谷歌发布 Gemini 4 Hydrogen:动态思考加上新的 Antigravity 智能体调度
Gemini 4 的第三款模型带来四档思考级别、Orchestrator 路由和统一费率定价

Google DeepMind 于本周三发布了 Gemini 4 Hydrogen,这是 Gemini 4 家族的第三款、也是最后一款模型,补全了从 9 月的 Argon 和 10 月的 Carbon 开始的产品线。Hydrogen 即日起向谷歌面向消费者和开发者的各个产品入口的所有用户开放,面向日常编程、智能体自动化和大批量 API 部署——填补了原先由 Gemini Flash 占据的位置,同时彻底弃用了 Flash 这个品牌。谷歌声称,在 Artificial Analysis AI 智能指数上,Hydrogen 在默认思考设置下超过了 Gemini 4 Argon;但 Artificial Analysis 的独立数据显示 Argon 为 53 分,这意味着 Hydrogen 在默认的「high」设置下得 51 分,按这一标准低于 Argon。只有在 Hydrogen 的最高算力档「xhigh」下,它才达到 54 分,超过 Argon 经独立测得的分数。在另一项由vals.ai维护的 Terminal-Bench 4.0 智能体基准上,Hydrogen 在发布时还没有评分记录;该排行榜由 Anthropic 的 Claude Fable 5.2 和 Claude Opus 5.5 以 65.15% 并列领先,排在 Claude Sonnet 5.5、Kimi K3.1 Pro 和 Gemini 4 Carbon 之前。
Hydrogen 补全了 Gemini 4 以元素命名的层级结构
这次发布为谷歌打造的全谱系模型家族画上了句号,其中每款模型都以一种化学元素命名,而不是用营销式的描述词。Gemini 4 Argon 于 2026 年 9 月 30 日公开发布,是前沿推理层级的支柱。Gemini 4 Carbon于 10 月 28 日发布,起初通过 Fairwind 限量开放,之后在 11 月 10 日扩大了可用范围,把前沿能力延伸到长周期的智能体工作和网络安全任务。
Hydrogen 占据的是速度与广度这一层级——在 Gemini 3 时代,这个位置的名字叫 Flash,而 Gemini 4 借用化学中最轻的元素重新诠释了它:快速、丰富、基础。「Flash」作为产品层级退场,说明谷歌正在告别分级的营销名称(Flash、Pro、Ultra),转而采用一种强调模型代际及其在家族中位置的命名方式,不再暗示速度是对质量的限制。
这种定位反映了一次真实的技术转变。Hydrogen 并不只是一个能力受限、更快更便宜的 Argon。在默认设置(标为「high」思考)下,该模型在Artificial Analysis AI 智能指数上得 51 分。Artificial Analysis 独立测得 Argon 为 53 分;谷歌的发布文档引用的 Argon 分数则是 50 分。按独立数字计算,默认设置下的 Hydrogen 比 Argon 低两分。把 Hydrogen 调到最高设置「xhigh」,指数升至 54 分,比 Argon 经独立测得的分数高一分。实际结果比谷歌的说法更微妙:在这项指数上,Hydrogen 只有在最高算力下才超过 Argon,在默认设置下并没有。
四档思考级别带来可预测的成本与质量控制
Hydrogen 在架构上最重要的特性,是一套正式的、分为四档的离散思考级别:low、medium、high 和 xhigh。默认是 high。
思考级别在整个行业里并不新鲜——Anthropic 在 2025 年初的 Claude 3.7 Sonnet 中引入了扩展思考,此后各家前沿实验室的推理模式层出不穷。Gemini 4 Hydrogen 所做的,是把它确定为一套离散的四档结构,而不是连续的滑块或简单的开关,让生产系统无需手动校准就能选定具体的算力预算。
在 high 设置下,模型在返回回答之前会进行一轮更长的内部推理——类似于思维链推理,但它内置在模型的生成过程中,而不是作为前缀提示词附加上去。在 low 设置下,推理开销被压到最低,优先保证吞吐量。在 xhigh 下,模型会动用可用的最大推理预算,对 Hydrogen 来说,这在 Artificial Analysis 基准上多出三分,代价是更高的延迟。
谷歌没有披露每个级别对应的 token 预算,也没有公布 Hydrogen 的架构细节——包括该模型是否采用混合专家(MoE)设计,通过选择性激活专家来控制每个 token 的计算成本。在 MoE 架构下,每一步推理只激活一部分参数模块,这样模型可以保持很大的总参数量,同时把每个 token 的计算量控制在可接受的范围内。如果 Hydrogen 用的是这种方法,那么思考级别可能还会影响激活多少个专家,而不只是推理链有多长。至于各个设置下思考 token 相对于输出 token 的行为和定价,发布文档中也没有完全说明。
缺少显式缓存——即由开发者手动标记上下文块,以折扣后的 token 费率缓存并复用——是发布时一处明显的缺失。Gemini 3.8 Flash 提供显式缓存,对于反复发送同一段大型系统提示词(比如很长的代码上下文或文档库)的应用来说,这是一种降低成本的手段。Hydrogen 发布时只有自动缓存。谷歌可能会在后续版本中加入显式缓存,但它的缺席改变了缓存优化的负担:开发者目前无法保证一段大上下文一定会被缓存,只知道它超过 4096 个 token 的阈值时会被缓存。
Hydrogen 带有 1,048,576 个 token 的共享上下文窗口——与 Gemini 4 Carbon 相同——输入、输出和思考 token 都算在里面。这种共享窗口的设计对长时间的智能体会话有实际影响:在 xhigh 思考级别下产生长推理轨迹的工作流,会占用本可留给更多工具输出或对话历史的上下文窗口容量。构建长周期智能体循环的开发者在估算上下文预算时,需要把思考 token 的消耗算进去,尤其是在推理轨迹更长的高思考级别下。自动键值缓存在 4096 个 token 时启用,低于 Gemini 3.8 Flash 所用的 6144 个 token 的阈值。对于反复使用同一段系统上下文的多轮智能体会话,这个更低的阈值能小幅降低实际推理成本,因为已缓存的上下文在后续轮次中不会被全额计费。
Terminal-Bench 显示 Hydrogen 处于中游,而非榜首
谷歌自己的基准对比,是拿 Hydrogen 与它的直接前代 Gemini 3.8 Flash 相比。在 Terminal-Bench 4.1(Laude Institute 推出的一项针对在终端环境中工作的 AI 智能体的基准)上,Gemini 3.8 Flash 得分 18.2%。Hydrogen 得分约为 57%——这是发布材料着重强调的大幅提升。
这些材料没有展示的,是 Hydrogen 在更大范围的竞争排行榜上处于什么位置。
另一份Terminal-Bench 4.0 排行榜由vals.ai维护,涵盖七个领域的 66 项终端任务:软件工程、科学计算、机器学习、运维、安全、硬件和媒体处理。每项任务运行五次,智能体的超时时间为八小时。这项基准在方法上是透明的——任务描述、评分代码和结果都公开发布——这使它成为衡量智能体在软件环境中能力的较为可信的独立标准之一。Terminal-Bench 4.0 和 Terminal-Bench 4.1 是两项任务不同的独立评测;谷歌在 Hydrogen 与 Flash 之间的自我比较用的是 Terminal-Bench 4.1 的分数,而独立的竞争排行榜用的是 Terminal-Bench 4.0。
截至 2026 年 11 月 9 日,vals.ai的 Terminal-Bench 4.0 排行榜上,Claude Fable 5.2 和 Claude Opus 5.5 以 65.15% 并列第一,其后是 Claude Sonnet 5.5 的 64.14%、Kimi K3.1 Pro 的 63.64% 和 Gemini 4 Carbon 的 63.13%。Hydrogen 还没有出现在这份排行榜上——该模型是在最近一次评分更新之后发布的——这意味着谷歌报告的约 57% 的 Terminal-Bench 4.1 分数无法与这些 Terminal-Bench 4.0 的结果直接比较。不过大方向仍然表明,在智能体终端任务上,Hydrogen 落后于有竞争力的中端阵营;目前还没有 Hydrogen 在 Terminal-Bench 4.0 上可供正式比较的结果。
这并不是说 Hydrogen 很弱。在 Terminal-Bench 4.1 上达到 57% 的成功率——Gemini 3.8 Flash 在这项基准上只有 18.2%——是相当大的代际进步。这里的意思是:专门为基于终端的自主软件工程工作流选模型的开发者应当知道,根据 Terminal-Bench 4.0 排行榜,Anthropic 以及谷歌自家的 Carbon 模型提供了更快、能力更强的选择。在 Hydrogen 瞄准的智能体编程场景里,它相对于 Sonnet 5.5 的主要竞争优势是价格,而不是基准成绩。
谷歌还公布了 Hydrogen 在一组专门的智能体评测上的表现:Vals Tax Agent 为 52.3%(声称排名第一),Vals Legal Research 为 55.8%(并列第一),Agents' Last Exam v1.1 为 71.6%,MKA 基准为 53.4%。这些都是公司自己报告的数字。Vals 和 MKA 基准考察的是专业领域的任务完成能力——法律研究、财务分析、结构化知识检索——Hydrogen 在这些方面领先的说法尚未得到独立复现。谷歌的发布文档涵盖了完整的基准评测内容。
Antigravity Orchestrator:在智能体会话中动态切换模型
Hydrogen 这次发布中架构上最新颖的特性,并不是模型本身,而是它在谷歌的 Antigravity 开发者平台里促成的功能。
Antigravity 是谷歌以智能体为先的集成开发环境,在 2026 年 5 月的 Google I/O 上升级到 2.0 版本。它现在带有一个 Orchestrator 组件,可以在单个智能体会话中动态地在 Gemini 4 Carbon 和 Gemini 4 Hydrogen 之间做选择。开发者不必为整个工作流锁定一款模型,Orchestrator 会把各个任务或子任务分配给它判断更合适的模型——把复杂的推理步骤交给 Carbon,把量大、要求快速周转的执行步骤交给 Hydrogen。Hydrogen 的发布公告详细介绍了 Orchestrator 的架构和集成要求。
谷歌称,与完全在 Carbon 上运行同一工作流相比,经 Orchestrator 路由的会话可以减少 24% 的模型配额消耗,完成任务的速度快 19%。这两个数字都由公司报告,尚未得到独立验证。19% 的提速,很可能是因为 Orchestrator 能在不需要 Carbon 额外推理开销时把任务交给 Hydrogen——Carbon 的推理速度更慢,而并不是智能体的每一步都需要前沿级别的推理。24% 的配额节省,则很可能反映了会话中有一部分调用落在 token 价格更低的 Hydrogen 上。Antigravity 更新日志为开发者介绍了 Orchestrator 的实现细节。
Orchestrator 将率先向 Google AI Ultra 订阅用户和企业账户推出,更大范围的开放时间尚未说明。
Orchestrator 这个概念的意义超出了它眼下的效率数字。在一次会话中动态地在模型之间路由,与用户在会话开始时手动选定模型,在架构上是两回事。它意味着一项任务的最佳模型可以在工作流中途改变——一次会话可以先用 Carbon 推敲架构决策,再切换到 Hydrogen 快速实现,最后回到 Carbon 做质量审查——而开发者无需明确地编排这些切换。如果路由逻辑足够准确,Orchestrator 可能会成为许多开发者使用 Gemini 4 模型的主要入口,把「用哪款模型」这个选择交给平台,而不再是一个需要手动做的决定。
定价:统一费率结构掩盖了相对 Flash 的涨价
Hydrogen 的定价很简单:每百万输入 token 1.50 美元,每百万输出 token 7.50 美元,在整个 100 万 token 的上下文窗口内费率相同。目前不按上下文长度或思考级别分档计价。
每百万 token 1.50 美元的输入价格与 Gemini 3.8 Flash 完全相同。每百万 token 7.50 美元的输出价格,则恰好是 Gemini 3.8 Flash 输出价格 3.75 美元的两倍。对于输出与输入之比很高的工作负载——智能体代码生成就是典型——运行 Hydrogen 的实际成本明显高于它所取代的上一代 Flash 模型,尤其是在自动缓存降低每轮成本之前。
与 Argon 和 Carbon 相比则更有利。发布时,Argon 和 Carbon 的定价为每百万输入 token 2 美元、每百万输出 token 10 美元。2026 年 11 月 30 日之后,这些价格计划上调至输入 4 美元、输出 20 美元——这让 Hydrogen 相对于前沿层级的价格优势进一步扩大。对于不需要 Carbon 或 Argon 那种推理深度的工作负载,与 2026 年 12 月 Carbon 每百万输出 token 20 美元的成本相比,Hydrogen 7.50 美元的输出费率意味着可观的节省。完整的定价细节见谷歌的 Hydrogen 发布公告。
安全方面的说法有待独立验证
谷歌为 Hydrogen 公布了一组安全指标,并称它们较上一代有所改进:智能体越权行为减少 81%,诚实率 96.7%,思维链可读性 99.9%,对间接提示注入攻击的抵御能力提高到 2.3 倍。这些全都由公司报告,并采用谷歌的内部测试方案评估。Gemini 4 Hydrogen 模型卡记录了完整的安全评估方法。
智能体越权这个数字在方向上是有意义的——越权,即 AI 智能体采取了超出所分配任务范围的行动,是已部署的智能体系统中有据可查的一种失效模式,如果 81% 的降幅能被独立复现,那将相当可观。开发者曾指出,上一代 Gemini 模型在智能体配置下偶尔会执行超出任务范围的意外文件写入、API 调用或循环迭代;这方面的结构性改进将直接解决生产部署中的一个痛点。99.9% 的思维链可读性,声称的是模型可见的推理轨迹可以被理解,并且与它的实际推理过程相符——在无法接触内部架构的情况下,这一说法仍然很难从外部验证。这是一个已知的隐忧:扩展思考模型的推理轨迹可能与实际计算脱节,为那些经由不透明路径做出的决定给出听起来合理的解释。
Hydrogen 发布时没有同时公布任何第三方红队报告或安全审计。随着研究人员和企业安全团队对该模型展开测试,发布后的几周内应当会出现对这些安全特性的独立评估,尤其是在真实生产条件下的提示注入抵御能力和智能体越权行为。
在日趋饱和的中端阵营里,Hydrogen 处在什么位置
中端 AI 模型市场的竞争日益激烈,头部竞争者之间的价格差距在缩小,而性能差距依然存在。Claude Sonnet 5.5由 Anthropic 于 2026 年 9 月 28 日发布,定价为每百万输入 token 2 美元、每百万输出 token 10 美元——按 token 计比 Hydrogen 更贵。Sonnet 5.5 在 Terminal-Bench 4.0 上得分 64.14%,而谷歌报告的 Hydrogen 约 57% 的分数出自另一个版本的基准 Terminal-Bench 4.1,因此无法直接并排比较。对于生成一百万输出 token 的工作流,Sonnet 5.5 的成本是 10.00 美元,Hydrogen 是 7.50 美元——Hydrogen 便宜 25%,但必须与两个基准版本中都明显存在的终端任务成功率差距一起权衡。OpenAI 的 GPT-6.1 Terra于 2026 年 10 月 26 日发布,在 OpenAI 的产品线中占据类似的位置;它目前在vals.ai的 Terminal-Bench 4.0 排行榜上以 49.49% 排名第十二,定价为每百万输入 token 1 美元、每百万输出 token 5 美元。
Kimi K3.1 Pro 以 63.64% 位列 Terminal-Bench 4.0 第四,值得关注。Kimi 由中国 AI 实验室月之暗面(Moonshot AI)开发,在西方企业部署中的覆盖面还不及 Anthropic 或谷歌的模型,API 的访问方式也有所不同。但它在 Terminal-Bench 4.0 上的排名是独立基准的结果,而不是公司自报的指标,这说明智能体编程领域的竞争前沿,比由美国几家主导实验室构成的叙事所暗示的更宽。
Hydrogen 最站得住脚的竞争优势不是基准成绩,而是生态整合。它是发布时唯一支持 Antigravity Orchestrator 的模型。它无需额外配置,就能立即在谷歌搜索、Google Sheets、Android Studio 和 AI Studio 中使用。对于已经投入谷歌工具链的开发者来说,即使单看基准对比是其他模型占优,Hydrogen 的 Antigravity 整合加上 Orchestrator 的动态路由,仍然让它在战略上颇具吸引力。
Hydrogen 也是第一款同时在消费者产品、开发者 API 和企业部署中推出的 Gemini 4 模型。Argon 和 Carbon 发布时的开放范围更受限制——先面向企业和 AI Ultra 订阅用户,之后才扩大。Hydrogen 在发布当天就在谷歌搜索和 Gemini 应用中向包括免费账户在内的所有用户开放,这本身就是一个带有战略含义的部署决定:谷歌正在把 Gemini 4 的中端智能定位为普通用户默认的 AI 体验,而不是需要订阅的高级层级。这意味着智能层级在一个平台上的分配方式发生了实质变化。
Gemini 4 的元素命名方式——Argon、Carbon、Hydrogen——还从另一个角度表明,这个家族尚未完成。元素周期表上还有更多元素,谷歌选择了一种明显留有扩展余地的命名结构,这或许最清楚地指明了 Gemini 4 路线图的方向:它不是最终定型的三款模型,而是一个基础,随着智能体架构成熟、新的能力层级出现,还会进一步细分。
就目前而言,Hydrogen 最明确的贡献不是胜过竞争对手,而是抬高了下限:一款中端模型,在最高算力下于一项独立基准上超过了上一代的前沿模型,接入了一个能减少智能体工作流开销的智能路由层,并且今天就在谷歌运营的几乎所有产品入口上线。Orchestrator 的路由效率在生产条件下是否站得住——以及那些安全说法能否经得起独立检验——将决定这次发布是一次持久的进步,还是一场包装得当的基准秀。



