DeepMind 官宣 Gemini 4 Hydrogen

Google DeepMind 给 Gemini 4 Hydrogen 的定位很明确：让日常编码和 Agent 任务跑得更快，把复杂判断留给更强的模型。它既能独立完成工作，也能在多模型协作中承担写代码、跑测试和验证修改。

这篇发布稿最值得程序员关注的，是执行效率、模型调度和长上下文定价。不过，文中的成绩主要来自官方评测、合作伙伴早期测试和演示案例，能否转化为团队收益，还需要拆开看。

为什么要把架构判断和代码执行交给不同模型

作者把软件开发分成两类工作：一类是系统设计、复杂故障分析，需要深入推理；另一类是读文件、改代码、运行测试、验证结果，需要快速、准确地执行。

Gemini 4 Carbon 和 Gemini 4 Argon 负责前一类，Hydrogen 主攻后一类。它也可以独立处理日常任务，并非只能充当辅助模型。

配套推出的 Google Antigravity Orchestrator，会在同一个会话里动态切换 Carbon、Hydrogen 等模型。对于需要并行 Agent 的任务，Carbon 可以协调工作，Hydrogen 则承担执行者和验证者，在隔离的工作区里同时构建、测试修改。

模型分工是否划算，要看完成任务的总成本。

官方在 Terminal-Bench 4.0 上给出的结果是：Orchestrator 达到接近 Carbon 的任务成功率，平均配额消耗减少 24%，完成速度提升 19%。这里统计的是配额，不能直接当成 API 账单节省比例。

这组结果支持了分工思路，但原文没有交代具体如何路由、何时升级模型，以及错误判断会带来多少返工。普通团队真正需要验证的，恰恰是这些调度细节。

相比 Gemini 3.8 Flash，升级价值在哪里

官方把 Gemini 3.8 Flash 作为重点对照：Hydrogen 在默认 high 思考档位下，任务完成速度达到其 2.5 倍，Terminal-Bench 4.1 得分从 18.2% 提升到 57%，编造性陈述减少超过 5 倍。

开发者更该留意的是仓库操作方式。作者强调，Hydrogen 会集中修改相关代码，避免重写无关文件，并能原生并行批量执行文件读取和搜索。大仓库里，逐个文件串行查找经常会拖慢整个 Agent 流程，这种能力有明确的实用价值。

合作伙伴在复杂图结构、SQL 和数据密集型企业工作流中的早期测试显示，相比 3.8 Flash，速度达到 2 至 2.8 倍，token 使用量减少 12% 至 23%。这属于特定工作负载下的反馈，不能推导成所有仓库都有同等收益。原文还称它在 SWE-sweep 上超过同档模型，但没有列出具体分数。

其他成绩覆盖了更广的任务：Agent Arena 排名第 5，HLE-Diamond 为 58.8%，Vals Tax Agent Bench 以 52.3% 排名第一，Vals Legal Research Bench 以 55.8% 并列第一，并在 AutomationBench-AA 领先同档模型。

多模态工作方面，新基准 Multimodal Knowledge Agent（MKA）得分为 53.4%，Agents’ Last Exam v1.1 为 71.6%。这些成绩说明官方验证了多种任务，但不同基准的百分比不能横向相加，也不能直接当成业务成功率。

前端演示则更直观：配合 Google Antigravity 的 Gemini front end design skill，Hydrogen 一次生成了包含 WebGL2 地形着色器、四阶段固定滚动叙事、热感分屏滑块、3D 线框规格卡和实时外观配置器的电商页面。

这些是能力示例。发布稿没有给出统一的提示词轮数、设计还原度或功能验收对照，因此「更少提示词生成更完整页面」目前仍是官方主张。

百万上下文和四档思考，该怎么理解

Hydrogen 提供 low、medium、high 和新增的 xhigh 四档思考设置，默认使用 high。它们调节的是推理深度，让任务在质量、延迟和成本之间做选择。

在 Artificial Analysis Intelligence Index 上，Hydrogen 默认 high 得分 51，超过 Argon 的 50；切到 xhigh 后达到 54。这个结果只能说明它在该指数上的表现，不能据此认定它全面超过 Argon。原文仍将 Carbon、Argon 定位为深度、长程推理模型。

价格方面，Hydrogen 在整个 100 万 token 上下文窗口内采用统一单价：每百万输入 token 为 1.50 美元，每百万输出 token 为 7.50 美元。原文另称，它支持原生 100 万 token 输入，以及最高 100 万输出 token。

统一单价让预算更容易估算，长上下文仍需要控制输入和输出规模。

这类容量适合整合 PDF、表格、图表、音频和录制视频。不过，发布稿没有解释上下文窗口与最大输出的组合限制，也没给出超长输出的耗时和质量数据，具体调用边界还不能从这篇稿件里确认。

工具协作也是演示重点。Hydrogen 使用 Python、原生 =LET(...) 公式和条件格式，把 Google Sheets 的数千个单元格变成动画画布；它还从 YouTube 演讲视频和设计模板生成 Google Slides，再自主检查并修复文字重叠。Sheets canvas 的财务建模输出则宣称比此前模型快超过 30%。

按发布稿描述，Hydrogen 正向全球逐步开放，覆盖 Google AI Studio、Gemini API、Gemini for business、Gemini app 和 Google Search。Google Antigravity 的使用资格涉及 Google AI Pro、Ultra 付费订阅，Sheets 也有对应订阅条件。「面向所有人」不能理解成所有入口、所有功能都免费。

我的判断

我认同这篇稿件的工程方向：把深入判断和高频执行分开，再用验证环节约束修改。相比始终使用一个强模型，它有节省资源的可能；相比让快模型包办一切，它也给困难任务保留了升级路径。

前提是任务能拆开，而且验收足够明确。代码生成更快，如果后续审查和修复更慢，团队未必获益。Orchestrator 的基准结果值得关注，但原文没有提供足够细节让读者复现，前端页面演示也缺少对照数据，目前只能把它们视为官方测试与经验性展示。

安全部分同样要分清指标和保证。官方称，相比 3.8 Flash，Agent 越界最多减少 81%，服务不足最多减少 79%，不符合对齐要求的行动和任务走捷径行为减少 12 倍；面对受阻任务时，绕过权限边界的可能性最多降低 2 倍，内部诚实度评测达到 96.7%。

原文还给出超过 20 万轮审计中 99.9% 的思维链可读性、零次欺骗性推理编辑，以及 Gray Swan IPI 间接提示注入测试中超过 2.3 倍的抵抗能力。这些指标有参考价值，但可读性不等于推理正确，也不等于权限边界不会失守。HealthBench Pro 误拒率低于 0.4%，则是特定医疗评测中的结果。

对程序员而言，模型表现改善可以减少摩擦，隔离工作区、测试和权限控制仍然各有作用。

能拿来做什么

• 用仓库里一批已知答案的修复任务比较 Hydrogen 和现用模型，同时记录完成时间、token、无关文件修改和测试通过情况，判断它是否适合日常执行。
• 如果准备采用 Orchestrator，就用同一批任务对照单模型流程，重点看接近原有成功率时，是否确实减少配额消耗和返工。
• 做前端原型时，可以尝试让 Hydrogen 配合设计 skill 生成页面，并明确交互、布局和视觉验收要求，再检查复杂效果与实际功能是否都完成。
• 处理大仓库或多模态材料时，先限定必要文件和交付长度，再比较不同思考档位；不要因为支持百万 token 就默认把全部材料塞进上下文。