向同一件事：这一档模型已经够用来干真活。

价格是这次最容易被忽略的一刀。Hydrogen 输入1.5美元/百万 token、输出7.5美元/百万 token，整个100万上下文一个价，不阶梯涨价；作为参照，Argon 和 Carbon 优惠期是输入2美元、输出10美元，12月1日之后回到4美元和20美元。开放范围也比旗舰宽：AI Studio 全档、Gemini API、企业版、Gemini 应用、谷歌搜索都能用，免费用户在搜索里直接碰到它，Gemini 应用里则通过“按问题自动选模型”落到它身上。

后面有三件事值得盯着。一是分工会不会变成常态，谷歌同时在 Antigravity 里放了 Orchestrator，让 Carbon 当大脑、Hydrogen 当手脚，官方称在 Terminal-Bench 4.0 上接近 Carbon 的成功率，配额少用24%、速度快19%。二是安全账，官方称它保持了99.9%的思维链可读性、20万轮审计里没有欺骗性推理改写，对间接提示注入的抵抗力提升2.3倍；但据 ITmedia 查阅的模型卡，它在生物和网络安全两个领域触及了“警戒阈值”，尚未到“重大能力等级”。三是国内厂商跟不跟，同一价位段上，推理速度、工具调用成功率、每任务成本这三项，接下来几个月会被反复拿来对比。

来源：Google 官方博客（Gemini 4 Hydrogen 发布文与模型卡）、ITmedia、钛媒体、Artificial Analysis。