Google Gemini 4三连发：Hydrogen性价比逆袭与决策API

Google重回牌桌：Gemini 4 家族一口气补齐产品线

Google 最近的动作密度，让人很难再用「慢半拍」来形容它。据 YouTube 频道对近期发布的梳理，Google 在短时间内先后推出 Gemini 4 Argon、Gemini 4 Carbon，以及最新的 Gemini 4 Hydrogen，三款模型均被定位为前沿级别，在多数非 Anthropic 阵营的对比中占据上风。

这套组合的打法很清晰：Argon 对应 Opus 一类的通用旗舰，Carbon 承担更重的推理与复杂任务（类似 Fable 或 Astra 的定位），而 Hydrogen 则瞄准 Sonnet 甚至 Haiku 所处的轻量高性价比区间。说个细节，Carbon 与 Argon 在开发者 API 定价上完全一致——据视频中引用的价格信息，自 12 月 1 日起两者均为每百万输入 token 4 美元、每百万输出 token 20 美元。官方并未披露太多架构细节，只表示 Carbon 是在 Argon 基础上构建，因此两者是否为同一架构的不同推理配置，目前仍属推测。

基准之外的真相：Arena 榜单与「话痨指数」

官方 release notes 里的基准图，向来是「发布即领先」。视频作者提醒，这些数据看看就好——比如 Carbon 在自家图表里全面压过 Argon，而 Hydrogen 号称在多数基准上超过 Sonnet 与 GPT 6.1 Terra。

更有参考价值的是两类独立信号。

Arena 用户盲测：小模型反超大哥

在 Arena AI 这类用户不知情、纯靠体感打分的排行榜上，Anthropic 全家桶（Fable、Opus、Sonnet）依然占据 ELO 前列，Carbon 紧随其后。真正有意思的是：同一推理档位下，Hydrogen 的排名超过了 Argon。据视频作者的观察，在编码与 Web 开发这个细分榜上，这种「小模型打赢大模型」的现象尤其值得关注，因为该榜单往往最能反映模型的实际可用性。

Arena ELO 与盲测机制：Arena AI（通常指 LMArena，前身 Chatbot Arena）采用成对盲测的方式——用户在不知道模型身份的前提下对同一提示的两个回复投票，再用类似国际象棋的 Elo 评分系统累计排名。Elo 分数的本质是相对胜率：分差 100 分约对应 64% 的胜率。因此榜单反映的是「人类主观偏好」而非客观正确率，风格讨喜、格式清晰的模型容易获得虚高名次，而数学、代码等有唯一答案的任务则更适合用可验证基准衡量。这也解释了为何 Arena 排名与作者自建编码测试的结论会出现分歧。

自定义基准：Gemini 系列意外地「话痨」

作者用自建基准测试了模型的「yapping」程度——在没有 system prompt、纯裸 API 调用的条件下，统计口头禅、Markdown 格式化和回复长度。结果对 Gemini 不太友好：Argon 在回复长度上几乎是最啰嗦的模型，Carbon 也比 Opus 5 更长。口头禅维度上 Gemini 系列处于中游，不算最招人烦，但整体啰嗦程度排名靠前。作者的态度很直接：不喜欢话多的模型，而且通常 API 上话多，加了系统提示词也照样话多。

实测 MOBA 小游戏：Hydrogen X High 才是隐藏王牌

光看榜单不够，作者设计了一个一次性提示词的编码任务：用 Ursina 游戏引擎写一个 MOBA 概念验证，单角色带 Q/W/E/R 技能，要求「做得好看」，且不允许二次修 bug。

结果呈现出明显的分层：Fable 5.2 与 Opus 5.5 的产出动画流畅、观感精致，仍是第一梯队；Carbon 虽然加了小地图、视角更像 Dota，但模型本身像是几个多边形硬拼的；Argon 的表现则令人意外地差，场景混乱、难以辨认，作者甚至将其与 DeepSeek^广告 的结果相提并论。

转折来自 Hydrogen。默认高推理档下，Hydrogen 的产出 bug 明显、几乎不可玩，是最差的一档；但切到 X High 推理后，它反而交出了 Gemini 阵营里最好的结果——Nexus、可用技能、平滑动画都齐了，只是角色造型仍然奇怪。作者还试了编排器模式（Argon 或 Carbon 做调度、Hydrogen 执行），其中 Carbon + Hydrogen 的组合效果接近 Hydrogen X High 单打。

这个结果指向一个反直觉的结论：在部分任务上，Hydrogen 的实际能力可能强于 Argon。而成本账本同样支持它——据视频给出的数据，Hydrogen 定价为每百万输入 150、输出 750（单位与前述一致），单看单价远低于 Argon，但完成整个任务的成本受推理档位影响，X High 档下单任务成本反而会超过 Argon 的常规档。作者自己的日常选择是：玩票性质的项目用 Hydrogen X High，只有任务极复杂时才切 Carbon；真正关键的工作仍然交给 Claude Fable 与 Opus。

推理档位与推理时计算（test-time compute）：所谓 High、X High 等档位，指的是模型在生成答案前用于内部思考的 token 预算或采样次数。提高档位相当于在推理阶段投入更多算力，让模型多试、多检查，通常能显著改善多步任务的表现，代价是延迟与成本上升。这也解释了一个看似矛盾的现象：轻量模型在 X High 档下可能超过旗舰模型的默认档——因为前者把省下来的单价预算换成了更多思考步数。编排器模式（orchestrator）则是另一种思路：由强模型负责拆解任务和调度，小模型负责执行子步骤，用分工换取成本与质量的平衡。

Decisions API：音频输入才是差异化关键

Google 这次还推出了自家的决策模型 API。所谓决策模型，就是 Jeff 那类「系统一」模型：输出空间预先定义好，只做分类、二元判断或打分，响应极快。Gemini 决策模型的独特之处在于支持音频模态——这是 OpenAI 的对应产品做不到的，本地 Ollama 方案同样做不到。

据 Artificial Analysis 的决策模型指数，Gemini Decision 1 的表现与 Jeff 基本持平，优于 GPT-6 Luna Decision 以及 Cloudflare 的 Clef 系列。

作者用同一套邮件分类任务横评了多个方案（本地运行的 Tef1 与 Nimble、Jeff 的托管 API、OpenAI 的 Decisions API 以及 Gemini）：本地模型热启动后最快（约 1.2 秒），Jeff 约 2 秒，Gemini 约 3.4 秒，GPT 约 6.5 秒。速度不是 Gemini 的强项，音频才是。

在演示应用里，作者边说边看模型实时输出：情绪、情感极性、是否在低语、话题分类。聊到披萨会识别为食物，发出特定声音能触发「悲伤」或「惊讶」，聊到某个话题时话题标签会跟着跳变。作者也坦承这套 demo 并不完美——提到「低语」时它判为是，但低语过程中也会时灵时不灵。真正有价值的是它打开的场景：对音频流做实时、低延迟的判断，这在过去需要先转写再推理，链路长得多。

决策模型（decision model）与「系统一」：这类模型不对自由文本做开放式生成，而是把输出空间预先限定为若干标签、布尔值或分数，本质上是一个高吞吐、低延迟的分类器。它与大语言模型的区别类似心理学中的「系统一」与「系统二」——前者快速直觉，后者慢速推理。工程上，决策模型通常基于小参数量模型微调，配合结构化输出（constrained decoding）保证结果必然落在合法集合内，因而能在毫秒到秒级返回。音频决策的关键难点在于端到端处理：传统链路要先做 ASR 转写再送入文本模型，会丢失语调、音量、语速等副语言信息，而原生音频输入可以保留这些信号用于情绪与意图判断。

Gemini Omni 1.2 Flash：便宜够用的短视频生成

最后一个发布是视频生成模型 Gemini Omni 1.2 Flash，可生成最长 15 秒的片段，带声音，720p 视频每秒定价七美分。作者用「沙滩上后空翻的狗」做了三次尝试，并追加了「腊肠犬」「空中吠叫」的提示：第一次狗只是在跳着接东西，第二次后空翻没做完，第三次勉强接近成功，音画基本对得上。作者自认对视频生成领域不算内行，结论也很克制——价格便宜，适合教育类等短片段场景，但稳定性还谈不上可靠。

综合来看，Google 这轮发布补齐了从旗舰到轻量的产品梯度，Hydrogen 在性价比与部分任务表现上甚至形成对 Argon 的内部竞争；Decisions API 的音频能力是真正拉开差距的一步；而 Omni 1.2 Flash 更像是低价补位。对开发者来说，选型逻辑正在变得微妙：不一定要用最贵的那一档。

背景补充

关于文中价格单位的说明：原文中 Argon 与 Carbon 的定价明确为「每百万输入 token 4 美元、每百万输出 token 20 美元」，而 Hydrogen 的「输入 150、输出 750」未标注币种与计量单位。按行业惯例推断，这更可能是每百万 token 的分数美元级别（即 0.15 美元与 0.75 美元），从而与「单价远低于 Argon」的表述一致；若按美元计则反而贵出数十倍，与上下文矛盾。阅读这类跨模型成本对比时，建议先统一「每百万 token」这一口径，并把推理档位带来的 token 消耗倍数一并计入，才能得到单任务真实成本。