本文截至 2026 年 11 月 16 日核对公开资料,重点是 11 月 12 日发布的 Hydrogen,以及 11 月 10 日扩大可用范围的 Carbon。我们分别阅读官方模型卡与评测方法、评测机构原站和社区原帖;没有调用付费模型,也没有重跑这些榜单。文中的提示词和离线样本是原创测试设计,不能作为模型实测成绩。
Google:Introducing Gemini 4 Hydrogen · Google:Gemini 4 Carbon is now available
先把 Hydrogen、Carbon 和 Argon 放回各自位置
这轮更新呈现的是任务分工:Hydrogen 强调日常代理执行效率,Carbon 处理更难的长流程推理,Argon 仍保留在既有工作流中。模型发布时间、最初限制访问和后来开放访问是不同事件,比较旧体验时需要先对齐日期。
Google:Introducing Gemini 4 Hydrogen · Google:Gemini 4 Carbon is now available
| 模型 | 时间或定位 | 使用前先核对 |
|---|---|---|
| Gemini 4 Hydrogen | 2026-11-12 发布;日常执行 | 默认 high,另有 low、medium、xhigh |
| Gemini 4 Carbon | 2026-11-10 扩大可用;此前有限访问 | 困难任务、较长验证循环及更高资源预算 |
| Gemini 4 Argon | 现有 Gemini 4 模型 | Google 仍将其列为多数工程和知识工作的适合选择 |
Google:Introducing Gemini 4 Hydrogen · Google:Gemini 4 Carbon is now available
本篇的选择框架是先给任务分类,再选模型和档位。例如格式整理、有限范围修复和资料提取,可先建立较快配置的基线;架构判断、跨文件约束和难以定位的错误,则值得比较更深入的推理。判断依据应是交付物是否合格,而不只是回复长度。
同一个模型名,在不同产品里能做的事并不相同
| 入口 | Hydrogen | Carbon |
|---|---|---|
| Gemini app | 面向各层级;免费用户经适合任务的自动选择获得访问 | 发布说明列 Google AI Ultra |
| AI Studio / Gemini API | 免费与付费入口按各自配额 | 付费开发者入口 |
| Google Antigravity | 发布说明列付费 AI Pro / Ultra | 发布说明列 AI Ultra |
| Search 与企业产品 | 分别核对 Search、业务产品及组织权限 | 分别核对 Ultra、企业入口及专项项目 |
Google:Introducing Gemini 4 Hydrogen · Google:Gemini 4 Carbon is now available · Google:Hydrogen 开发者发布说明 · Gemini Apps release notes
订阅、API 计费、IDE 代理和组织权限各自有边界。聊天界面能选择某个模型,不代表同时获得 API 余额、相同工具或相同上下文限制。购买前应记录实际入口、档位和交付类型,并确认卖方的商品说明与所需权益相符。本站商品是否包含 Gemini,以当前卡片和交付说明为准。
Carbon 发布文列出的公开 API 引入价格为每百万输入 2 美元、输出 10 美元,注明引入期在 11 月 30 日结束。Hydrogen 公告列出每百万输入 1.50 美元、输出 7.50 美元。它们是指定 API 价格,无法直接换算为订阅消息数或第三方 IDE 的扣额度比例。
Google:Introducing Gemini 4 Hydrogen · Google:Gemini 4 Carbon is now available
多模态和长上下文,重点看输入输出契约
两份模型卡均列出文本、图像、音频和视频输入,输出为文本。模型通过工具生成电子表格或演示文稿,涉及工具执行、文件写入和后续检查;这与模型直接输出音频、视频是不同能力。展示应用中的漂亮动画,也需要分别看模型、代码和运行环境的作用。
| 项目 | 模型卡或方法中的条件 | 实际验证 |
|---|---|---|
| 上下文 | 输入与输出合计最高 1M token | 预算要包含材料、工具历史和最终回答 |
| 长输出 | Hydrogen 默认同步输出最高 64K;后台长解码可达 1M | 检查所用入口是否支持相应模式 |
| 复杂文件 | 视觉读取、公式和最终工件是不同环节 | 核对图表坐标、单元格公式、页码和导出文件 |
大窗口让更多材料进入工作区,不能保证模型正确引用每个细节。实用做法是为文件设编号,要求每条重要结论附文件和页码,再用反例追问:哪张图、哪个单位或哪条跨页条件可能推翻结论?最后打开生成文件核查,而不是只接受完成声明。
四档 thinking 怎样试,才不会只是在增加等待
Hydrogen 明确提供 low、medium、high 和 xhigh,默认 high。默认值和可选档位属于此模型配置;其他模型、产品或自动路由不一定沿用相同含义。提高档位后应同时记录质量、用时和输出量,防止把更长的解释误读成更多完成的工作。
Google:Introducing Gemini 4 Hydrogen · Google:Hydrogen 开发者发布说明
| 档位 | 先试的任务 | 升级或停止的信号 |
|---|---|---|
| low | 格式明确的提取或整理 | 若遗漏约束,保留失败输入后升级 |
| medium | 有少量依赖的修复和分析 | 比较新增正确结果与等待成本 |
| high | 多步骤、需要工具反馈的工作 | 检查是否真正运行测试和读回工件 |
| xhigh | 高难度且有明确验证手段的问题 | 若继续推理仍无新增证据,设置人工检查点 |
这个顺序是本文提出的实验方案,并非官方保证。任务还可能受检索质量、工具权限、环境错误和上下文污染限制。若模型在等待一个不可用工具,升档未必改善结果;先读最后一个工具状态和错误,再决定重试、切换模型或修复环境。
官方分数要连同 harness、版本和尝试次数阅读
Hydrogen 评测方法写明:除例外项目外使用 pass@1 和最高 thinking,但 Terminal-Bench 4.0、4.1 的细则采用 high、mini-swe-agent vision、每任务五次尝试的平均 reward。不能将这个平均值写成“给五次机会至少成功一次”,也不能忽略细则后把全表都标成 xhigh。
| 来源或项目 | 需要保留的设定 | 能避免的误读 |
|---|---|---|
| Hydrogen Terminal-Bench | 4.0 与 4.1 分开;high;五次平均 reward | 跨版本拼分,或把平均值当 pass@5 |
| Hydrogen SWE-sweep | Antigravity CLI 1.4.8;子任务加权 reward | 把不同代理框架视为相同裸模型测试 |
| Carbon 总体比较 | 部分外部模型数值来自厂商自报 | 将全部列称为同一机构独立重测 |
| Carbon AA / Vals | 发布方法列 AA v5.0、Vals v2.2 | 与后来更新的指数直接连成趋势线 |
Hydrogen Model Evaluation 方法 PDF · Carbon Model Evaluation 方法 PDF
Google 关于 Hydrogen 更快、较少编造和多模型协作的描述,可以转成自己的待测假设。比如固定输入和任务上限,先确认修复质量相同,再比较墙钟时间。只有满足这个前提,“快了多少”才对应同等交付,而不是提前结束或少做检查。
Artificial Analysis:能力分、时间与成本一起看
| 配置 | 指数分 | 同页任务统计 |
|---|---|---|
| Hydrogen Xhigh | 54 | 每项约 14.9 分钟;平均成本 3.16 美元 |
| Carbon High | 60 | 每项约 33.0 分钟;平均成本 5.48 美元 |
Artificial Analysis:Hydrogen 模型页 · Artificial Analysis:Carbon 模型页
这组指数聚合九项评估。分数与对应配置绑定;页面上的平均时间和成本是该评估任务集合的统计,不能作为每次聊天的报价。模型页快照也会更新,因此本文保留访问日期与指数版本,而不把当前值回填进旧发布图。
Artificial Analysis:Hydrogen 模型页 · Artificial Analysis:Carbon 模型页
从这里可提出一个有条件的试用策略:只有当较高配置解决的额外失败对你有价值时,才扩大其使用范围。对输出要求简单的高频任务,等待可能比单次 token 单价更影响体验;对难任务,一次廉价失败加一次昂贵返工,也可能高于一开始就用较强配置。
CursorBench 的真实工作线索,不能与 AA 分数相加
| 配置 | 分数 | 平均成本 |
|---|---|---|
| Carbon Medium | 60.1% | $8.49 |
| Hydrogen High | 54.3% | $5.59 |
| Argon Medium | 52.8% | $4.39 |
这个榜单更贴近 Cursor 所定义的软件工作,但环境和任务分布仍属于该评测。Carbon 在此使用 Medium,AA 模型页使用 High;分数尺度、成本集合和工具框架不同,不能将 60.1% 与 AA 的 60 当成互相验证的同一数字。
Artificial Analysis:Hydrogen 模型页 · Artificial Analysis:Carbon 模型页 · Cursor Insights 当前模型榜单
Google 发布文中引用的领先名次与“每任务更便宜”也应绑定当时比较对象。后来榜单加入新模型或更新价格后,关系可能变化。采购或迁移时应同时保存当期榜单、模型档位和自己任务的失败记录,避免让发布时的宣传比例变成永久承诺。
Google:Gemini 4 Carbon is now available · Cursor Insights 当前模型榜单
多模态知识工作评测,究竟在测什么
MKA 由 Google DeepMind 与 Artificial Analysis 合作,使用复杂视觉材料要求代理交付实际文件。AA 说明包含 200 个私有任务、统一 Stirrup 工具框架和最高 250 turns;公开的 10 个任务用于检查格式,不能据此声称复现了完整私有榜单。
Artificial Analysis:MKA 方法与结果 · Artificial Analysis:MKA 评测页 · Google MKA 公开数据集
其主指标 Climb WSR 是较难评分条目的加权满足率,并非完成任务的成功概率。评分还区分基础 Regression 条目与更难的 Climb 条目,并用代理评审打开产物。它比只看最终回答更接近工件质量,但仍受到评分标准、自动评审和领域分布影响;合作来源也应披露。
这里最实用的迁移,是把自己的验收从“文件生成了”细化为“文件打开正常、公式和来源正确、关键结论符合原图、修改范围合规”。最终通过与否可设成硬门槛,再用分项分数定位失败。本文没有运行 MKA。
社区为什么同时出现惊喜和卡住的报告
| 原帖 | 反馈要点 | 不能直接推出 |
|---|---|---|
| Carbon 开发流水线初测 | 四个阶段结果积极,作者明示样本很小 | effort 随任务难度分配,不能因果比较 medium / high |
| Hydrogen 用户长流程体验 | 自述工程任务有帮助,另一个模型审查发现问题 | 单项目及模型评分不能证明普遍可靠 |
| Cursor Carbon High 问题报告 | 用户描述反复继续后停在 Thinking;有版本信息 | 仅凭报告无法定位模型、IDE、网络或服务端根因 |
社区原帖:Carbon 流水线初步结果 · 社区原帖:Hydrogen 使用体验与复核 · Cursor 社区:Carbon High 停滞报告
这些报告能帮助构造测试题和排障步骤,无法代表所有用户的比例。正面案例往往已有任务契约、工具和复核,负面报告则可能把产品与模型故障混在一起。比较时应问:输入是否相同,档位是什么,是否保存工具轨迹,失败后有没有实际读回产物?
遇到停滞,先保存任务范围、模型标签、产品版本和最后一项工具状态,去除凭据与私密材料后再提交支持请求。对“已完成”但没有结果的情况,直接核对文件、测试和差异。不要用无限追加 continue 代替诊断;下一次重试应有明确的改变与停止条件。
可复制的试用方案:同一任务、固定预算、独立检查
先选三类自有或获授权的任务:一份带异常行的 CSV、一项小范围代码修复、一份需页码依据的图表报告。冻结输入副本和验收标准,每个配置至少独立重置跑几次,记录每次失败和返工。试点数量较少时保留原始计数,不把百分比包装成稳定成功率。
任务:[在这里描述一个可核验的任务]
输入:[固定文件列表、版本或校验值]
允许修改:[明确文件与目录]
禁止动作:[部署、发信、付款等任务不需要的动作]
验收条件:
1. [功能与边界条件]
2. [可执行测试或人工读回方法]
3. 原始输入及范围外文件保持一致。
先列出缺失信息;信息足够后执行。遇到权限或环境阻塞时,记录阻塞及已完成部分。
最终提供:实际修改、真实执行的检查及输出、未解决项、产物路径。
不要把计划中的检查写成已经完成。你要复核已有产物,不要先相信原作者的完成声明。
任务契约:[粘贴冻结后的目标与验收标准]
证据:[原始输入、产物、差异、测试输出]
请逐项输出:验收项|原始证据位置|实际检查|通过/失败/未验证。
先检查高影响错误、单位与公式、来源支持和范围外修改。
如果补做检查,区分原有证据与此次新增证据。
若无法访问文件或运行环境,将对应结论标成未验证;不要凭语言流畅度评分。离线代码:把重试和失败也算进合格交付成本
下面的 A、B 是合成候选,不对应任何真实模型。每次只有测试、产物读回和范围检查全部通过才算 accepted;成本包含所有尝试,再除以合格次数。样例故意保留一次失败,展示廉价尝试与最终可用结果之间的区别。
import json
from decimal import Decimal
from statistics import median
# Synthetic teaching fixture. A and B are not Google model results.
rows = [
("A1", "A", True, True, True, 10, "0.04"),
("A2", "A", False, True, True, 12, "0.05"),
("A3", "A", True, True, True, 14, "0.06"),
("B1", "B", True, True, True, 20, "0.12"),
("B2", "B", True, True, True, 24, "0.15"),
("B3", "B", True, True, True, 30, "0.18"),
]
assert len({row[0] for row in rows}) == len(rows)
report = {"synthetic": True, "model_calls": 0, "candidates": {}}
for candidate in ("A", "B"):
runs = [row for row in rows if row[1] == candidate]
assert len(runs) == 3
assert all(type(v) is bool for row in runs for v in row[2:5])
assert all(row[5] > 0 and Decimal(row[6]) >= 0 for row in runs)
passed = sum(all(row[2:5]) for row in runs)
spend = sum((Decimal(row[6]) for row in runs), Decimal("0"))
report["candidates"][candidate] = {
"runs": len(runs), "accepted": passed,
"all_attempt_cost": str(spend),
"cost_per_accepted": str((spend / passed).quantize(Decimal("0.001"))) if passed else None,
"median_seconds": median(row[5] for row in runs),
}
assert report["candidates"]["A"]["accepted"] == 2
assert report["candidates"]["A"]["cost_per_accepted"] == "0.075"
assert report["candidates"]["B"]["accepted"] == 3
assert report["candidates"]["B"]["cost_per_accepted"] == "0.150"
print(json.dumps(report, ensure_ascii=False, sort_keys=True))预期 A 为 3 次中 2 次合格、每个合格结果成本 0.075,B 为 3 次中 3 次合格、成本 0.150;中位耗时分别 12 与 24 秒。这些数字完全来自样例。真实试用还应加入人工复核、失败恢复和工具费用,并在没有成功结果时报告无法计算,而不是除以零或隐藏失败。
怎样把测试结果变成自己的选择
| 任务特征 | 先比较什么 | 扩大使用的条件 |
|---|---|---|
| 高频、规则明确 | Hydrogen 的不同 thinking 档位 | 准确率和范围门槛通过,整体用时下降 |
| 少量困难、长依赖任务 | Carbon 与既有强模型,在固定预算下比较 | 额外解决的失败值得新增等待与费用 |
| 现有 Argon 工作流稳定 | 先保持基线,挑失败样本比较新模型 | 优势能跨独立运行复现,迁移成本可接受 |
多模型流程可以由较强模型拆解、执行模型完成有限子任务,再用可执行检查和独立复核合并结果。拆分的前提是接口和验收足够明确。若上下文传递、重复检索和汇总错误过多,更多代理可能增加成本;应将它作为可比较方案,而不是默认升级。
购买前把自己的入口需求与商品逐项对应:自有账号还是独立账号、订阅还是 API、可用产品和交付时间分别是什么。不要从模型发布新闻推断某个商品自动包含全部模型权限。本站当前可购买内容和支持范围以商品页为准。
把新模型新闻接到可重复的验收循环
每次升级都保留旧基线、输入、版本和失败。下次模型或产品更新时,用同一组材料复跑,才能判断改善发生在哪一步。
- 确认模型、产品、档位和日期
- 冻结输入、预算与验收标准
- 执行任务并保留工具证据
- 打开工件、运行检查、审查范围
- 统计全部尝试与成本,决定继续或回退
下一次更新,优先看哪些证据
后续最值得跟踪的是同框架、同预算下的改进,以及产品层对配额、路由和停滞问题的修复。更高榜单分值得复测,但真正影响迁移的往往是某个重复失败终于被解决。保持小型固定验收集、记录来源版本和恢复成本,可以让模型更新转成可解释的使用决策。
- 指数版本与模型快照有没有改变?
- 工具框架、thinking 或预算是否与旧结果相同?
- 新的成绩能否在自己的失败样本上复现?
- 停滞或计量问题是否有官方确认和可复查修复?
本文区分了厂商声明、独立测量、社区个案和原创实验设计。公开分数可能随版本更新;实际入口、费用和权益应回到当前官方说明与商品交付条件核对。