前沿热点
前沿热点

Gemini 4 Hydrogen:57% 编程基准,百万 token 输入输出

逐字核对 Gemini 4 Hydrogen 的四篇 Google 官方页,把入口级换代与 Carbon、Hydrogen 双模型交接的口径边界分开,并原样保留主发布页与 Orchestrator 博客对 Terminal-Bench 4.0 与 4.1 的版本分歧。四页日期逐字均为 Nov 12, 2026,官方页未提及的项一律不替它补结论。

发布于 2026年11月14日9 分钟阅读
<!-- gemini-4-hydrogen-full-launch-hotspot | hotspot | Gemini 4 Hydrogen:57% 编程基准,百万 token 输入输出 -->

本篇只做一件事:把四篇 Google 官方页逐字写了什么、以及逐字没写什么摊开,落点在「入口级换代」与「双模型交接」两条口径边界。截至 2026 年 11 月 13 日,可作为一手依据的是 Gemini 4 Hydrogen 的四篇官方页:blog.google 的主发布页、antigravity.google 的 Orchestrator 主博客、Google Search 升级页,以及面向开发者的构建页;四页日期逐字均为 Nov 12, 2026。转载口径里常见的次日时点属于转载,不能挪作官方发布日,本篇的时间锚点一律写作截至 2026 年 11 月 13 日。这里不做跑分排行、不给选购建议、不写接入步骤,核验方式是回到官方原文,凡官方逐字数字一律按官方写法保留,不做折算、不做合并,也不替 Google 补一句它自己没下的结论。

入口级换代:接替的位置与四档思考

把 Gemini 4 Hydrogen 放进产品序列里看,官方给它的定位是把 Gemini 4 系列下放到入口级档位,接替此前 Gemini 3.8 Flash 所处的角色。主发布页没有用带绝对色彩的字眼去描述它,而是把叙述重心放在一组可核对的配置上:四档思考深度,官方逐字为 low、medium、high (default),以及新增的 xhigh 一档。括号里「high 为默认」这一限定不能省略,因为后面几乎所有速度与成绩数字都挂在特定档位上;把默认档位与新加的 xhigh 档位混为一谈,是读这组数字时最容易走偏的一步。所谓四档思考,说的是可配置的思考深度:开发者构建页把它写作 four configurable thinking levels,与主发布页的 four thinking levels 是同一件事的两种落笔,两页都没有给出跨档位的统一成绩。

所谓入口级换代,换的是档位而非序列名。Hydrogen 仍属 Gemini 4 系列,官方并未把它写成另起炉灶的新一代编号;把它读成「Gemini 5」,或者反过来读成「3.8 Flash 只改了个名字」,都不是四篇官方页里的说法。对只读官方页逐字的写法而言,稳妥的表述就是:同一 Gemini 4 系列里,出现了一个面向入口级定位、带四档思考深度的新成员。站内此前写 Gemini 4 Carbon 的发布与定价窗口,是生成模型那条线;本篇写的是入口级换代与双模型交接,两者不重做。读这一节时还要留意,主发布页把该档位的新意落在「四档」与「原生上下文」上,而不是落在某一句总体评价上,因此后面的数字都应当按配置与限定语逐条对待,不宜先立一个总体印象再往回套。

百万 token 输入输出:原生输入与最高输出的逐字边界

标题里「百万 token 输入输出」这一合称,对应主发布页一句可以逐字核对的话:Hydrogen pairs native 1 million-token input with up to 1 million output tokens。拆开看有两层限定。其一,原生 100 万 token 输入说的是输入侧的原生上下文,不是靠压缩或裁剪凑出来的数字;其二,输出侧写的是 up to 1 million output tokens,「最高 100 万」是上限措辞,官方没有把它写成「输入与输出恒等」,也没有写成「每次都吐满 100 万」。把两侧的 native 与 up to 抹平,只留一句「输入输出都是 100 万」,看似顺口,却把官方刻意区分的措辞抹掉了。本篇标题沿用「百万 token 输入输出」的合称,正文仍按原生输入、最高输出分开写,正是为了不让合称反过来覆盖逐字边界。

与上下文窗口绑在一起的还有定价,主发布页的逐字是:Gemini 4 Hydrogen is priced flat across its entire 1 million-token context window at $1.50 per million input tokens and $7.50 per million output tokens。这句里 flat across its entire 1 million-token context window 是关键限定:官方写的是整个 100 万 token 上下文窗口同价,输入每百万 token $1.50、输出每百万 token $7.50,并不按窗口内用掉多少而分档计价。换句话说,$1.50 与 $7.50 是每百万 token 的单价,不是跑一次任务的打包价;「整个窗口同价」说的是计价方式在窗口内不分段,而不是说长上下文和短上下文花费一样。读者若把 flat 误读成「一口价」,就会与紧随其后的 per million 单价自相矛盾。把这两档单价与前面的上下文窗口放在一起看,也能明白为何官方要把上下文长度与计价写在同一句里:要说明的是窗口内不分段,而不是给出一笔固定总额。

这里还要交代一处出处边界:这两档价格的一手出处是主发布页正文,官方定价页在本次核验里并未取回,因此本篇不把未取回的定价页当成价格出处。价格、上下文窗口与四档思考都来自已经逐字取回的主发布页;开发者构建页则明确没有列出价格、token 上限、倍率或基准分数,两篇页面分工不同,不能互相补空。把出处分清楚,后面写每一个数字时才知道它站在哪一页上。

编程基准 57%:Hydrogen 单体对 3.8 Flash,不是 Orchestrator

主发布页把速度与编程基准写在同一个句子里:finishing tasks 2.5 times faster at its high default setting while more than tripling Terminal-Bench 4.1 scores (57% vs. 18.2%), cutting fabricated claims by more than 5x。这一句至少挂了三个需要分别对待的数字。第一,57% 与 18.2% 是 Terminal-Bench 4.1 上 Hydrogen 单体对 Gemini 3.8 Flash 的成绩对比,官方写作 more than tripling Terminal-Bench 4.1 scores,即把该基准成绩提到三倍以上;这里的 57% 属于 Hydrogen 单体,不属于后文要讲的双模型交接系统。第二,「完成任务快 2.5 倍」带着官方限定语 at its high default setting,说的是在其 high 默认档位下的速度,脱离这个档位把 2.5 倍泛化成「整体快 2.5 倍」,就丢了官方自己划的边界。第三,「削减捏造陈述」官方逐字是 cutting fabricated claims by more than 5x,也就是超过 5 倍、逾 5 倍,不能降格成一个不带 more than 的约略倍数;more than 这个量级词在官方原文里反复出现,正是用来标出「不止于此」的下界语气。

把 57% vs. 18.2% 这组数字安放清楚,是本篇最要紧的口径之一。它是 Terminal-Bench 4.1 上、Hydrogen 单体与 3.8 Flash 单体之间的对照:一边是 57%,一边是 18.2%,官方用 more than tripling 概括倍数关系。Antigravity 主博客把同一组对照写成 57% on Terminal-Bench 4.1 (more than tripiling 3.8 Flash's 18.2%),其中 tripiling 是该页原文拼写,引用时如实保留,不把它当成自己这边的错字,也不替官方订正。两处都指向同一件事:57% 与 18.2% 描述的是单体模型在 4.1 基准上的编程能力对照。读者若把这组数字搬去描述 Orchestrator,就把两种不同测量对象并到了一处,这也正是二手转述里最常见的一处混写。

标题里的「编程基准」与「57%」,落点都在这一节:官方给的是 Terminal-Bench 4.1 上的一组对照分数,不是跨榜排名,也不是对所有编程任务的笼统成功率。本篇不据此排座次、不与其他榜单横向比较,只把官方逐字给出的对照关系与限定语写清楚。速度侧的 2x to 2.8x faster、12% to 23% fewer tokens 是主发布页另列的官方数字,同样只在各自语境里成立,不拿来和 2.5 times faster 拼成一个统一倍率。把「带 at its high default setting 的 2.5 倍」与「另列的 2x to 2.8x」分开写,既是对官方措辞的尊重,也能避免读者以为同一份材料里出现了彼此打架的两个速度数字。

安全、诚实率与智能指数:逐字数字与引用出处

主发布页还列了一组安全与对齐相关的官方数字,逐字为:It reduces overreach in agentic tasks by up to 81% and under-service by up to 79%, and cuts misaligned actions and task shortcutting across tool-use and coding evaluations by 12x。这里的 up to 不能省:81% 与 79% 分别写作「最高达 81%」「最高达 79%」,是上界措辞,一旦去掉 up to 把两项写成确定值,就把带余地的表述改成了定值。同一句里的 12x 是官方逐字的 by 12x,描述的是工具调用与编程评测中不对齐动作、任务抄近路的削减倍数,和前面的 up to 两项不是一个量纲,不能合并成一个「安全提升百分之多少」。其余官方逐字数字还有 achieves a 96.7% honesty rate、preserves 99.9% chain-of-thought legibility,后者带着 across more than 200,000 audited turns 的审计规模限定;另有 more than 2.3x more resilient on the Gray Swan IPI benchmark,同样带 more than 的下界语气。这些数字散落在不同评测里,逐个保留各自写法最稳。

智能指数那一组需要单独标出处。主发布页写 51 vs. 50, and reaching 54 at its highest xhigh thinking setting,Antigravity 主博客写 scoring 51 on the Artificial Analysis Intelligence Index (surpassing Argon's 50, and reaching 54 at its highest setting)。这两句指向的是 Artificial Analysis Intelligence Index,是 Google 官方博客引用该指数的表述,不是 Google 自己另做的一套独立测评,也不是本篇自行跑分。51、50、54 三个数字与 Argon 的 50 对照、与 xhigh 最高档位挂钩,写法上都带着「引用」与「档位」两层限定。把它写成「官方测评第一」,或据此排跨榜名次,既越过官方措辞,也越出本篇零跑分排行的体裁边界。

主发布页另有一批可用但不必全列的官方分数,如 HLE-Diamond (58.8%)、Vals Tax Agent Bench (52.3%)、Vals Legal Research Bench (55.8%)、MKA (53.4%)、Agents' Last Exam v1.1 (71.6%)、#5 on Agent Arena、HealthBench Pro under 0.4%。本篇列出它们,是为了说明这些数字分散在不同基准、不同评测口径里,官方并没有把它们折算成一张总榜;逐字保留各自出处与写法、不做跨榜比较,是读这一页最稳的方式。换句话说,这一页给的是一组并列的官方分数,而不是一份可以据此排先后的清单。

Orchestrator:双模型交接,与 4.0 和 4.1 的版本标注分歧

Antigravity 主博客给出的,是一套 Carbon 与 Hydrogen 双向交接的机制,官方叙述大致是:Carbon 负责只读探索、先立计划并预设重规划的触发点,Hydrogen 负责写代码、改依赖、跑测试,遇到阻塞再把控制权交回 Carbon 修计划;路由不是按首轮提示静态定死,而是在执行中按触发点动态调整。Orchestrator 是这套交接机制的落点,官方写作 near-Carbon task success rates,意思是让双模型协作去逼近 Carbon 单体的任务成功率,同时省下配额与时间。要强调的是,这里描述的是一套协作系统,不是一个单体模型的成绩,与上一节 57% vs. 18.2% 的单体对照不是同一对象。把交接机制读懂,才能明白后面那组配额与速度数字说的是「协作系统相对单体」的开销,而不是某一款模型自身的跑分。

真正需要原样写明的,是两篇官方页对同一组数字标了不同基准版本。blog.google 主发布页的逐字是:On Terminal-Bench 4.0, Orchestrator reached near-Carbon task success rates while, on average, consuming 24% less quota and completing 19% faster。而 antigravity.google 的 Orchestrator 主博客,把同一组 24% less quota、19% faster、near-Carbon 写作:On Terminal-Bench 4.1, Orchestrator reached near-Carbon task success rates while, on average, consuming 24% less quota and completing 19% faster。也就是说,Google 主发布页标的是 Terminal-Bench 4.0,Antigravity 博客标的是 Terminal-Bench 4.1;同一组数字、同一套措辞,两篇官方页给出的版本号却不一致。本篇不二选一、不做调和、不替 Google 推断哪个版本为准,也不把两处折成一个「4.x」,只把分歧原样摆出来:主发布页标 4.0、Antigravity 博客标 4.1。

守住这条边界,还有两处容易混的地方要分开。其一,24% less quota 与 19% faster 是 Orchestrator 的官方内测逐字,两篇官方页都这么写,带 on average 的平均限定,描述的是配额消耗与完成速度,不是 57% 与 18.2% 那组编程基准分数;把 24% 与 19% 挂到 57% 旁边,或反过来把 57% 当成 Orchestrator 的成绩,都是把两种测量对象并成一处。其二,版本分歧只发生在 Orchestrator 这组 near-Carbon 加 24% 与 19% 的数字上,Hydrogen 单体 57% vs. 18.2% 在两篇官方页里都明确标在 Terminal-Bench 4.1,不存在 4.0 与 4.1 的摇摆。二手把前者写成「4.1 拿 57%、4.0 接近 Carbon」,正好把单体对照与协作系统的版本标注揉到了一起。本篇把两条线分列:单体对照在 4.1,协作系统的 24% 与 19% 则在两页之间标着 4.0 与 4.1 的分歧。

开放范围:四篇官方页各自写了什么

Antigravity 主博客写开放范围:Gemini 4 Hydrogen is rolling out across paid Google AI Pro and Ultra subscribers,并说明 Orchestrator 先向 Google AI Ultra 开放。这里的 rolling out 是分批推送的措辞,paid 限定了付费订阅,Orchestrator 与 Hydrogen 本体的开放对象也不完全相同,这些限定都不能压成一句「全面开放」。Search 升级页由 Robby Stein(VP of Product, Google Search)署写,逐字有 This is the biggest model upgrade to Search yet.,以及 Hydrogen is now available globally in Google Search for all users、across all supported AI Mode languages;前一句是官方自报措辞,本篇照录为官方说法,不把它改写成自己的绝对化判断。开发者构建页写 four configurable thinking levels,并列出 Gemini API、AI Studio、Android Studio、Gemini for business、Antigravity(Pro、Ultra)等入口;这一页没有价格、token 上限、倍率与基准分数,前面几节的这些数字均出自主发布页与 Orchestrator 主博客,不来自开发者页。

把四页的分工摊开,能看出哪些话有出处、哪些话没有。定价与 token 上限、四档成绩与安全数字、智能指数引用在主发布页;双模型交接机制、24% 与 19% 的协作系统数字、开放范围在 Antigravity 主博客;Search 侧的全球可用与语言覆盖在 Search 升级页;可配置档位与入口清单在开发者构建页。本篇写每一个数字时都尽量贴着它的那一页,不把主发布页的句子安到 Antigravity 博客头上,也不拿开发者页去补定价页的空。至于官方定价页与 developers.googleblog.com,本次核验并未取回,本篇不把这两处未取回的页面写成已经发布,也不拿它们充当价格或开发者信息的出处,价格的一手依据就是主发布页正文。

官方页未提及的项与「未公布不编」的边界

二手转述里常被补进来的几项,在四篇官方页里并没有对应表述;对这类空格,本篇一律写成「官方页未提及」,绝不替官方补一句否定结论。这两种做法相差很远:前者只是说明这几页里没有读到,后者等于代官方下了一个它自己没下的判断。Search 升级页写的是 available globally in Google Search for all users 与 across all supported AI Mode languages,落点在全球可用与所支持的 AI Mode 语言范围,并没有就默认模型的选用或提问分流另写一套安排;本篇不替它扩写,也不把「这几页没写」改述成一项官方的否定声明。开发者构建页同样未列价格、token 上限、倍率与基准分数,只是说明该页没写这些项,不等于官方在别处没有相关口径。

这条边界也管着「未公布不编」的反向杜撰:材料里没有官方逐字支撑的规格、档位对照、上线时间表,本篇不补;未取回页面的内容,一律不拿二手转述顶上。读四篇官方页逐字,能确定的只有它们白纸黑字写下的数字与措辞,以及它们刻意留下的限定语;把它们没写的空格如实标成「官方未提及」,比替它们填上一句利落的结论更贴近事实。本篇的时间锚点、出处边界、版本分歧,都是这条原则的具体落点。

与站内既有专文的错角

站内已有多篇 Gemini 4 相关专文,本篇只做入口级换代与双模型交接这一角,不重做它们的题。写生成模型发布与定价窗口的,见 Gemini 4 Carbon 专文 与 定价窗口 SOP;写决策型打分模型的,是 决策模型专文,属另一个对象,本篇不把它并进来;此外还有机器人与 AlphaProof 相关的热点、旗舰横评与定价口径横评,各有各的落点,均用纯中文点明,不在此重做。把这些错角讲清楚,是为了让读者知道:本篇出现的 57% 编程基准、百万 token 输入输出、Orchestrator 的 24% 与 19% 以及 4.0 与 4.1 的版本分歧,属于入口级换代这一条线,不与前述几篇的论点互相覆盖。需要顺着哪条线往下读,用下面的延伸阅读即可。

延伸阅读

站内几篇与本篇错角或可接续的专文,按需取读:

本文由 AI 辅助生成,经人工审核编辑。最后更新:2026-11-14

相关文章