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

版本与本次阅读范围
模型时间或定位使用前先核对
Gemini 4 Hydrogen2026-11-12 发布;日常执行默认 high,另有 low、medium、xhigh
Gemini 4 Carbon2026-11-10 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

按官方发布说明整理的入口;实际显示取决于账号与推出进度
入口HydrogenCarbon
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。

Gemini 4 Hydrogen Model Card · Gemini 4 Carbon Model Card

容易被省略的限制条件
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

Gemini 4 Hydrogen Model Card · Gemini 4 Carbon Model Card

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

原创试用顺序:每次升级都带一个可检查的理由
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。

Hydrogen Model Evaluation 方法 PDF

本次从 PDF 方法页核对的条件
来源或项目需要保留的设定能避免的误读
Hydrogen Terminal-Bench4.0 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-sweepAntigravity 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。

Google:Introducing Gemini 4 Hydrogen

Artificial Analysis:能力分、时间与成本一起看

2026-11-16 模型原站快照,Intelligence Index v5.0.1
配置指数分同页任务统计
Hydrogen Xhigh54每项约 14.9 分钟;平均成本 3.16 美元
Carbon High60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

Cursor Insights 当前榜单的配置、分数和平均成本
配置分数平均成本
Carbon Medium60.1%$8.49
Hydrogen High54.3%$5.59
Argon Medium52.8%$4.39

Cursor Insights 当前模型榜单

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。

Artificial Analysis:MKA 方法与结果 · Artificial Analysis:MKA 评测页

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

有选择地读个案:保留工作环境与证据边界
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。

原创任务提示词;替换方括号中的内容后使用,本文未向模型发送
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。
原创复核提示词;可交给独立会话,仍需要人检查关键证据
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。

保存为 acceptance_cost.py 后用本地 Python 3 运行;不调用模型、不联网
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

原创决策表;以自己的验收记录更新
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。

  1. 确认模型、产品、档位和日期
  2. 冻结输入、预算与验收标准
  3. 执行任务并保留工具证据
  4. 打开工件、运行检查、审查范围
  5. 统计全部尝试与成本,决定继续或回退
原创流程:从来源和配置,到可复查的交付证据

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。