Google 把 Gemini 4 的第三款放进了执行位
2026 年 11 月 12 日，Google 发布 Gemini 4 Hydrogen，接的是 Gemini 3.8 Flash 的位置。Carbon 和 Argon 属于这一代的前沿模型，负责最深、最长的推理；Hydrogen 的目标写得很直接：在各种 Agent 流程里快速执行，写代码、跑测试、调工具，把活干完。
两个数字说明它往前走了多远。同样一个任务，它在默认的 high 思考档下完成速度是 3.8 Flash 的 2.5 倍；终端编程评测 Terminal-Bench 4.1 从 18.2% 升到 57%。前者决定一次改动多久能跑完一轮，后者决定它能不能自己写出一段能用的代码。
三款共用同一套 100 万 token 上下文、长输出机制和内置工具，差别在想得多深、花多少钱、等多久。模型卡写明 Hydrogen 是从 Carbon 改造（adapted）来的。第三方综合榜 Artificial Analysis 智能指数上，Hydrogen 在默认 high 档拿到 51 分，比 Argon 的 50 分高 1 分；开到新增的 xhigh 档，它是 54 分。Argon 那个 50 分测的是哪一档没有说明，官方给的分工也没有变：最难、最长的推理仍然交给 Carbon 和 Argon。
Orchestrator 把换手做成菜单项
Agent 任务跑得久，开头那句提示说不清后面每一步有多难。同一个任务里，有的阶段是设计取舍和排查隐蔽的 bug，有的阶段是逐个文件改代码、跑测试、核对改动。业内常见的静态路由按开头那句话猜难度，然后把整条任务派给能胜任的最便宜模型；Antigravity 的博客指出，任务一长这种办法就开始失灵，而且往往做到一半才发现。
Google 在 Antigravity 里新加的 Orchestrator（编排器）换了个做法：在同一次会话、同一条任务轨迹里，让 Carbon 和 Hydrogen 双向来回切换。Antigravity 博客拿一个开源项目的 issue 分拣系统演示过这种分工。几个 Hydrogen Agent 负责分拣和写代码，跟上不断涌进来的 issue，在代码库里搜索、追问不清楚的地方、按 PR 评论快速改界面；Carbon Agent 负责较大的重构、新功能和安全检查。多个 Agent 并行时，Carbon 当协调人，Hydrogen 当干活的和验收的，各自在隔离的工作区里同时写改动、跑测试。
在 Terminal-Bench 4.0 上，Orchestrator 的任务成功率接近全程只用 Carbon，平均少用 24% 的额度，完成快 19%。额度是订阅里前沿模型的可用量，按任务消耗，跟 token 账单是两件事。
Orchestrator 先以两个选项开放，覆盖到三档订阅。
- Google AI Ultra 订阅用户能用 Orchestrator (Carbon) 和 Orchestrator (Argon) 两个选项；
- 付费的 Google AI Pro 用户能用 Orchestrator (Argon)；
- 企业可以通过 Gemini for business 使用，Google 说以后会支持更多模型和套餐。
想自己决定谁干什么，也可以用 Antigravity SDK 手动把两个模型接起来。路由规则、切换成本和失败回退方式都没有公布；Terminal-Bench 4.0 和 4.1 是不同版本，两边的分数不能混用。
单独用：比 3.8 Flash 快 2.5 倍，编程分从 18.2% 到 57%
不搭班，Hydrogen 自己就是一次大升级。Google 给的是从 3.8 Flash 迁过来的几组对比：默认 high 档下完成同样任务快 2.5 倍，Terminal-Bench 4.1 从 18.2% 涨到 57%，编造的说法少了五倍多。工具调用失败或者搜索返回空结果时，它也能利落地换个办法。
快的一个来源在读写方式上。在大型代码库里找东西，Hydrogen 会把读文件、搜索这些工具调用一次性并行发出去，一个文件一个文件地看变成批量拉取。合作方在复杂图结构、SQL 和数据密集的企业流程里做早期测试，测到它比 3.8 Flash 快 2 到 2.8 倍，token 用量少 12% 到 23%。合作方名称、样本量和测试集没有披露，这组数字适合当成方向，还不能当成生产环境的保证。
编造变少的原因，AI Studio 给开发者的说明写得更具体：遇到缺失的上下文，Hydrogen 会把它标出来，不再自己猜一个答案顶上。
10 项里 7 项最高，但终端编程落后 Sonnet 5.5
Google 把 Hydrogen 和同档的 Claude Sonnet 5.5、GPT-6.1 Terra 拉到同一张表上比了 10 项，Hydrogen 在 7 项里最高，输掉的三项集中在终端和系统操作。
- Terminal-Bench 4.1：Hydrogen 的 57% 标注为剔除作弊后（Cheating-adjusted）的成绩，Sonnet 5.5 是 63.9%，GPT-6.1 Terra 没有报数。
- 电脑操作测试 OSWorld-2.1 的离线子集：Sonnet 5.5 的 83.9% 高于 Hydrogen 的 77.6%。
- Terminal-Bench-Science 0.1：Sonnet 5.5 的 59.9%、Terra 的 58.3% 都高于 Hydrogen 的 51.4%。
赢下的那些更能说明它的设计意图。反复改代码、排错的 SWE-sweep 上，Hydrogen 是 13.5%，两个对手分别 3.1% 和 5.8%；要自己找出 bug、修好还不能弄坏原有代码的场景，差距就出在这里。知识工作类的 Agents' Last Exam v1.1 拿到 71.6%，自动化流程的 AutomationBench-AA 76.1%，要经营一家小店的 Vending-Bench 2 结余 14,549 美元。多模态知识 Agent 测试 MKA 是 53.4%，同属多模态理解的 Chartography 66.6%；专业推理的 HLE-Diamond 58.8%。
开放式多步任务上，它在 arena.ai 的实时榜 Agent Arena 排第 5；Vals 的税务 Agent 测试 52.3% 拿总榜第一，法律调研测试 55.8% 并列第一。多模态知识工作是它的另一个重点：原生支持 100 万 token 输入、最多 100 万 token 输出，能把大份 PDF、表格、图表、音频和录像整理成带引用的报告。看视频时它还会主动去看特定帧和画面细节。
十项里对手列有没报数的格子，对比项也由 Google 挑。这些胜负能说明它在编程迭代、知识工作和多模态理解上站得住，还不能直接搬成「所有场景都领先」的结论。
四档思考与价格：high 是默认，xhigh 只给难题
Hydrogen 有四个思考档：low、medium、high（默认）和新加的 xhigh。档位越高，想得越深，等得越久，token 也花得越多。Google 说四档是平滑、可预期地递进，任务需要多深就开多深，只为用到的那部分推理等待和付钱。
选档有一条现成的路径：多数复杂任务从 high 开始，high 搞不定的多步难题再上 xhigh。搬到自己的场景之前，把四档在自己的测试集上各跑一遍（记得把 max_output_tokens 设高，免得答案被截断），然后挑能达标的最低一档。
这张图把四档的代价摆在坐标上：Hydrogen 的 high 档 6 分钟左右拿到 51 分，xhigh 要约 13 分钟才多得 3 分。同一个 50 分上下的位置，Sonnet 5.5 要 15 分钟左右；它自己最高的一档要走到 30 分钟出头。图中的耗时按每个任务平均算，实际项目里任务长短差别很大，不能拿它换算成某个仓库的等待时间。
价格是全窗口一口价：每百万 token 输入 1.50 美元、输出 7.50 美元，100 万 token 的上下文里不分长短一个价，输出价里含思考 token。重复发过的输入会自动走隐式缓存，提示到 4,096 token 以上生效，命中部分只收 5%，也就是每百万 0.075 美元。让模型用 Google 搜索查资料（grounding）另按查询次数算。
和上一代比，现在换成 Hydrogen 单价是 3.8 Flash 的两倍。3.8 Flash 眼下 0.75 / 3.75 美元的报价是到 2026 年底的限时引导价，之后恢复 1.50 / 7.50 美元的标准价，2027 年起两者同价。同样一段 10 万 token 的输入，3.8 Flash 现在花 0.075 美元，Hydrogen 花 0.15 美元。能不能把这份差价赚回来要看两件事：完成同样任务快 2.5 倍，合作方测到的 token 用量少 12% 到 23%；真实账单还取决于自己任务的重试次数和输出长度。
五段开发演示：从体素小岛到店铺和表格仪表盘
Google 配了 5 段开发向的演示视频，其中 Geminisland 和电商店铺两个有在线试玩版，店铺用到的前端设计技能也开源了。Geminisland 生成的是一个可以走进去的体素世界。左上角提示按 Esc 退出第一人称视角，右上角有 Pan、Orbit、Walk 三个视图按钮和 Character 切换。画面里是恐龙骨架、街边店铺和像素化的楼体，底部小卡片写着「Sculpting voxels… Being built with Gemini 4 Hydrogen」，这些体素是模型边生成边搭起来的。
店铺演示给的是一个保温杯品牌的产品页。顶部「All-Day Carry」大图配一句定位文案，往下是产品图配「Icy cold or piping hot.」的说明，24 小时保冷、12 小时保温做成「24h Cold / 12h Hot」两个可切换标签，标出 4°C 和 85°C 两档。导航、规格入口、购物车和轮播都齐，这类页面过去要几轮提示才能补齐，Google 的说法是它在更少的轮次里给出功能更完整的布局。
另外三段落在办公：一是在 Sheets 里用单元格画像素画，二是 Slides 的连接设置，三是一个 D2C 品牌五年财务预测仪表盘。仪表盘把 300 万美元初始融资、未加杠杆 IRR 93.8%、折现率 13% 下的净现值 1,968 万美元摆在顶部。中间四个滑块分别调订单增长率、转化率、营销占净收入比例和折现率，下面的收入、EBITDA 与成本结构图跟着重算。这些数字由演示里的模型自己算出，真实公司要换一套数据才能用；能看的是它把表格、图表和可调参数放进同一个交互页面的做法。
搜索和 Gemini app：全球上线，免费用户经自动选模型用到
Hydrogen 把 Gemini 4 铺到了所有人手里：Google 搜索的全球用户、Gemini app（免费用户在系统自动选模型时会用到）、AI Studio 和 Gemini API 的免费档都能用上。Google 搜索产品副总裁在配套博客里称，这是搜索迄今最大的一次模型升级。
搜索侧的变化有三处。一是更懂你真正想问什么：可以照着自己的思路随口问，一句话里好几个要求、打错的字、很具体的条件都能逐条回应。二是回答更直观：会根据问题出图片、结构化回答、对比表，还有专门为你生成的小工具，速度保持在搜索该有的水平。三是链接更多更广：搜索里把一个问题拆成多个子问题同时去搜的 query fan-out 得到加强，能带回更多以前不容易翻到的网站。这些改进覆盖 AI Mode 支持的所有语言。
官方放出的三组新旧对比里，差别一眼能看出来。同样是「小开间、视频会议老拍到床，200 美元内怎么隔出两个房间」，左边 3.5 Flash 先讲一通道理，再按布局、家具、灯光分步给建议。右边 Hydrogen 直接给出半透布帘加开放式书架隔断的方案，标出 80 到 140 美元的价格区间，配三张实景图和可点的来源。租房、跑鞋这类要落在具体货品上的提问，它给的型号、图和来源更贴着手上的决定。
Gemini app 里能感觉到的变化有三处。
- 写东西更贴要求：写邮件、复习提纲、改写和文档会更贴你给的语气、格式和规则，第一次就能用。
- 串起资料多办事：开始任务时它更常调用对口的工具和技能，把目标拆成步骤，从上传的文件、Gmail、Google Drive 和 Airtable、Dropbox 这些已连接的应用里取相关内容。
- 随手做原型：用更少几轮提示就能做出能用的页面，Google 举的例子是把实时全球闪电数据做成可交互的 3D 地球。
免费用户走的是系统「自动选模型」，由系统判断这条提示适合交给 Hydrogen。
安全：越界少了，但生物与网络风险已碰到预警线
Hydrogen 会是 Gemini 4 里用户最多的一款，Google 给的安全数字也最细。和 3.8 Flash 比，它在 Agent 任务里擅自多做的情况最多减少 81%，该做的事没做到最多减少 79%，工具调用和编程评测中错位动作与走捷径合计降到原来的十二分之一。遇到做不了或者被拦下的任务，绕过权限边界的概率最多低 2 倍，内部 Agent 诚实度测试的通过率是 96.7%。
推理过程的透明度也给了数字：Google 检查了 20 多万轮对话，思维链可读性保持在 99.9%，没有出现欺骗性的推理修改；面对 Gray Swan 的间接提示注入测试，抵抗力比 3.8 Flash 强 2.3 倍以上。代价在误拒上：一些本来可以回答的普通问题，它拒答得比 3.8 Flash 多了一点。医疗、科研类问题是个例外，更新后的防护能更准地分出真正的生物安全风险和正常的医学、科学提问，HealthBench Pro 上的误拒低于 0.4%。
模型卡写到前沿风险那部分：在帮人获取生物武器相关信息、发动网络攻击这两类上，Hydrogen 没有达到「临界能力等级」，也就是能力强到可能造成严重危害的那条线，但已经碰到了这两项的预警线，Google 会继续部署防护。还有一类风险是模型避开监督、让人失去控制，这一项没有另做能力测试；按 Google 自己的评估，Hydrogen 的通用能力相对 Argon 没有实质性增加，官方仍按已经达到阈值来对待，给它上了控制、监测和模型安全措施。上面这些数字都来自 Google 的内部评测，外部红队和企业自己做的权限测试仍然是另一道关。
迁移清单：改模型 ID，先处理输出上限和思考档
Hydrogen 发布当天全球铺开，按用途分成三类。
- 开发者：在 AI Studio 和 Android Studio 里用 Gemini API；付费的 Google AI Pro、Ultra 订阅用户能在 Antigravity 里用。
- 企业：通过 Gemini for business 的 API 或模型下拉菜单、Antigravity，以及符合条件的企业订阅里的 Sheets Gemini 使用。
- 所有人：Gemini app 的模型下拉菜单和 Google 搜索里都能见到它，Sheets 里的 Gemini 先给 Pro 和 Ultra 订阅用户。
从 3.8 Flash 迁过来，AI Studio 列出的清单不长，有几处会直接报错。
- 模型 ID：把 gemini-3.8-flash 换成 gemini-4-hydrogen。
- 输出上限：max_output_tokens 现在管的是思考和输出合计，代码里写死 8,192 这类小数的要删掉或调到 65,536。设了 background 并把这个上限写到 65,536 以上时，服务器会按每段 64K 接着往下写，最长到 100 万减去输入的部分。
- 思考档：默认档从 medium 变成 high，新增 xhigh，传 minimal 会直接报错，建议在自己的测试集上比一比 medium 和 high。
还有几处要一起改。
- 显式缓存：cachedContents 和 caches.create 都不能用，请求里的 cached_content 要删掉；隐式缓存默认开启。
- 采样参数：temperature、top_p、top_k 传了服务器也会忽略，代码里的调法要清掉。
- 工具声明：不要在系统提示里让模型自己吐 JSON，那样可能返回 MALFORMED_FUNCTION_CALL，改用 function calling 声明工具，或者用 structured outputs 约束 JSON。
- 多轮状态：用 Interactions API 时传 previous_interaction_id；自己管历史时把模型之前的回合和 thought signature 原样传回。
- 账单：思考 token、grounding 时的内部系统指令和函数声明都计费。
已经在用 Carbon 或 Argon 的，加上 Hydrogen 不用改请求结构，换模型 ID 即可；也可以在同一个多轮会话里把规划回合发给 Carbon、执行回合发给 Hydrogen，相当于自己搭一个 Orchestrator。Gemini Managed Agents 里的 Antigravity agent 现在默认就用 Hydrogen。把这些串起来看，Hydrogen 带来的变化落在选模型的方式上。以前是挑一个最强的模型从头干到尾；现在是把最强的模型和最快的模型排成一个班，难的那一段交给前沿模型，剩下的交给执行者。
