Google 發表 Gemini 4 Hydrogen，定位是代理工作流程的日常主力，與既有的 Carbon、Argon 兩個尖端模型分工，Carbon、Argon 負責深度、長程推理，Hydrogen 負責快速執行。CyberQ 11 月 13 日已有一則發表新聞，這篇我們實際實測來看這次更新的成果。
測試在發表隔天進行，分兩條路線：Gemini API（AI Studio 付費金鑰）測規格、思考等級、長 context、工具呼叫、多模態與捏造；Antigravity CLI（agy）跑本站自製的七題代理評測 harness-bench，比較 Hydrogen（High、XHigh）、3.8 Flash、Carbon、Argon 與 Orchestrator，計入結果的共 123 次執行。API 實際花費約 US$4.9，其中約 US$3.9 是五次長 context 請求。
官方說了什麼
依 Google 部落格與 AI Studio 文件整理，與這次實測相關的重點如下：
| 項目 | 官方說法 |
|---|---|
| 模型 ID | gemini-4-hydrogen（只有穩定版，無 preview 後綴） |
| Context | 1,048,576 token；同步輸出上限 65,536，long decode 最多約 1M |
| 思考等級 | low、medium、high（預設）、xhigh（新增）；minimal 會被拒絕 |
| 定價（標準） | 輸入 US$1.50、輸出（含思考）US$7.50 每百萬 token，整個 1M 視窗同價；隱式快取 US$0.075 |
| 參數變更 | temperature、top_p、top_k 會被伺服器忽略；不支援顯式快取 |
| 多模態 | 輸入文字、圖片、影片、音訊、PDF；輸出只有文字 |
| 對 3.8 Flash | 高設定下完成任務快 2.5 倍，合作夥伴測得 2 到 2.8 倍、token 少 12% 到 23%；捏造減少 5 倍以上 |
| Orchestrator | Carbon 協調、Hydrogen 執行，在 Terminal-Bench 4.0 接近 Carbon 成功率，平均少用 24% 額度、快 19% |
| 基準 | Artificial Analysis 指數 51（high）／54（xhigh），Argon 為 50；Terminal-Bench 4.1 為 57% |
管道方面，API 與 AI Studio 即日開放；Antigravity 限 Google AI Pro 與 Ultra 付費訂閱，Gemini app 的免費使用者只會在自動模型選擇判斷合適時用到 Hydrogen。
測試環境與方法
- API：REST
generativelanguage.googleapis.com/v1beta，以generateContent為主；思考等級用generationConfig.thinkingConfig.thinkingLevel。每次請求的原始回應都存檔，成本由回應中的usageMetadata依官方定價換算。 - agy：Antigravity CLI headless 模式（
-p、--output-format stream-json、--sandbox），每題上限 900 秒。七題涵蓋修 bug、重構、讀 log 找根因、設定衝突、寫工具、長文件與工具串接，各跑 3 次，結果由題目自帶的驗證腳本判定。agy 以隔離的家目錄執行，只帶登入憑證與基本設定，不載入任何使用者外掛或 hook，量到的是模型加上 agy 原生行為。 - 對照組：API 端以
gemini-3.8-flash對照；agy 端是 Gemini 3.8 Flash High、Gemini 4 Carbon High、Gemini 4 Argon High 與 Orchestrator（Argon）。 - 限制：agy 在測試期間自動從 1.5.7 升到 1.5.8（Hydrogen High 前 10 次是 1.5.7，其餘全部 1.5.8）。3.8 Flash 有 11 次碰到伺服器「No capacity」的 503 錯誤，已剔除重跑。Carbon High 跑到第 19 次時用完訂閱額度，只計前 18 次；改用第二個帳號續測時，該帳號沒有 Carbon 與 Orchestrator（Carbon），因此 Orchestrator 改測 Argon 版本。
發表首日 API 偶爾回 503 high demand，可能 Google 系統前二日較繁忙，腳本有重試，表中時間只計成功的那一次請求。
規格與思考等級
models.get 回傳的規格與文件一致：輸入上限 1,048,576、輸出上限 65,536。
CyberQ 觀察，這次新版的邊界行為有幾點值得注意：
minimal會被拒絕，與文件相符。- 傳入不存在的
max等級，Hydrogen 與 3.8 Flash 都不報錯，直接回答。程式寫錯等級名稱時不會被擋下來，要自己檢查。 - 舊的
thinkingBudget: 0在 3.8 Flash 上確實關掉思考（0 個思考 token），在 Hydrogen 上無效，仍有 79 個思考 token。從 3.8 Flash 遷移、靠 budget 0 省錢的程式，換成 Hydrogen 後費用會變。 temperature: 0不報錯，與「伺服器忽略」的說法一致。- 3.8 Flash 不支援
xhigh，會回 400。
兩題（一題中國餘數定理、一題組合計數，答案事先用程式算好）在四個等級加預設各跑 3 次，Hydrogen 30 次全部答對。組合題上，low 到 high 的思考 token 從 1,441 漸增到 2,450，xhigh 一口氣跳到 7,168，牆鐘時間也從 12.7 秒拉長到 29.9 秒。不帶參數時的思考量（2,300）與 high 相近，符合「預設 high」的說法。簡單題各等級差異不大，xhigh 仍多花約一倍思考。
和 3.8 Flash 比，同為 high 時 Hydrogen 的思考 token 少 57%（2,450 對 5,744），時間是 12.7 秒對 39.0 秒，快約 3.1 倍；以兩者的預設值比（Hydrogen 預設 high、Flash 預設 medium），是 11.9 秒對 20.2 秒，快約 1.7 倍。這只是單題、每格 3 次的小樣本，但方向與官方「快 2.5 倍、token 更少」一致。
1M context 撈針
CyberQ 把 CPython 標準函式庫原始碼串成長文本，在約 10%、50%、90% 的位置各插一則中文註解（備援機房地點、密碼輪替天數、緊急分機），要求模型逐一列出並說明位置，找不到要明說。
結果：209K、492K、851K、1,013K token 四種長度，三根針全部找到，位置描述也正確。1,013K 已逼近 1,048,576 上限，仍能在 31.8 秒內回答（那次前兩次嘗試被 503 擋下，第三次成功）。
快取的效果很明顯：同一份 209K 請求重送，207,318 token 命中隱式快取，依定價換算成本從 US$0.321 降到 US$0.027。我們沒有開顯式快取（Hydrogen 也不支援），完全是伺服器自動處理。
至於「1M 內同價」：依 usageMetadata 換算，每次請求的單價都一樣，因為 API 回應本身不帶價格，這部分只能以官方定價頁與使用者帳單對照，帳單端的逐筆核對我們沒有做。
平行工具呼叫
宣告五個函式，問「台北天氣、台積電收盤價、東京時間」這種三件彼此獨立的事，以及「王小明還剩幾天特休」這種需要先查員工編號的相依問題，各跑 5 次。
Hydrogen 每次都在第一回合同時發出三個 functionCall；相依問題則只先呼叫 find_user，沒有亂猜員工編號。不過 3.8 Flash 的行為完全相同，只是慢一點（中位數 3.6 秒對 2.5 秒）。所以平行呼叫本身不是 Hydrogen 的新能力，官方強調的「原生平行批次讀檔與搜尋」比較可能是 agent 環境內的行為差異，這要看下一節。
多模態輸入
自製四種素材：三頁虛構財報 PDF、一份訂單試算表（xlsx 與 csv 各一）、一支 12 秒影片（三個代號依序出現，中段左上角有紅色方塊）、一段 26 秒的中文語音週報（用 gemini-3.8-flash-tts 產生）。
PDF 的四個問題全對，且每點都標出正確頁碼；試算表的三區退貨率算到小數點後兩位都正確，xlsx 直接上傳也被接受；影片的三個代號與出現時間都對，紅色方塊對應的代號也對；語音的日期、時間、停機分鐘數與封鎖次數全部正確。這些都是單次測試，素材也偏乾淨，只能說明基本能力沒問題。
捏造行為：Hydrogen 0 次，3.8 Flash 7 次
官方說 Hydrogen 的「捏造宣稱」比 3.8 Flash 少 5 倍以上。我們設計 20 題詢問不存在的東西，包括 PyPI 套件參數、論文、FortiGate 指令、台灣法規、sysctl 參數、Nginx 指令、Kubernetes 資源、Rust crate 等，名稱都先上網查過，確認查無此物。另有 6 題真實題當對照，避免模型以一律拒答取巧。不開搜尋，兩輪共 52 題。
Hydrogen 在 40 次虛構題中 0 次捏造，每次都說明查無此物，並給出名稱相近的真實替代品（例如 hydra-mesh 指向 FortiOS 實際的 Mesh 設定、PodShardBudget 指向 PodDisruptionBudget）；真實題 12 次全對。3.8 Flash 有 7 次直接捏造，包括寫出完整的 config system hydra-mesh 設定範例、給 jsonl-sieve 編出預設值、列出不存在的「OWASP LLM-API Top 7」七項內容，還把虛構的「雲杉資安」對到一家美國公司；另有 3 次先說查不到，接著又描述「通常會包含」的細節。
7 比 0 無法算出倍數，但方向與官方宣稱一致，而且差距明顯。有一題兩者都沒答好，我們把真實的 RFC 9871（2025 年 11 月發布的 BGP Color-Aware Routing）配上假標題，Hydrogen 只說無法確認，3.8 Flash 則斷言「RFC 編號還沒到 9871」，後者是錯的。
agy 代理評測：除了一題，Hydrogen 都是最快的
harness-bench 是本站自製的七題代理評測，每題給一個小型工作目錄與任務說明，代理人自己讀檔、跑指令、改檔，最後由驗證腳本判定。第 03 題最難：給一份在 NVIDIA GB10 上啟動失敗的 vLLM log，要求寫出根因與「所有」必要的環境變數，只給一半不算過。
| 組別 | 通過 | 21 次總耗時 | 第 03 題 |
|---|---|---|---|
| Hydrogen High | 21/21 | 27.0 分 | 3/3，中位數 406 秒 |
| Hydrogen XHigh | 18/21 | 59.9 分 | 0/3，全部 900 秒逾時 |
| 3.8 Flash High | 21/21 | 24.4 分 | 3/3，中位數 69 秒 |
| Carbon High | 16/18 | 67.6 分（18 次） | 0/2，逾時 |
| Argon High | 18/21 | 61.2 分 | 0/3，逾時 |
| Orchestrator（Argon） | 20/21 | 50.0 分 | 2/3 |
Hydrogen High 與 3.8 Flash 都是 21 次全過，Hydrogen High 在七題都比 Carbon、Argon 快，第 03 題以外也都比 3.8 Flash 快。
對 3.8 Flash 的速度與 token
扣掉第 03 題，其餘六題的中位數加總是 133 秒對 333 秒，快 2.5 倍，與官方「高設定快 2.5 倍」幾乎一致；處理的 token（中位數加總）是 335K 對 969K，少了 65%，比官方說的 12% 到 23% 還多。
但第 03 題完全反過來。Hydrogen 每次都去網路查 vLLM 原始碼與 GitHub issue，三次分別呼叫 45、88、67 次搜尋，耗時 302 到 482 秒、每次處理約 200 萬 token；3.8 Flash 讀完 log 就作答，中位數 69 秒、19 萬 token。兩者都答對，但 Hydrogen 多花了 10 倍的 token。把七題全部算進去，Hydrogen 的總耗時（27.0 分）反而比 3.8 Flash（24.4 分）長，token 合計也多 66%（6.69M 對 4.04M）。
XHigh 不一定更好
Hydrogen XHigh 在第 03 題三次全部逾時，900 秒內各查了 34、120、138 次網路，還在翻 vLLM 原始碼就被截斷；其他六題全過，但每題時間約是 High 的兩倍。在代理任務上，xhigh 讓「一直挖」的傾向更嚴重。
尖端模型也在同一題卡住
Carbon High 與 Argon High 在第 03 題同樣一路搜尋到逾時，其他題全過，但每題中位數 Argon 要 36 到 84 秒、Carbon 要 56 到 524 秒，都比 Hydrogen High 慢。Argon 一個月前在 agy 1.3.5 上跑同一套題目是 20/21，這次第 03 題 0/3，顯示 agy 版本與內建工具的變化也會左右結果。
Orchestrator
官方宣稱的是 Carbon 協調、Hydrogen 執行的組合。這個組合我們只跑了 2 次（都通過）就用完 Carbon 額度，第二個帳號又沒有 Carbon，因此改測 Orchestrator（Argon）對 Argon High。結果 Orchestrator 版通過 20/21，第 03 題 3 次過 2 次，是唯一能讓 Argon 解出這題的方式，21 次總耗時少 18%（50.0 分對 61.2 分），扣掉第 03 題少 29%。不過 agy 回報的處理 token 反而多了 21%（10.40M 對 8.59M），而且 agy 只說執行者是內部模型，沒標明是不是 Hydrogen，所以「少用 24% 額度」這點我們無法驗證。
額度很快用完不是個案
我們的第一個帳號同一天已先跑了一百多次 Hydrogen 與 3.8 Flash 的代理任務，Carbon High 跑到第 17 次起陸續被 agy 以「Individual quota reached」擋下，畫面顯示約 15 小時後重置，我們無法判斷這個上限是各模型分開計算還是共用。
CyberQ 觀察到開發者社群也有類似回報，一位開發者在 11 月 11 日的 Carbon 實測文中提到，用 Google AI Ultra 方案同時開 4 個工作階段跑 Carbon，約兩小時就全部停住，訊息同樣是 Individual quota reached，兩小時後才恢復（paddo.dev）。
Antigravity CLI 的 GitHub 上，也有多則 Pro 與其他付費方案使用者回報只做了簡短設定或幾個提示就用光額度，重置時間從數小時到將近 7 天不等（#46、#234、#789），不過這幾則用的是較早的模型而不是 Carbon，討論串裡也沒有 Google 的正式回應。打算用 Carbon 或 Orchestrator 跑長時間、平行的代理任務，最好先估算額度。
與官方宣稱對照
| 官方宣稱 | 實測結果 | 說明 |
|---|---|---|
| 1M context、65,536 輸出上限 | models.get 一致，1,013K token 撈針成功 | 符合 |
| 四段思考等級、預設 high、拒絕 minimal | 四級皆可用，預設思考量與 high 相近，minimal 回 400 | 符合（不存在的 max 也不報錯） |
| 1M 內同價、隱式快取 | 依 usageMetadata 換算一致，快取命中 207,318 token | 部分驗證（未逐筆對帳單） |
| 忽略 temperature 等參數 | 不報錯 | 符合 |
| 多模態輸入 | PDF、xlsx、影片、語音皆答對 | 符合（單次、乾淨素材） |
| 平行批次工具呼叫 | 會平行呼叫，但 3.8 Flash 也會 | 符合，但非新能力 |
| 比 3.8 Flash 快 2.5 倍 | API 單題約 1.7 到 3.1 倍；agy 扣掉第 03 題 2.5 倍，含第 03 題反而較慢 | 大致符合 |
| token 少 12% 到 23% | agy 扣掉第 03 題少 65%；含第 03 題多 66% | 視任務而定 |
| 捏造少 5 倍以上 | 0 次對 7 次（40 題） | 方向符合 |
| Orchestrator 少 24% 額度、快 19% | Carbon 版未完成，Argon 版快 18%、token 多 21% | 未驗證 |
測試結論
CyberQ 指出，Hydrogen 的規格、思考等級、長 context 與多模態都與文件一致，捏造明顯比 3.8 Flash 少，單純的代理任務也確實快上兩倍以上，而且在這次的七題裡與 3.8 Flash 並列唯一全數通過的組合。對多數日常的程式代理工作，它很適合當預設模型，確實是 CP 值很高德的模型。
需要注意的是它遇到不確定的問題時會大量上網查證，吃掉一大堆 token，本篇測試第 03 題就是例子，答案在 log 裡就有，它仍花了 10 倍 token 去翻原始碼。用在按 token 計費的 API，或有時間上限的自動化流程，建議設好工具呼叫次數或時間預算，xhigh 在代理任務上更容易失控，不建議預設開啟。從 3.8 Flash 遷移的程式，要留意 thinkingBudget: 0 在 Hydrogen 上無效。
延伸閱讀
Gemini 4 Argon 實測：同一套CyberQ harness-bench
