[控场AI]
· 7 分钟阅读· 3,996 字

Gemini 4 Hydrogen实测:速度与成本的权衡

Gemini 4 Hydrogen实测:速度与成本的权衡

Gemini 4 Hydrogen 价格与性能实测:同分之下该为多少思考付费。

Google 在 Gemini 4 家族推出快速模型 Hydrogen,接替 Gemini 3.8 Flash,面向日常编码、工具调用与文档处理,API 定价为每百万输入 1.50 美元、输出 7.50 美元。它在 Plotly 的 43 题刁钻数据分析测试中全对,略胜旗舰 Carbon,但 GPT 6.1 Sol 同分且成本不到一半、耗时更短。文章通过多基准交叉指出没有全能赢家:Sonnet 在 Terminal Bench 4.1 更强,Hydrogen 在 OS World 等领先。更关键的是思考等级:从中档到高档加 10 分,高档到超高仅加 3 分,成本却显著上升。作者建议用自有表格和带测试的 bug 亲自验证答案质量、总成本与介入次数,而非照搬公开测试数字。

Google 在 Gemini 4 家族中推出了面向日常任务的快速模型 Hydrogen,定位是接替 Gemini 3.8 Flash。它在 Plotly 数据分析测试中 43 题全对,以微弱优势领先自家旗舰 Carbon。但同场竞技的 GPT 6.1 Sol 用不到一半的价格拿到了同样的分数。这场对比揭示的,不只是模型排名,更是「该为多少思考付费」的实用问题。

Hydrogen 的定位与定价逻辑

Hydrogen 面向日常编码、工具调用和文档处理,Carbon 与 Argon 仍留给更复杂的任务。发布渠道覆盖 Gemini 应用、Search、API 和 Google AI Studio。API 定价为每百万输入 token 1.50 美元、每百万输出 token 7.50 美元,并且在 100 万 token 的上下文窗口内保持统一费率——长上下文是工作空间,但输入和生成的内容都照常计费。

Gemini 4 Hydrogen 基准测试对比

Google 自家的编码对比显示,在 Terminal Bench 4.1 上 Hydrogen 得分 57%,3.8 Flash 为 18.2,且 Hydrogen 完成任务的速度是 Flash 的 2.5 倍。这里有一个容易踩的坑:Terminal Bench 4.0 的图表测的是另一个版本,分数不能跨图表搬运。

多基准交叉:没有全能赢家

据 DeepMind 的评测表,Claude Sonnet 5.5 在 Terminal Bench 4.1 上以 63.9 领先 Hydrogen 的 57,这个源与前面 Google 自家数据形成对照。Hydrogen 则在离线计算机使用测试 OS World 2.1 上领先,并在 Agent's Last Exam 和 Multimodal Knowledge Agent Benchmark 上分别领先 Sonnet 与 GPT 6.1 Tera。

多源交叉的共识是:这些基准衡量的能力并不相同。从终端命令失败中恢复,和把一堆视觉文件变成可用交付物,是两种技能。一位早期 Antigravity 用户提到 Sonnet 在日志文件中标记了更多问题——这只是单一来源的轶事,问题数量本身无法说明哪些发现是真实的。要验证调试能力,应该给模型一份已知原因的日志,看它找出多少、又编造了多少。

Terminal Bench、OS World 与 Agent's Last Exam 分别衡量不同维度的能力,混读分数会得出错误结论。Terminal Bench 侧重在真实终端环境中完成多步命令行任务,考察的是从报错中恢复、正确使用工具链的能力;OS World 让智能体操作图形界面完成跨应用任务,衡量的是视觉定位与界面交互;Agent's Last Exam 更接近长链条、需要规划与工具调用的综合任务。此外,同一基准的不同版本(如 4.0 与 4.1)题目集和评分规则不同,分数不能跨版本比较。因此「某模型领先」必须绑定到具体基准与版本,不能外推为整体更强;选型时应优先看与你实际任务形态最接近的那个基准。

思考等级:账单变化的真正原因

Artificial Analysis 的模型页展示了同一模型的四档设置:低档 27 分、中档 41 分、高档 51 分、超高 54 分(这是跨任务套件的指数分,不是百分比)。高档意味着更多推理 token 和更长等待,该机构报告高档下每个指数任务成本约 1.87 美元。这个数字比单看每百万 token 价格更能说明取舍。

思考等级越高,token 消耗与账单随之变化

Google 发布帖给出 Argon 在该指数上为 50,Carbon 高档为 60,解释了旗舰为何仍有存在空间。同一 token 单价下,账单差异来自模型为同一问题消耗的 token 量:从中档到高档增加 10 分,从高档到超高只增加 3 分。做表格检查时,先选能抓住你关心错误的档位,只有当额外思考能发现原本会漏掉的问题时才值得加钱。

推理 token(reasoning tokens)与思考等级是理解账单差异的关键。所谓低/中/高/超高四档,本质是模型被允许在给出最终答案前生成多少「内部思考」内容:低档几乎不展开推理,高档会让模型写出大段中间步骤、自我检查与备选方案,再据此得出答案。这些推理 token 与最终输出一样按输出价格计费,因此同一题目在超高档次下消耗的 token 可能是低档的数倍。Artificial Analysis 的指数分是把多个基准归一化后合成的综合分,并非单项准确率,所以 54 分不代表 54% 正确率。这也是为什么「每百万 token 单价」无法直接换算成「每道题成本」——真正决定账单的是模型为一道题写了多少思考、又重试了几次。

Plotly 实测:同分不同价

Plotly 的测试刻意设计得刁钻:混乱的表格、模糊的提问、统计陷阱,以及数据本身无法回答的请求。Hydrogen 43/43 全对,每题中位耗时 32 秒。Carbon 42 分,Argon 41 分。GPT 6.1 Sol 同样 43 分,中位耗时 18 秒,整场考试花费 2.61 美元,而 Hydrogen 为 6.36 美元,Carbon 完整运行花费 11.55 美元。

同分之下,Sol 的成本与耗时都更低

两个都成立的结论是:Hydrogen 是 Plotly 这场考试中最强的 Gemini;Sol 以更低价格和更短时间给出相同分数。Plotly 指出 Hydrogen 输入的 88% 来自缓存,换一种工作负载或重复输入量,账单会完全不同——用自己的实际用法去验证成本,而不是照搬测试数字。

**提示缓存(prompt caching)**是解释 Hydrogen 成本结构的重要机制。当多次请求共享同一段前缀内容(例如系统提示、同一份表格或同一段代码上下文)时,服务端可复用已处理过的中间状态,对这部分输入按折扣价计费,而非全价。Plotly 测试中 Hydrogen 输入有 88% 来自缓存,意味着其账面成本被大幅压低;但换到缓存命中率低的场景——比如每次提问都附带不同的长文档,或输入分散在多轮对话中不断变化——同样的模型可能贵出许多。评估成本时应关注两点:你的工作负载缓存命中率有多高,以及缓存写入本身是否有额外费用。仅凭公开测试的美元数字横向比较不同模型,容易得出与实际使用相反的结论。

交互 Demo 与一个小型实测

Google 的演示展示了模型能力的另一面。GeminiLand 让玩家描述结构后走进体素世界;Storefront 演示包含热分裂滑块、3D 规格视图和实时饰面选择器,依赖 Google 的前端设计技能;还有用 Python、表格公式和条件格式把电子表格变成像素动画,以及把闪电位置映射成视觉涟漪与声音的地球仪。

我还在 Google AI Studio 做了一次小测试:给 Hydrogen 一份包含精确重复行、负数量和缺失价格的库存 CSV,它拒绝了第 2、5 行,保留 A 15 件、B 7 件、C 5 件,总计 27 件,并正确表示无法计算利润。这只是小型合成文件上的一次运行,价值在于每一步都容易核对。

用已知总量的自有文件验证模型输出

自己上手的方法并不复杂:拿一份你已理解的表格,先写下答案;给两档设置相同的文件和提示,从点击运行开始计时,到核对完答案为止,中途要求纠正行列或展示过程的时间都算进去。代码任务同理,用一个带测试的 bug 重复这个过程。

Antigravity 的编排思路

Antigravity 的编排器可以在 Carbon 和 Hydrogen 之间切换。可以设想 Carbon 审阅计划、Hydrogen 在独立工作区实现或验证片段。Google 报告该组合方案在 Terminal Bench 4.0 上配额用量减少 24%、完成速度快 19%,同时接近 Carbon 的成功率——这是 Google 针对该组合的结果。若要自行验证,给两种方案相同的仓库、测试和时间预算,统计通过项、检查 diff、比较整体运行成本。

另外,Hydrogen 正在升级 Search,带来更广的查询扇出和更多视觉答案;Vercel 已将其接入 AI 网关,为团队提供另一条试用路径。如果你原本在用 Flash,从一个日常任务开始——一份混乱的表格或一个带测试的小 bug——比较得到可用答案的时间、总成本和需要介入的次数,才能判断哪一档思考等级真正值得付费。

编排器(orchestrator)与多模型分工指由一层调度逻辑把任务拆解后分派给不同模型:让推理更强的模型负责规划与审阅,让更快更便宜的模型负责实现、跑测试和验证片段,再把结果汇总。这种模式的价值在于把昂贵的高思考档位用在真正需要判断的环节,把机械执行交给低成本模型。但它也引入新的成本项——编排本身的调度开销、模型之间的上下文传递,以及跨工作区同步的额外调用。要判断分工是否划算,应固定同一仓库、同一测试集与时间预算,对比单模型与编排方案在通过率、人工介入次数和总 token 花费上的差异,而不是只看某一项的提速数字。

#Gemini 4 Hydrogen#GPT-6.1 Sol#Gemini 4 Carbon#AI模型基准测试#AI模型成本对比#Plotly数据分析测试#Terminal Bench#Gemini API定价
分享:

相关推荐