11 月 12 日晚上我在 Gemini 的模型菜单里看到一个陌生的名字,Hydrogen,随手拿一段拖了半个月的脚本需求丢进去试。以前这种活儿要盯着进度条等半分钟,这次七八秒就吐完了。
第二天翻谷歌放出来的评测表,我才意识到这不是一次普通的版本更新。在 artificial analysis 那个把几十项测试揉成一个分的指数上,Hydrogen 默认档位是 51 分,而谷歌自家专门用来长时间推理的 Argon 是 50 分。一个为速度造的模型,把为思考造的模型超了一分。
一分听起来像误差,但方向值得琢磨。谷歌这次把家族分工讲得很直白:Carbon 和 Argon 负责架构设计和难缠的隐藏 bug,Hydrogen 负责写代码、跑测试、验证改动。在 Anti-gravity 里,一个编排器可以在同一场会话里来回切这两个模型,规划交给慢的,干活交给快的。
让我真正在意的是第三档。Hydrogen 有四个思考档位,低、中、高,还有个新的超高。默认是高,超高那一档能把分数从 51 拉到 54。可同样 54 分,Hydrogen 大约 13 分钟跑完一个任务,Claude Sonnet 5.5 要拖到 33 分钟才够。
但多花的钱不一定换到东西。终端任务测试里,从高档切到超高档,分数曲线直接走平。同样的结果,更高的成本。那个听起来最狠的档位,相当一部分场景里就是白花钱。你按档位买单,容易买贵。
价格这块倒是清爽。输入每百万 token 1.5 美元,输出 7.5 美元,谷歌说在整整一百万 token 的窗口里不涨价。对要长期跑自动化的人来说,这种可预测比跑分更值钱。
我自己最看中的是它写代码时的几个细节。读文件和搜索是并行分批的,工具调用失败或者搜索返回空,它不会卡死在那儿,会自己换个路径再试。这点比多两分重要,跑过批量任务的人都懂,卡一次就得人工去捞。
谷歌自己那张对比表里,Hydrogen 十项赢七项,Sonnet 5.5 赢三项。软件工程测试上它 13.5%,Sonnet 3.1,Terra 5.8;命令行任务 57% 对 18.2;智能体自动化两项 71.6 和 76.1。看第三方平台,agent arena 这种实时榜它排第五,税务智能体榜排第一,52.3%,法律检索榜并列第一,55.8%。
安全数据写得也漂亮,越权行为下降最多 81%,该拒绝没拒绝的降了 79%。但这同样是谷歌自己的评估口径。
说到这儿得泼一盆冷水。上面几乎每个数字都来自谷歌自己的博客,模型卡我没读到,几个外部榜单也是谷歌转述的口径。更麻烦的是这篇博客自己前后打架:有的地方写终端测试 4.0,有的写 4.1;正文里说对比的是 3.8 Flash,某一段又冒出 3.5 Flash。那种"快 2.5 倍""编造少五倍"的大话,比较对象是"团队正在迁离的旧模型",测试条件没给。
所以我的判断很简单。日常写代码、改配置、跑测试,用默认高档就够了,别一上来点超高。你要真想压成本,先看单位任务的 token 消耗,而不是看总分。总分差一分在两套测试之间根本不算信号。
还有个容易被忽略的账。谷歌推的是多智能体玩法,Carbon 做协调,Hydrogen 当工人和校验员,各自一个工作区。这意味着账单会随着你开几个 agent 线性往上长,不是线性多一点,是每个都要单独吃 token。没设上限的话,一个下午能烧掉你一周的预算。
我把那段拖了半个月的脚本交给它重写了一遍,确实能跑,但有两处逻辑它自作聪明改了参数。所以我现在的用法是:让它出草稿,我自己逐行看。工具再快,看不懂的代码也不敢上线。
你会把核心业务代码交给一个"快"模型吗,还是宁可等那 33 分钟?
#数码奇缘# #AI模型#
本文由 AI 辅助整理,观点与判断为个人看法。
热门跟贴