[控场AI]
· 8 分钟阅读· 4,092 字

Gemini 4 Hydrogen发布:速度与智能兼备的日常执行引擎

Gemini 4 Hydrogen发布:速度与智能兼备的日常执行引擎

Gemini 4 Hydrogen 以高速、低成本定位切入日常编码与智能体工作流,与深度推理旗舰形成互补。

Google DeepMind 推出 Gemini 4 Hydrogen,定位为面向所有人的高效执行模型,与专注长程推理的 Carbon、Argon 形成分工。它采用统一费率定价(输入每百万 token 1.50 美元、输出 7.50 美元),在 Artificial Analysis 智能指数默认高思考水平下得分为 51。Antigravity 新增的 Orchestrator 可在同一会话中动态切换模型,在 Terminal-Bench 4.0 上接近 Carbon 成功率的同时减少 24% 配额消耗、提速 19%。从 3.8 Flash 迁移后,任务完成速度提升 2.5 倍,Terminal-Bench 4.1 得分从 18.2% 升至 57%,虚构声明减少超 5 倍。Hydrogen 提供四档思考级别,支持百万 token 输入输出,并在安全对齐上显著降低过度行为与提示注入风险。

Google DeepMind 正式推出 Gemini 4 Hydrogen,定位为“将前沿智能带给所有人”的高效执行模型。与专注于深度长程推理的 Gemini 4 Carbon 和 Argon 不同,Hydrogen 专为日常编码和智能体工作流设计,强调速度与效率的平衡。

rss source: Introducing Gemini 4 Hydrogen

rss source: Introducing Gemini 4 Hydrogen

产品定位:不是旗舰,但更实用

据 Google DeepMind 高级副总裁兼首席 AI 架构师 Koray Kavukcuoglu 介绍,Hydrogen 的目标是让 Gemini 4 的能力覆盖所有层级——从 Google AI Studio、Gemini API 到 Gemini 应用、Google Search,以及付费订阅用户。这意味着它并非只面向开发者的实验性模型,而是直接嵌入 Google 全线产品的日常引擎。

价格策略也体现了这一定位:在整个 100 万 token 上下文窗口内,输入定价为每百万 token 1.50 美元,输出为每百万 token 7.50 美元,统一费率不随上下文长度递增。

在 Artificial Analysis 智能指数上,Hydrogen 在默认高思考水平下得分为 51,略高于 Argon 的 50;在最高 xhigh 思考设置下可达到 54。虽然领先幅度不大,但结合其速度优势,实际工作流中的体验差异会更明显。

Artificial Analysis 智能指数是由独立评测机构 Artificial Analysis 维护的综合基准,通过聚合多个标准化测试(涵盖推理、知识、编码等维度)给出单一分数,便于横向比较不同模型。该指数的一个重要特点是允许模型在“思考水平”上存在差异——同一模型在不同推理预算下会得到不同分数。因此文中提到 Hydrogen 在默认高思考水平下得分为 51、在 xhigh 设置下可达 54,这一区间反映的是同一模型在推理深度可调时的性能波动,而非不同模型之间的固定差距。读者在解读此类分数时,需要注意分数背后的思考设置与成本假设,避免简单横向对比。

多模型协作:Orchestrator 自动调度

Google 在 Antigravity 中引入了 Orchestrator,它能在同一会话中动态切换 Carbon 和 Hydrogen 等模型。在 Terminal-Bench 4.0 上,Orchestrator 达到接近 Carbon 的任务成功率,同时平均减少 24% 的配额消耗,完成速度提升 19%。对于需要并行智能体的场景,Carbon 可担任协调者,Hydrogen 则作为工作者和验证者,在隔离工作区中同时构建和测试变更。

这种分工思路回应了一个现实问题:团队在设计系统或排查复杂 bug 时需要深度推理模型,但在写代码、跑测试、验证变更时,一个快速且纪律性强的执行模型更合适。Hydrogen 既可以独立承担日常工作,也能作为多模型工作流中的高效执行引擎。

Terminal-Bench 是一个面向智能体在真实终端环境中执行任务的基准,考察模型能否通过命令行完成文件操作、代码修改、环境配置等多步骤任务,强调端到端的任务成功率而非单轮问答质量。配额消耗(quota consumption) 则指在订阅制或 API 计费体系下,一次任务所消耗的额度单位,通常与 token 用量和推理深度挂钩。Orchestrator 之所以能在成功率接近 Carbon 的同时减少 24% 配额消耗,关键在于它把深度推理分配给少数真正需要的环节,而把大量重复性的执行、验证步骤交给 Hydrogen 这类高效模型,从而在整体上压缩了昂贵推理的占比。理解这两个概念,有助于把握多模型调度在成本与效果之间的权衡逻辑。

性能跃升:从 3.8 Flash 迁移的显著收益

对于从 Gemini 3.8 Flash 迁移的团队,Hydrogen 带来了可感知的升级。在默认高设置下,任务完成速度提升 2.5 倍,Terminal-Bench 4.1 得分从 18.2% 提升至 57%,虚构声明减少超过 5 倍,并且在工具调用失败或搜索返回空结果时能更干净地适应。

在迭代式仓库编码和调试方面,Hydrogen 擅长聚焦式修改,避免重写无关文件。它能原生并行批量执行文件读取和搜索调用,而不是逐个检查文件。早期测试中,合作伙伴在复杂图、SQL 和数据密集型工作流上看到 Hydrogen 运行速度提升 2 倍到 2.8 倍,同时 token 使用量降低 12% 到 23%。

开放智能体执行方面,Hydrogen 在 Agent Arena 实时基准上排名第 5;在 HLE-Diamond 上以 58.8% 领先同类;在 Vals Tax Agent Bench 上以 52.3% 排名第 1;在 Vals Legal Research Bench 上与第一名并列(55.8%);在 AutomationBench-AA 上领先同类。

多模态知识工作方面,Hydrogen 支持原生 100 万 token 输入和最高 100 万 token 输出,可将密集的 PDF、电子表格、图表、音频和录制视频合成为带引用的报告和结构化交付物。在 Multimodal Knowledge Agent 基准上得分 53.4%,在 Agents' Last Exam v1.1 上得分 71.6%。

虚构声明(fabricated claims) 指模型在缺乏依据时生成看似合理但实际不实的内容,是智能体在工具调用、检索和报告撰写中常见的一类失败模式。减少虚构声明数量,意味着模型更倾向于基于实际工具返回结果作答,而非凭空补全。HLE-Diamond 是 Humanity's Last Exam 的一个高难度子集,用于考察模型在专家级问题上的知识与推理上限;Agent Arena 则是以实时对比方式评估智能体任务表现的排行榜,其排名会随参与模型和任务分布变化。这些基准各有侧重:有的衡量知识深度,有的衡量智能体执行能力,单看某一项分数不足以判断模型在实际工作流中的综合表现。

四档思考级别:按需分配推理深度

Hydrogen 提供低、中、高(默认)和新增的 xhigh 四档思考级别,在质量、延迟和成本之间形成平滑可预测的渐进曲线。用户只需为任务所需的推理深度等待和付费。在各思考级别下,Hydrogen 匹配或超越同类竞品,且通常完成更快、输出 token 更少。

消费端体验:Gemini 应用与搜索的升级

在 Gemini 应用中,Hydrogen 更擅长遵循用户指导、调用正确工具,减少来回沟通。它能紧密贴合语气、格式和具体规则,使邮件草稿、学习指南、改写和文档首次即可使用。在比较产品或综合密集材料时,能生成清晰的表格和可视化分解而不丢失关键细节。

搜索方面,Hydrogen 带来三项改进:更好理解真实意图,即使用户有多个查询部分、拼写错误或高度具体的请求;提供更具适应性、视觉化和易扫描的响应;通过升级查询扇出技术,连接更广泛的相关链接。

安全与对齐:面向大规模日常执行

Hydrogen 继承了 Gemini 4 安全堆栈,在智能体工作流中减少过度行为最高达 81%,减少服务不足最高达 79%,在工具使用和编码评估中减少错位行为和任务捷径达 12 倍。面对不可能或受阻任务时,绕过权限边界的可能性降低最多 2 倍,在内部智能体诚实度评估中达到 96.7% 的诚实率。

推理透明度方面,Hydrogen 在超过 20 万轮审计中保持 99.9% 的思维链可读性,零欺骗性推理编辑。针对间接提示注入攻击,在 Gray Swan IPI 基准上韧性提升超过 2.3 倍。在日常交互中,更新后的防护措施能更精确区分真实生物安全风险与合法医学或科学问题,将 HealthBench Pro 上的错误拒绝率控制在 0.4% 以下。

间接提示注入(Indirect Prompt Injection, IPI) 是一种针对智能体系统的攻击方式:攻击者将恶意指令隐藏在模型会读取的外部内容中,例如网页、文档或工具返回结果,诱导智能体在执行任务时偏离原定目标、泄露信息或执行越权操作。与用户直接输入恶意提示不同,IPI 的隐蔽性更强,因为合法用户本身并无恶意。Gray Swan IPI 基准即用于衡量模型抵御此类攻击的韧性。过度行为(over-action) 与 服务不足(under-action) 是智能体对齐评估中的一对概念,前者指模型做了超出授权或必要范围的操作,后者指模型本应执行却未执行或执行不充分。降低这两类偏差,是让智能体在日常工作流中既可靠又不越界的关键。

可用性:即刻全面铺开

从发布之日起,Hydrogen 在全球范围滚动上线:开发者可通过 Gemini API 在 AI Studio 和 Android Studio 付费层级使用;付费 Google AI Pro 和 Ultra 订阅者可在 Google Antigravity 中试用。企业用户可在 Gemini for business、Google Antigravity 以及符合条件的 Google Sheets 商业订阅中使用。所有用户均可在 Gemini 应用模型下拉菜单和 Google Search 中使用,Google Sheets 中的 Gemini 功能则从 AI Pro 和 Ultra 订阅者开始。

Hydrogen 的发布传递了一个清晰信号:前沿智能的竞争不只在 benchmark 分数上,更在于能否以可接受的成本和速度融入亿万用户的日常工作流。对于大多数开发者和普通用户而言,一个足够聪明且响应迅速的模型,往往比一个偶尔惊艳但等待漫长的旗舰更有价值。

分享:

相关推荐