[控场AI]
· 6 分钟阅读· 3,008 字

最便宜Gemini 4实测:51分险胜双倍价格旗舰

最便宜Gemini 4实测:51分险胜双倍价格旗舰

Hydrogen以51比50险胜Argon,但GPT 6.1 Tera同分且成本仅一半。

Google发布家族中最便宜的Gemini 4模型Hydrogen,取代Gemini 3.8 Flash,定位编程、文档处理与多步任务的日常智能体场景,采用每百万token输入1.50美元、输出7.50美元的统一价格,且不随介绍期结束翻倍。独立评测平台Artificial Analysis上它得51分,险胜双倍价格的Argon(50分),但差距不到半分,统计意义有限。实际任务中终端完成率从旧Flash的18%升至57%,修bug得分13.5%,速度提升明显。然而Claude Sonnet 5.5在终端与computer use上仍领先,OpenAI的GPT 6.1 Tera同得51分而单任务成本仅96美分,约为Hydrogen一半,直接冲击其性价比叙事。extra high档位可升至54分,但成本增69%、token近三倍,官方建议选择性使用。

Google发布了家族中最便宜的Gemini 4模型Hydrogen,在独立评测榜上以51分对50分险胜价格翻倍的Argon,但这场胜利的差距不到半分。更关键的是,OpenAI的GPT 6.1 Tera以同样的51分、仅约一半的单任务成本(96美分)与Hydrogen打平。性价比故事,远比表面复杂。

产品定位与定价:主打日常多步任务

据YouTube频道Unboxed AI的分析,Hydrogen于11月12日发布,定位为Google面向编程、文档处理和执行多步任务的智能体场景的"日常模型",取代Gemini 3.8 Flash。它基于同家族的前沿模型Carbon改编而来,提供100万token上下文、4档思考级别,并采用统一价格:每百万token输入1.50美元、输出7.50美元。

Hydrogen定价与评分板

这个定价策略的核心是"可预测"——没有复杂的分档计费,让开发者更容易估算成本。相比之下,Argon和Carbon目前仍处于介绍期定价,11月30日后价格将翻倍,而Hydrogen保持稳定。

“上下文窗口”指模型单次请求中能够同时读取的 token 总量,100 万 token 大致相当于数百页文档或一个中等规模代码库,决定了模型能否一次性消化长材料而不丢失前文信息。按 token 计价的 API 通常区分输入价与输出价,输出更贵,因为解码阶段计算量更大。所谓“介绍期定价”是厂商常用的促销手段:以折扣价吸引开发者接入,期满后恢复标准价,这会让基于当前价格做出的成本测算在几周后失效。Hydrogen 采用统一费率、不随介绍期翻倍,正是针对这种不确定性,让开发者的长期成本模型更可预测。

独立评测:赢了,但赢得很勉强

在独立评测平台Artificial Analysis上,Hydrogen默认设置得分51,开启extra high档位可升至54;Argon为50,Carbon为60,被取代的旧Flash仅为31。单任务成本方面,Hydrogen为1.87美元,Argon为4.97美元,Carbon约5.50美元——约为前沿模型的三分之一。

不过,51比50的领先不到半分,在统计上几乎没有意义。频道也指出,Google自家基准归Google所有,独立榜单虽然确认了头条结论,但有两次复跑得分更低。

Artificial Analysis 是一家独立的大模型评测机构,它维护的“智能指数”(Intelligence Index)通过一组标准化基准测试综合打分,并同时统计每个任务的 token 消耗与 API 价格,折算成单任务成本。该榜单不依赖厂商自报数据,因此常被用来交叉验证官方基准的可信度。不过,任何单一综合指数都会把编程、终端操作、推理等不同任务加权混合,同一分数的模型在具体场景下可能表现差异很大;且分数通常基于有限次采样,1 分以内的差距往往落在统计噪声范围内。文章提到“两次复跑得分更低”,正是这种采样波动的体现,也说明解读榜单时应关注置信区间而非仅看排名。

实际任务表现:终端与修bug进步明显

据Unboxed AI和独立评测板交叉验证,Hydrogen在Terminal Bench(真实终端操作任务)上完成57%的任务,旧Flash仅18%;在SWE Sweep修bug任务上得分13.5%,据称是Claude Sonnet 5.5的四倍以上,且据Google称比Flash快2.5倍。独立榜单显示,Hydrogen平均每任务约8分钟,而旧模型接近15分钟。

终端任务完成率对比

这些数据说明Hydrogen在智能体场景下的实用性有实质提升,不再是"玩具级"模型。但频道也如实呈现了两处失利。

Terminal Bench 与 SWE Sweep 是两类衡量智能体“动手能力”的基准。Terminal Bench 要求模型在真实 Linux 终端环境中完成多步操作任务(如文件管理、软件配置、脚本调试),考察的是命令理解、错误恢复与长程规划能力,完成率指端到端成功解决任务的百分比,而非单条命令的正确率。SWE Sweep 一类基准则给出真实代码仓库中的 issue,要求模型定位缺陷、修改代码并通过测试,得分通常按成功修复比例计算。这类任务比问答式评测更接近开发者的日常使用,因此厂商在宣传时常给出“快几倍”“高几倍”的相对数字;但这些对比往往缺少统一的测试集与运行环境,跨厂商数字不宜直接横向比较。

竞争格局:Sonnet与GPT 6.1 Tera的双重压力

在同一Terminal Bench上,Claude Sonnet 5.5得分63.9,领先Hydrogen;在computer use任务上,Sonnet也以83.9对77.6获胜。更尴尬的是OpenAI的GPT 6.1 Tera:独立指数同为51分,但单任务成本仅96美分,约为Hydrogen的一半。

Sonnet与GPT 6.1 Tera的对比

平局却只有一半价格,这直接冲击了Google的性价比叙事。换句话说,Hydrogen并非"最划算"的选择,只是在Google家族内部最划算。

extra high档位:更强,但更贵更费token

把设置从默认调到extra high,分数从51升至54,但成本增加69%,token消耗接近三倍。Google官方指引也建议选择性使用,因为该档位容易对简单提示"过度思考"。这意味着绝大多数日常场景,默认档位才是合理选择。

“思考级别”(thinking level)是推理模型的一种控制参数:模型在给出最终答案前会生成内部推理 token,级别越高,允许的推理链越长、尝试的路径越多,因而更可能解出复杂多步任务,但输出与计费 token 也会显著增加。由于推理 token 同样按输出价格计费,提升档位带来的成本增幅往往远超分数提升幅度,并且对简单提示容易产生“过度思考”——即绕远路得出本可直接回答的结论。Google 建议选择性使用,实质是提示开发者按任务难度路由:常规任务用默认档,仅在复杂编程或长链推理场景才开启高档,以控制延迟与费用。

可用性与购买建议

Hydrogen已在Gemini应用、API、AI Studio、搜索、Sheets以及anti-gravity中上线,API提供免费额度。

Hydrogen上线渠道

频道的结论是:Hydrogen不是榜单最强模型——Fable 5.2仍以65%领先,Carbon领先9分——但它是Google家族中性价比最高的选择:接近旗舰的分数、前沿模型三分之一的成本、家族中最快的速度。对于日常智能体工作,这是一个诚实的选择。开发者需要权衡的是:如果任务对终端操作或computer use要求极高,Sonnet仍是更优解;如果预算敏感且任务以通用多步执行为主,GPT 6.1 Tera的同分半价值得认真考虑。

#Gemini 4 Hydrogen#Google Gemini定价#AI模型性价比#Artificial Analysis榜单#GPT 6.1 Tera#Claude Sonnet 5.5#智能体模型评测
分享:

相关推荐