2026年11月12日，Google发布快速通用模型Gemini 4 Hydrogen，全面接替9月2日才上线的Gemini 3.8 Flash。就在两天前，Google刚端出旗舰模型Gemini 4 Carbon，还在官方文档里叮嘱开发者日常写代码继续用发布不到四周的Gemini 4 Argon；转眼间，定位走量的Hydrogen一上来就全量接入Google Search、Gemini API、AI Studio、Android Studio、Gemini应用与Antigravity开发平台，不仅把最大输出从3.8 Flash的64,000 Token直接拉平至100万Token（输入同为100万Token），还在Artificial Analysis智力指数（v5.0）中以默认High档51分、新增Xhigh档54分的成绩，直接反超了50分的同门师兄Argon。
账面上的越级背刺，到了生产环境却是一笔两头漏水的算力账。Hydrogen标称API单价为每百万Token输入1.50美元、输出7.50美元（缓存命中0.075美元，即95%折扣），虽比Argon（2.00美元/10.00美元）便宜四分之一，但因3.8 Flash直到年底都处于半价促销期（0.75美元/3.75美元），老用户迁移等于牌面单价直接翻倍。更关键的底牌藏在独立核验里，Hydrogen在AA-Omniscience v1.1中的幻觉率高达8%，是Argon（4%）的整整两倍；单任务静态账单（High档1.87美元、Xhigh档3.16美元）比同拿55分的GPT-6.1 Sol（1.27美元）贵出47%到1.5倍，进入Agent Arena真实多步交互后中位成本更达1.61美元，反超Argon（0.71美元）一倍有余。
- 核心变化是Google抹去网页端Flash字样，推出设low、medium、high、xhigh四档思考级别的Hydrogen，默认开启High档，在Vals财税（52.3%）与法律研究（55.8%）基准拿下第一，SWE-sweep（13.5%）甚至反超Carbon（9.6%）与Argon（4.3%）。
- 受影响方里，Google Search全量用户免费获得升级，Gemini应用（支持连接Gmail、Drive、Airtable和Dropbox）与Antigravity仅向Pro和Ultra订阅者开放（Plus与免费用户仍锁定3.5 Flash-Lite），API开发团队则直面单价翻倍、默认高耗能档位、8%高幻觉率与首发缓存归零Bug的四重夹击。
- 争议焦点在于厂商靠拉长思维链与自测框架包装出的小弟灭大哥叙事，在独立编码测试、真实Agent多步账单和搜索结果页流量截留面前全部露了怯。
跑分越级靠自测口径撑场面，8%幻觉率暴露真实水位
单看综合榜单，发布仅四周的Argon像个速朽的弃子，毕竟Hydrogen Xhigh档拿到了54分，紧咬55分的Claude Sonnet 5.5与GPT-6.1 Sol（Carbon为59分），还在Vending-Bench 2（账户余额14,549美元 vs Argon 13,718美元）、OSWorld-2.1（77.6% vs 74.7%）和Agents’ Last Exam v1.1（71.6% vs 69.0%）上全线压倒Argon。我不太买账的是这套靠筛选口径拼出来的越级叙事，把Artificial Analysis的独立复测底牌掀开，两款模型的工程边界其实泾渭分明。
第一个水分藏在终端编码基准里。Google模型卡宣称Hydrogen在Terminal-Bench 4.1拿下57.0%（3.8 Flash仅18.2%），看着与Argon在Terminal-Bench 4.0的57.1%平起平坐（Carbon为65.2%）。但这个57.0%是厂商挂载mini-swe-agent视觉测试框架、开High档按每任务5次尝试取平均奖励算出来的自测分。到了Artificial Analysis统一口径的Terminal-Bench 4.0（覆盖全部66个任务、每任务重复3次取pass@1均值）中，Hydrogen实测跌至54%，在Terminal-Bench-Science 0.1上更只有50%（自测51.4%，而Carbon与Argon的AA独立测试分达64.8%与52.9%），不仅落后于Claude Sonnet 5.5最高档的64%和53%，也打不过GPT-6.1 Sol的56%和58%。至于更硬核的FrontierSWE 2（Carbon 61.2%、Argon 55.0%）以及CWE-bench、ExploitGym、SEC-bench Pro等安全与漏洞基准，Google压根没公布Hydrogen的成绩，社区里流传的gnana70/gemini-4-hydrogen-tests开源仓库也只是5题全过的玩具级小样本。
更要命的短板是事实可靠性。Google宣传Hydrogen的幻觉率降到了3.8 Flash的五分之一，却刻意回避了同代横向对比。在11月13日更新的AA-Omniscience v1.1独立闭卷事实评测中，Hydrogen（Xhigh）的幻觉率高达8%，而Argon（High）仅有4%。差出整整一倍的胡编乱造概率，正是Google在发布Carbon时依然叮嘱开发者用Argon写核心代码的真正原因。
吐字疾行掩盖首字迟滞，真实 Agent 账单反超高端模型
把视线从跑分移到生产环境的计费表，Hydrogen靠狂飙输出速度与拉长思维链换取智商的代价就更加刺眼。
官宣比3.8 Flash快2.5倍的口径背后藏着明显的速度错觉。高達179 tokens/s（Xhigh档188 tokens/s，远超3.8 Flash的112 tokens/s与Argon的65 tokens/s）的吐字速度确实把单任务总耗时砍了下来，但决定实时交互体感的却是首字延迟。Hydrogen High档首字等待仍需16.68秒，比3.8 Flash High（17.47秒）快不到1秒；一旦切入Xhigh档，首字延迟直接飙升至40.55秒，与慢吞吞的Argon High（40.73秒）毫无二致。在包含6,465个真实会话的Agent Arena（11月11日榜单）中，Hydrogen High中位耗时5.6分钟，对比3.8 Flash High的8.5分钟实际仅提速约1.5倍。
| 模型与思考档位 | AA 智能指数 | API 标价 (输入/输出) | 首字延迟 / 单任务耗时 | AA 静态单任务成本 | 真实场景与编码实测 (Arena / AA TB 4.0) |
|---|---|---|---|---|---|
| Gemini 4 Hydrogen (High) | 51 | $1.50 / $7.50 | 16.68秒 / 7.9分钟 | $1.87 | Arena中位 $1.61 (第5) / Zapier完成率 51.1% |
| Gemini 4 Hydrogen (Xhigh) | 54 | $1.50 / $7.50 | 40.55秒 / 13.7分钟 | $3.16 | TB 4.0实测 54% / 幻觉率 8% |
| Gemini 4 Argon (High) | 50 | $2.00 / $10.00 | 40.73秒 / 30.0分钟 | $4.97 | Arena中位 $0.71 (第11) / 幻觉率 4% |
| Gemini 3.8 Flash (High) | 31 | $0.75 / $3.75 | 17.47秒 / 14.7分钟 | $7.77 | Arena中位 $0.74 (第24) |
| GPT-6.1 Sol (Max) | 55 | $2.00 / $10.00 | 174.46秒 / 23.3分钟 | $1.27 | TB 4.0实测 56% / Plotly盲测 18秒 $2.61 |
| GPT-6.1 Terra Max | 51 | $1.00 / $5.00 | 157.72秒 / 13.5分钟 | $0.96 | 静态成本仅 Hydrogen High 一半 |
| Claude Sonnet 5.5 (Max) | 55 | $2.00 / $10.00 | 240.17秒 / 34.1分钟 | $10.02 | TB 4.0实测 64% / Zapier完成率 44.7% |
靠拉长思维链买来的越级聪明，最后都会连本带利写进多步调用的账单里。
这张表直接戳破了低标价等于低成本的假象。对比慢热的Claude Sonnet 5.5，Hydrogen确实把耗时和成本压到了三分之一左右，并在Zapier的657项商业自动化测试里以0.82美元单次尝试成本（算上重试的单次成功成本1.61美元）拿到51.1%完成率。可一旦对上OpenAI的两款主力，算力经济账立刻倒挂，智能同为51分的GPT-6.1 Terra Max单任务静态成本仅0.96美元；标价贵三分之一的GPT-6.1 Sol更是凭借克制的思维链，把单任务成本压在1.27美元，在Plotly的43道数据分析盲测中也以18秒、2.61美元全面碾压同拿满分的Hydrogen（32秒、6.36美元）。
更剧烈的反转发生在动态实战里。静态靶场中Hydrogen High靠少吐字把成本控制在1.87美元，一旦进入Agent Arena的跨代码库导航和深度研究环境，高频调用外部工具加上反复携带的长上下文，让翻倍的输入单价暴露无遗，中位单任务成本飙至1.61美元，比3.8 Flash High（0.74美元）和Argon High（0.71美元）贵出一倍以上。
元素周期表乱战背后，默认高档位与缓存Bug才是预算刺客
《韩非子》有言，“名实相怨”，讲的是名分与实际定位拧成麻花，底下办事的人就会无所适从。Google在短短四周内连发Argon、Carbon、Hydrogen三款元素命名模型，让昔日清晰的旗舰推理与轻量走量边界彻底模糊。
回看汽车工业早期的排量分级，后来涡轮增压技术下放，小排量发动机只要把增压值拉满，账面马力就能反超老款大排量自吸，代价却是高转速油耗暴增。今天的大模型正处在这场涡轮增压下放里，只不过百年前杰文斯观察到的蒸汽机煤炭消耗激增，如今多了一重厂商在后台的主动推手。
第一重推手是思考档位的诱导式设定。3.8 Flash默认停在medium档，而Hydrogen直接把默认档位上调至high。开发者迁移时只要忘了显式改参数，每次请求天然就多烧一大截思考Token（今年10月12日Google把3.7 Flash强制路由到3.8 Flash时，就曾让简单任务的Token消耗平白涨了30%到40%）。若想省钱切回medium档（0.80美元）或low档（0.29美元），AA智力指数就会断崖式摔到41分和27分；若为了3分增益开启xhigh档，AA实测输出Token消耗接近翻倍（单任务账单从1.87美元跳涨至3.16美元），Reddit社区实测思考Token更达high档的3倍且存在输入计费不一致。
第二重刺客来自首发期的工程故障。11月13日，Antigravity开发者在官方论坛晒出运行日志，指出包括Hydrogen在内的Gemini 4模型出现严重的上下文缓存丢失（cachedContentTokenCount直接归零）和Token计数异常激增，而同一环境下3.8 Flash跑的11个对照会话实现零缓存丢失；另有Pro付费用户反映网页端虽已上线，Antigravity客户端里Hydrogen却一度显示不可用。原本享95%折扣（0.075美元）的历史上下文一旦缓存归零，每次多步调用都要按1.50美元全价重算，再加上Argon和Carbon下月起将从2美元/10美元涨至4美元/20美元，Google全线拉高算力客单价的算盘已经摆在桌面上了。
搜索结果页顺手截留点击，API迁移先等动态路由与年底大限
把视线转回每天承接数十亿次请求的Google Search，Hydrogen在这里扮演的是阻击Perplexity与ChatGPT Search的守门员，核心升级是强化查询扇出（query fan-out）机制。面对夹杂严重拼写错误的意识流长尾提问，模型会将其拆解为多个并发子查询，调用外部工具后拼出完整回答。
内容出版商和独立站长拿到的是颗裹着糖衣的苦果。查询扇出虽然在回答里塞进了更多长尾链接，但Hydrogen同时在AI Mode里大幅增加了结构化卡片、原生对比表格和定制交互小工具，用户在搜索页滑滑表格就能完成比价，点进原网页的欲望自然被抽干。更何况官方至今未公布AI Mode在开卷网页检索中的引用支持率，此前哥伦比亚大学Tow Center（2025年3月）测出Perplexity与ChatGPT Search引文错误率分别达37%与67%，Nielsen Norman Group（2025年10月）也证实附上链接往往只是给用户提供心理安慰，叠加上文实测的8%闭卷幻觉率，盲信搜索摘要依然危险。
好在API底层还没有强制换天，翻看截至11月13日的官方弃用文档，gemini-3.8-flash依然标注着未宣布关停日期。《淮南子》讲，“先针而后缕，可以成帷；先缕而后针，不可以成衣”。Google自己在Antigravity里塞进动态调度器（orchestrator），在同一会话里混用Carbon和Hydrogen，才在Terminal-Bench 4.0逼近Carbon成功率的同时省下24%算力、缩短19%耗时。既然连官方都靠混用避短，各家技术团队在12月31日3.8 Flash半价促销结束前更不必拿全量生产预算替新模型公测——常规流水线继续留在缓存稳定的3.8 Flash，长文档摘要与高吞吐多模态局部切入双100万窗口的Hydrogen，而复杂代码重构与零容错事实核查，老老实实路由回4%低幻觉的Argon或GPT-6.1 Sol，静观Antigravity何时修好缓存归零的那根针。