Gemini 4 四款模型的性能与成本对比
文章汇总公开评测,比较四款 Gemini 4 模型的推理、编程、多模态和成本表现,未独立复测。Neon 和 Carbon 在一项综合指标上同为 60 分,但基准估算耗时分别为 14.8 分钟和半小时以上;Carbon 和 Argon 的上下文容量相近,长上下文评测得分仍相差 12 个百分点。
AI 深度解读
Gemini 4 该选谁,不能只看总分。原文最有价值的结论是:模型得分、完成任务的时间,以及交付一份合格结果的成本,要分开计算。Neon 和 Carbon 的推理总分都是 60,估算耗时却相差一倍以上;同样支持百万 token,也不代表同样擅长追踪长文里的关系。
作者整理了截至 2026 年 11 月 19 日的公开评测,Modelflare 没有重新跑分。下面这些数字适合用来筛选候选模型,真正采购或接入前,还需要用自己的任务验证。
同样拿到 60 分,为什么不能直接互换
四个模型 Argon、Carbon、Hydrogen、Neon 都接受文本、图片、视频、音频和 PDF,输出文本。统一上下文窗口为 1,048,576 tokens,默认同步输出上限为 65,536 tokens。Long decode 可以通过续写延长生成,但仍受统一窗口和具体接口约束。
这些共同规格只能说明输入输出边界。公开资料没有提供四者可比的参数量、训练预算,以及各推理档位的推理计算量,不能据此判断谁的内部效率更高。
Artificial Analysis Intelligence Index v5.0.1 汇总九项评测,知识工作、编程、科学和通用能力各占 25%。它能概括这套题的表现,却未必符合你的业务配比。
Neon 在 medium、high、xhigh 下分别得到 55、60、61 分,对应加权任务耗时估计为 8.3、14.8、21.5 分钟。最后一档只多一分,耗时增加约 45%。Carbon 在 high 下同样得到 60 分,估算耗时超过半小时。
推理档位是否划算,要看它救回了多少原本会失败的任务。
指数只显示整数,没有配对任务结果和多次运行波动,一分差距不宜过度解读。Carbon 在 10 月评测里的 59 分属于 v5.0,当前 60 分来自更新的评分快照,也不能直接解释成模型升级。
编程榜单测到的,往往是整套 Agent
FrontierCode 2.0 有 132 道维护者设计的任务,验收覆盖正确性、测试、改动范围和仓库规范。加权得分、通过率、平均运行成本各有用途,不能拿其中一个代替全部。
原文引用的榜单中,Neon 与 Opus 通过率接近,平均单次成本约为后者三分之一;Sol 比 Neon 更便宜,通过率低 2.6 个百分点。但这些系统使用各自的工具,结果只能支持进入下一轮比较,不能隔离出模型本身的贡献。
Harness 指 Agent 运行时的工具、执行流程和控制方式。它对结果的影响,在 SWE-sweep 上尤其明显:Neon 使用提供方 harness 时,子任务加权奖励为 39.0%;换成支持视觉的 Mini-SWE harness 后为 12.8%,相差 26.2 个百分点。
公开的 Antigravity CLI 可以把搜索并行委派给子 Agent,但原文没能分清子 Agent、搜索策略和其他运行配置各贡献了多少。
Terminal-Bench 4.1 也有类似问题。Hydrogen 的 57.0% 来自 high 档、每题五次尝试;Neon 的 65.2% 来自 Artificial Analysis 使用 Antigravity CLI 的评测。8.2 个百分点的差距同时包含模型与配置变化。
长任务还得检查能否持续遵守要求。Carbon 与 Argon 在相同的 Agents' Last Exam v1.1 配置下,分别得到 77.4% 和 69.0%。该配置包含 122 道任务、默认 ALE-Claw harness 和五小时窗口,报告的是平均量规得分,并非简单通过率。
对日常 AI 编程,更实用的补测是在初稿后修改一条需求,再检查旧约束是否保留、受影响的代码是否重新验证。
百万上下文装得下,不代表证据用得对
GraphWalks 把关系埋进长文本,让模型沿多条关联寻找答案。Carbon 的评测覆盖 256k 到 1M tokens、共 200 道题,广度优先遍历 F1 为 96.2%,Argon 为 84.2%。Neon 在自己的模型卡对应切片中报告 95.2%。
这些数字支持比较长距离关系追踪能力,但代码规范、合同和汇总材料还会出现版本冲突。找到了条款,不代表选中了当前生效的条款。
作者建议对同一份材料连问三步:条款在哪一页、它引用哪个附录、新附录是否已替代旧附录。再把证据挪到开头、中间、结尾,加入等长干扰材料,分别统计引用精确率、关键证据召回率和最终答案准确率。这样才能区分找错位置、用错版本和推理错误。
科学任务同样需要拆开验收。HLE-Diamond 中,Neon 为 71.3%,Hydrogen 为 58.8%;Neon 在 RiemannBench 上为 84.0%。这些答题成绩不直接证明分析过程可复现。
Terminal-Bench-Science 0.1 中,Carbon 与 Argon 为 64.8% 和 52.9%,差 11.9 个百分点。Neon 的 70.5% 则使用支持视觉的 mini-swe-agent harness,并对每题五次尝试的奖励取平均,不能直接拼成同条件排名。
多模态还有一道前置变量:输入采样。Chartography 中 Neon 为 73.5%,GPT-6.2 Sol 为 75.1%;Neon 在 LVBench 上为 89.0%。视频评测给 Gemini 的是每秒一帧的低分辨率视频,Sol 和 Opus 5.5 因 API 限制分别使用 500 帧、600 帧输入。持续半秒的异常,可能在采样时就丢了。
便宜多少,要算到验收通过为止
原文截至 2026 年 11 月 19 日列出的 Google 标准 API 价格,单位都是美元/百万 tokens:
| 模型 | 输入 | 输出 |
|---|---|---|
| Hydrogen | 1.50 | 7.50 |
| Neon | 3 | 15 |
| Argon、Carbon 优惠期 | 2 | 10 |
| Argon、Carbon 优惠结束后 | 4 | 20 |
按原文所述,优惠于 11 月 30 日结束。Neon 在优惠期比 Argon、Carbon 贵 50%,之后便宜 25%。这些是直接调用 Google API 的价格;缓存命中、计费的推理输出、工具和重试都会影响账单。
更贴近交付的指标是:所有尝试的总成本,除以验收通过的结果数。
作者举的是假设:两套配置各跑 100 个相同任务,A 花 80 美元通过 60 个,每个合格结果约 1.33 美元;B 花 110 美元通过 90 个,约 1.22 美元。B 单次更贵,交付反而更便宜。加入人工审查时间,差距还可能扩大或反转。
比较时应同时测固定预算和固定质量:前者看预算内完成多少工作,后者看达到目标通过率需要花多少。同时记录首次可见结果时间、完成时间、中位数、P95,以及超时、重试和人工介入。
我的判断
我赞同原文把验收放在选型前面。对于前端和全栈开发,能跑通构建只是部分要求,兼容性、改动范围、仓库约定都可能决定一次交付是否合格。
它的局限也明确:这是一份公开证据整理,没有统一条件下的四模型复测。Modelflare 作者还披露了团队开发 AI API gateway 的身份。这个背景不直接否定论据,但文章最后的分工建议仍应看作待验证的经验:Hydrogen 处理频繁且容易验收的步骤,Neon high 承担综合任务,Carbon 尝试长期探索或跨模块依赖,Argon 保留为对照。
原文没有给出证明这套分工普遍最优的对照数据。相比一次性换掉现有模型,先保持工具、任务和验收规则一致,更容易判断提升来自哪里;如果购买的是完整 Agent 产品,再另做使用各家原生工具的比较。
能拿来做什么
- 从现有仓库挑选一组真实任务,提前写清行为、兼容性和改动范围要求,再让候选模型处理相同任务,记录总花费与验收结果。
- 测试长文档或代码规范理解时,加入旧版规范和替代条款,要求模型给出依据位置,并检查它是否选对生效版本。
- 给 AI 编程任务增加一次中途需求变更,检查最终代码是否保留仍然有效的要求,以及是否重新验证受影响部分。
- 保留当前 Argon 或其他既有配置作为对照,按观察到的失败原因逐步测试更高推理档位,并单独记录重复写入等严重失败。