谷歌发布百万上下文 Agent 模型

Google 把 Gemini 4 Hydrogen 定位为日常 Agent 的执行主力：承接改文件、更新依赖、跑测试这些高频工作，把复杂规划交给更强的模型。按原文转述的数据，它比 Gemini 3.8 Flash 完成任务快 2.5 倍，但当前单价也高一倍。

对前端和全栈开发者，值得研究的是两个问题：模型分工能否缩短编程任务的交付时间，以及迁移后的实际账单会不会上涨。以下数据来自原文及其引用的 Google 报告，不能直接当成独立实测结论。

快 2.5 倍，快的是哪一段工作

Hydrogen 是 Google DeepMind 的闭源模型，由 Gemini 4 Carbon 适配而来，定位低于 Carbon 和 Argon。它只通过 Google 托管 API 提供服务，没有开放权重、量化版本或自托管方案，参数量、架构、训练与推理硬件均未披露，知识截止时间为 2026 年 3 月。

它支持文本、图片、音频、视频、PDF、表格和图表输入，输出为文本。上下文窗口是 1,048,576 tokens，由输入、思考和输出共享；同步输出上限则是 65,536 tokens。能放进大量材料，不代表可以一次生成同等长度的结果。

原文最醒目的数据是：默认 high 档下，任务完成速度比 Gemini 3.8 Flash 快 2.5 倍。合作伙伴测试报告的范围是快 2 至 2.8 倍，同时少用 12% 至 23% 的 tokens。这里描述的是任务完成速度，原文没有给出首 token 延迟、输出吞吐及任务构成，不能据此推算聊天响应会快多少。

能力提升也有对应分数：Terminal-Bench 4.1 从 3.8 Flash 的 18.2% 提高到 57%；Artificial Analysis Intelligence Index 在 high 下为 51，xhigh 下为 54，高于 Argon 在 Index v5.0 的 50。

其他成绩包括 HLE-Diamond 58.8%、Vals Tax Agent Bench 52.3% 且总体第一、Vals Legal Research Bench 55.8% 且并列第一、Multimodal Knowledge Agent 53.4%、Agents’ Last Exam v1.1 71.6%。但它在 Agent Arena 只排第 5，单项领先并没有形成全面领先。

Google 还报告，虚构陈述减少超过 5 倍，内部 Agent 诚实性评估得分 96.7%，在 Gray Swan 基准上的间接提示注入抵抗能力达到 2.3 倍。这些结果仍需要结合评估方法理解，不能直接换算成生产环境的错误率。

为什么让 Carbon 规划，让 Hydrogen 执行

Google Antigravity 的 Orchestrator 可以在同一个任务里切换模型：Carbon 探索问题、消除歧义并制定计划；Hydrogen 修改文件、更新包和执行测试；遇到阻力，再把控制权交回 Carbon。Antigravity SDK 也提供这种分工方式，供开发者搭建自定义多 Agent 系统。

这个设计有合理性。判断需求是否冲突，与按既定方案改代码，需要的能力和调用频率不同。如果每一步都使用最强模型，大量预算可能花在重复执行上；如果全交给较小模型，复杂问题又可能让它反复试错。

在 Google 报告的 Terminal-Bench 4.1 测试中，这种组合接近 Carbon 单独执行的任务成功率，同时减少 24% 的配额消耗，完成时间缩短 19%。

模型分工是否划算，取决于执行模型能否及时识别自己卡住了。

原文没有解释交接阈值、失败重试次数和上下文传递成本。因此，这组结果支持继续验证这种架构，还不足以证明任意编程 Agent 接上双模型路由都会获益。配额减少 24%，也不能直接写成 API 账单降低 24%。

迁移之前，先算思考费用和参数变化

Hydrogen 每百万输入 tokens 收费 $1.50，输出为 $7.50，整个上下文窗口统一定价。思考 tokens 计入输出费用。提示词达到 4,096 tokens 或更多时，隐式缓存可把输入价格降至每百万 $0.075，但不支持显式缓存。

价格比较必须带日期。3.8 Flash 的优惠价为 $0.75/$3.75，持续到 2026 年 12 月 31 日；2027 年 1 月 1 日起涨至 $1.50/$7.50，与 Hydrogen 相同。Argon 在 2026 年 11 月 30 日前为 $2/$10，之后涨至 $4/$20。

所以，当前 Hydrogen 的标价是 Flash 的两倍。伙伴测试中少用 12% 至 23% 的 tokens，不能单独证明它更省钱，还要看输入、输出与思考的占比。

迁移有几处明确变化：

• 在 generation_config 中设置 thinking_level，可选 low、medium、high、新增的 xhigh；默认值从 Flash 的 medium 变成 high，minimal 会报错，更高档位会消耗更多 tokens。
• 移除 temperature、top_p、top_k，服务端会忽略这些参数；同时移除 cached_content 字段。
• 原文建议将硬编码的 max_output_tokens 上限提高到 65,536，实际仍应按任务设置，避免无谓生成。

模型 ID 为 gemini-4-hydrogen，已进入 Gemini API、Google AI Studio 全部层级及 Android Studio，也用于 Gemini for business、Gemini app、Google Search 和 Sheets。Antigravity 需要 Google AI Pro 或 Ultra；发布材料未提及 Vertex AI，不能据此认定已经支持。

我的判断

我认可把复杂判断与高频执行分开的方向。它比单纯追逐榜单分数更贴近日常 AI 编程，但原文提供的主要是 Google 自报数据，缺少一般团队可复现的任务集和完整成本明细。

竞品对照也要拆开看。Argon 的 Terminal-Bench 57% 来自 4.0，Claude Haiku 5.5 的 39.2% 同样来自 4.0，后者使用 max effort；Hydrogen 的 57% 来自 4.1，不能直接横比。Haiku 的 AA Index 36 使用 v5.0.1，也不宜无条件混排。

Haiku 的价格更低：上下文不超过 100K 时，输入/输出为 $0.10/$0.50，超过 100K 为 $0.50/$2.50，但这些价格并不能证明它完成同类任务更划算。四款模型的发布时间分别是 Hydrogen 的 2026 年 11 月 12 日、Flash 的 9 月 2 日、Argon 的 10 月 13 日和 Haiku 的 10 月 7 日，比较还受优惠期影响。

对团队最有价值的指标，是每个验收通过的任务花了多少钱、用了多久。

能拿来做什么

• 用现有前端或 Node 仓库中的依赖升级、失败测试修复任务做对照，固定验收条件，记录完成时间、人工返工和总费用，验证提速是否落在自己的工作流里。
• 迁移调用封装时，检查默认思考档位、采样参数和缓存字段，并分别记录输入、输出与思考消耗，避免只看调用次数判断成本。
• 已有编程 Agent 的团队，可以先在范围清楚的任务上试验 Carbon 规划、Hydrogen 执行，并明确何时升级处理；原文没有提供交接规则，需要自行验证。
• 处理长文档或大型仓库材料时，把 1,048,576-token 共享窗口和 65,536-token 同步输出上限分开设计，长结果仍应拆分交付。