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。

Gemini 4 系列的推理、编码与长上下文能力

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

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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