Gemini 4 系列的推理、编码与长上下文能力
深入比较 Argon、Carbon、Hydrogen 和 Neon 的科学推理、编码代理、多模态理解与百万 token 上下文,并解释评测方法和推理成本。

同样拥有约百万 token 上下文,Gemini 4 Neon 和 Carbon 在 Artificial Analysis 的综合指数里可以拿到相同的 60 分,背后却是不同的工作方式。在 high 档位,Neon 的加权单任务用时估算为 14.8 分钟,Carbon 在同一供应商汇总页上的对应估算超过半小时。另一方面,Carbon 与 Argon 在同一份技术评测中的 GraphWalks 分别为 96.2% 和 84.2%。这组对照说明,接收材料的上限、沿材料追踪关系的能力、以及交付所需的推理预算,是三项需要分别衡量的指标。Artificial Analysis 模型数据 · Carbon 技术模型卡
本文以 2026 年 11 月 19 日可查的公开资料为截面,比较 Argon、Carbon、Hydrogen 和 Neon。文中的成绩来自公开评测,Modelflare 未复跑。所说的「模型智力」指可观察的任务能力:从材料里抽取证据,用中间结果约束后续推理,通过工具完成目标,以及在证据不足时识别自己能下什么结论。每种能力都需要独立的任务、评分规则和资源预算。
四款模型共享什么,各自把算力花在哪里
| 模型 | Google 公共 API 模型 ID | 公开供应节点 | 适合优先评估的任务 |
|---|---|---|---|
| Argon | gemini-4-argon |
10 月 13 日扩大至付费 API 用户 | 已有 Argon 基线的复杂代码、知识工作与长文档分析 |
| Carbon | gemini-4-carbon |
11 月 10 日扩大至付费 API 用户 | 深度调试、开放式科研、需要多轮核验的复杂交付 |
| Hydrogen | gemini-4-hydrogen |
11 月 12 日推出,覆盖 API 免费与付费层 | 高频提取、边界明确的代码改动、可自动验收的代理步骤 |
| Neon | gemini-4-neon |
11 月 18 日推出,进入付费 API | 复杂且高频的代码、知识工作和跨材料分析 |
表中日期指 Google 宣布公共供应的节点。四款 API 模型均支持文本、图像、视频、音频和 PDF 输入,输出为文本。统一窗口上限为 1,048,576 tokens,模型页列出的默认同步输出上限为 65,536 tokens。长解码通过续写机制增加可生成的总量,实际仍受统一窗口和接口模式约束。四款模型的参数量、具体训练预算和各档位的计算量并无可供横比的公开数据,能力比较应落到已知的任务条件上。Argon API 规格 · Carbon API 规格 · Hydrogen API 规格 · Neon API 规格 · Google 长解码文档
DeepMind 将 Neon 描述为由 Carbon 适配而来。Google 的定位是让 Carbon 承担需要深度探索和多次验证的任务,让 Hydrogen 承担快速执行,再由 Neon 覆盖两者之间的大量复杂工作。定位可以帮助建立首轮实验配置。实际效果还取决于任务能否拆分、一次错误会波及多少步骤,以及人工复核的成本。Neon 模型卡 · Carbon 发布说明 · Hydrogen 发布说明
综合智力指数衡量的是怎样一组任务
Artificial Analysis Intelligence Index v5.0.1 汇总九项评测,把知识工作、编码、科学、一般能力各加权 25%。这个权重适合读整体能力轮廓。团队任务若主要是图表抽取、长材料交叉核对或严格限时的工具调用,就应参考对应子项,并通过自己的任务分布重新估计收益。下表是同一指数版本的公开快照,推理档位随行保留。指数方法与版本历史 · 供应商数据
| 模型与推理档 | 指数分 |
|---|---|
Neon xhigh |
61 |
Neon high |
60 |
Carbon high |
60 |
Neon medium |
55 |
Hydrogen xhigh |
54 |
Hydrogen high |
51 |
Argon high(AI Studio) |
50 |
Neon low |
44 |
同为 Neon,从 medium 到 high 增加 5 分,从 high 到 xhigh 只增加 1 分。该评测的加权时间估算分别为 8.3、14.8 和 21.5 分钟。最后一个档位的额外时间约为 45%,至于是否值得,要看它补救了哪些原本会失败的任务。指数的整数显示也不足以判断 60 和 61 的差是否稳定,尤其当缺少逐题配对结果和跨运行方差时。10 月旧版 v5.0 的 Carbon 59 分可用于回看当时的榜单,新版的 60 分则属于另一套评分快照。Neon 各档位结果 · Carbon 早期评测
科学推理需要区分答对、执行和核验
HLE-Diamond 的题集同时覆盖前沿知识与推理,适合观察模型能否对难题给出正确答案。DeepMind 的 Neon 和 Hydrogen 评测分别列出 71.3% 与 58.8%。RiemannBench 则针对数学任务,Neon 模型卡列出 84.0%。Terminal-Bench-Science 进一步要求模型在终端环境里完成科学任务,能否调用工具、运行分析、读懂中间输出都会影响得分。三类任务的评价对象不同,不能从一道题的答案正确直接推导出一整段研究流程可靠。Neon 模型卡 · Hydrogen 模型卡 · Artificial Analysis 评测定义
Carbon 和 Argon 在 Carbon 模型卡中的 Terminal-Bench-Science 0.1(AA)分别为 64.8% 与 52.9%,相差 11.9 个百分点。Neon 在另一份评测中的 70.5% 使用了带视觉的 mini-swe-agent,并对每题五次运行的奖励取平均。这个数字应该随框架和聚合规则一起引用。若要研究科研流程里多花推理预算是否有价值,可以让模型对同一份数据提出假设、给出可复现分析,再解释中间结果如何改变结论,并用评分表记录数值正确性、证据出处和结论可复现性。把这三项拆开,团队才能发现某个配置是更擅长发现问题,还是更擅长写出看似完整的报告。Carbon 模型卡 · Carbon 评测方法 · Neon 评测方法
编码代理真正比较的是模型、工具与交付标准
FrontierCode 2.0 包含 132 项维护者设计的任务,将测试、范围控制和仓库约定纳入可合并性评分。加权分和通过率是两列,平均运行花费又是第三列。读榜单时,一个适合交付的代理必须同时回答三个问题:有多少改动越过验收门槛,已过门槛的改动做得多完整,以及为此消耗了多少预算。Cognition 榜单 · FrontierCode 2.0 方法
| 模型与档位 | 评测框架 | 加权分 | 通过率 | 平均每次运行 |
|---|---|---|---|---|
Gemini 4 Neon high |
Antigravity CLI | 46.2% | 50.8% | $4.38 |
Claude Opus 5.5 max |
Claude Code | 47.3% | 51.8% | $12.82 |
GPT-6.2 Sol max |
Codex | 43.8% | 48.2% | $1.29 |
这是带各自工具的系统对比。在这份快照里,Neon 和 Opus 的通过率接近,Neon 的单次运行花费约为 Opus 的三分之一。Sol 花费低于 Neon,通过率相差 2.6 个百分点。这样的数据足够决定下一轮候选配置。若要隔离模型本身对结果的影响,还需要统一可见工具、超时、重试、工作目录和验收规则,并对同一批任务做配对比较。Cognition 榜单
DeepMind 公布的 SWE-sweep 也展示了框架差异。Neon 在供应商框架下的子任务加权奖励是 39.0%,在视觉版 Mini-SWE 框架下为 12.8%。两行差 26.2 个百分点,评测目标包含仓库中的问题发现,官方 Antigravity CLI 还允许子代理并行搜索。该结果足以表明工具组合影响成绩,现有公开数字无法分离子代理、搜索策略和其他框架因素各自的贡献。同理,Hydrogen 在 Terminal-Bench 4.1 公布的 57.0% 是 high 档、五次尝试均值,Neon 的 65.2% 来自 Artificial Analysis 的 Antigravity CLI 条目,8.2 个百分点不能作为同配置升级收益。Neon 模型卡与方法 · Neon 评测方法 · Hydrogen 评测方法
长任务还需要考察代理能否一直遵守交付要求。Carbon 的模型卡在 Agents' Last Exam v1.1 的同一套 122 项任务上测得 Carbon 77.4%、Argon 69.0%,两款均用默认 ALE-Claw 框架和五小时时限,公布的是平均评分。工作流层面的评估还能加入中途更正:在代理写出第一版后改变一个关键约束,检查最终交付是否同时保留未变更的要求,并记录模型能否主动核对受影响的部分。这类测试能区分「走完流程」与「按最新要求交付」。Carbon 模型卡 · 评测方法
百万上下文里的证据追踪与多模态理解
GraphWalks 把依赖关系放进长文本,要求模型做多跳追踪。Carbon 的评测在 256k 至 1M tokens 的 200 道题上报告广度优先遍历的 F1。Carbon 和 Argon 同表得分 96.2% 与 84.2%。Neon 的独立模型卡也报告了该长度切片,得分 95.2%。这些结果支持长上下文关系追踪的判断。移到合同、合并报表或代码规范时,证据经常互相矛盾或失效,业务评测还要单独计入定位正确率、依据是否有效,以及应当保留但被遗漏的例外。Carbon 评测方法 · Carbon 模型卡 · Neon 模型卡
例如,同一份资料可以安排三个难度层级:直接找到条款页码,追踪条款引用的附件,再判断较新的附件是否覆盖旧条款。保持问题和答案不变,将关键证据移动到开头、中部和结尾,并加入长度匹配的干扰材料。分别报告引用准确率、关键证据召回率与最终判断正确率。这样能分辨失败发生在找错页面、读错版本,还是正确读取后推理失误。
在多模态任务中,Chartography 和 LVBench 还揭示了输入预处理的影响。DeepMind 报告 Neon 的 Chartography 为 73.5%,同场所列 GPT-6.2 Sol 为 75.1%。LVBench 的 Neon 得分为 89.0%,但 Gemini 使用低分辨率、每秒一帧的输入,Sol 最多 500 帧、Opus 5.5 最多 600 帧,条件受各模型 API 限制。对业务视频分析,采样频率与模型选择需要一同固定。若目标是找出持续半秒的异常画面,漏帧会先于推理成为瓶颈。对图表则应同时检查读数、量纲、时间范围和文字结论,每项都能独立判错。Neon 模型卡与公布成绩 · 多模态评测方法
按验收结果计算成本
截至 2026 年 11 月 19 日,Google Gemini API 标准档用美元按每百万 tokens 计价,Hydrogen 输入与输出是 $1.50 / $7.50,Neon 是 $3 / $15。Argon 和 Carbon 在 Google 标注的 11 月 30 日到期的介绍期内为 $2 / $10,期满后为 $4 / $20。因此,Neon 的单位标价在介绍期内比两款模型高 50%,期满后将低 25%。这是 Google 直连单价的时间口径。实际账单还取决于缓存命中、计费推理输出、工具与重试。Google API 定价 · Argon 介绍价说明 · Carbon 介绍价说明
对于设置了验收门槛的工作流,可以计算「全部尝试总成本 ÷ 通过验收的任务数」。用一组示例说明:两种配置各跑 100 个相同任务。A 的全部请求花费 $80,60 个通过,模型成本约为每个通过任务 $1.33。B 花费 $110,90 个通过,每个通过任务约 $1.22。把人工复核按分钟折算后,可能进一步扩大或逆转差异。遇到退款、重复工具写入或无人值守运行等会放大错误影响的工作流,还应报告严重失败率,并把超时、重试和人工介入算进总成本。
在自己的任务上复现一份可决策的比较
- 先冻结任务与成功标准。 对代码改动按功能、兼容性与改动范围验收,对研究与知识工作按证据准确、推导正确与交付完整验收。将低频严重错误单独列出。
- 用同一批任务做配对比较。 记录模型 ID、推理档位、工具版本、输入预处理、可访问材料、停止条件与总预算。若也需要比较各供应商的完整代理产品,再开一组启用原生工具的实验。
- 同时测固定预算和固定质量门槛。 前者回答预算不变时能多完成多少,后者回答把验收率做到目标值需要多少开销。记录首个可见结果和完整交付时间,保留中位数、P95 和失败原因。
- 把随机性纳入结论。 任务量有限时,可用按任务配对的 bootstrap 区间衡量差异,重复运行的样本按任务成组抽样。挑选难度层级前先冻结任务集,并把新收集的失败案例留给下一轮。
- 用失败类型决定升级规则。 高频、易验收的步骤先测 Hydrogen。需要在同一交互中读材料、写代码、生成交付物时优先测 Neon
high。Carbon 用来检验跨模块或多轮探索是否能降低返工。已有 Argon 工作流应保留为对照,一起比较回归率、时间和每个通过任务的成本。
跨模型家族比较时,还可以参考同一编码榜单与另一组推理证据。GPT-6.2 Astra 与 Sol 深度分析