Una tarjeta de título para un artículo sobre el nivel superior de razonamiento de Gemini 4 Hydrogen, que muestra 5,311 tokens de salida y 3.99 centavos con esfuerzo alto frente a 31,477 tokens y 23.61 centavos con xhigh para el mismo prompt, con la nota de que ambos usan la misma tarifa de salida de $7.50 por millón.
Guides & Insights

Gemini 4 Hydrogen: qué compra xhigh por 6 veces la factura

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Dos ejecuciones del mismo prompt corto con G​emini 4 Hydrogen, separadas por un solo ajuste. En high, el modelo gastó 5.311 tokens de salida y facturó 3,99 centavos. En xhigh, gastó 31.477 y facturó 23,61 centavos. La misma comparación aparece en una ejecución de G​emini 4 Neon del mismo día, donde el peldaño superior costó 39,83 centavos frente a 14,55 en high. Simon Willison publicó ambos pares el 20 de noviembre de 2026, cuatro días después de que G​oogle lanzara G​emini 4 Hydrogen el 12 de noviembre, y las cifras son la primera comparación pública lado a lado en lo más alto de una escala de esfuerzo de G​emini 4 que la mayoría de la gente aún no ha probado.

Lo interesante no es que el ajuste más profundo cueste más. Es que la tarifa por token nunca cambió. Hydrogen cobra $1.50 por millón de tokens de entrada y $7.50 por millón de tokens de salida en todos los niveles, incluido xhigh y incluidos los tokens de pensamiento. Multiplica los recuentos de tokens por esa tarifa y obtienes las facturas hasta el centavo. Así que xhigh no es un nivel premium por el que pagues extra. Es una decisión de dejar que el modelo escriba unas seis veces más, y la factura sigue automáticamente.

Los dos proyectos de ley, y por qué se mantuvo la tasa

Vale la pena hacer la aritmética a mano una vez, porque deja claro lo que realmente estás comprando. La tarifa de salida de Hydrogen es de $7.50 por millón de tokens. Con 5,311 tokens, eso son 3.98 centavos; la factura medida fue de 3.99. Con 31,477 tokens, son 23.61 centavos, que es exactamente la factura medida. El lado de la entrada es ruido a esta escala: un prompt de unas pocas docenas de tokens cuesta una fracción de una centésima de centavo a $1.50 por millón.

• Tokens de salida — 5,311 en high frente a 31,477 en xhigh, un factor de 5.9

• Costo en centavos — 3.99 frente a 23.61, el mismo factor de 5.9

• Tarifa de salida — $7.50 por millón de tokens en ambas configuraciones, sin cambios

• Tarifa de entrada — $1.50 por millón de tokens en ambas configuraciones, sin cambios

• Contexto — una tarifa única hasta 1M de tokens, sin recargo por contexto largo indicado

Eso tiene una consecuencia práctica para cualquiera que presupueste este modelo. Las hojas de precios de los proveedores se organizan por tarifa por token, y la tarifa es la única variable que no cambia aquí. Planificar para xhigh a partir de una tabla por token subestimará la factura en aproximadamente seis veces en una tarea en la que el modelo decide pensar más. La única cifra que predice el coste es el número de tokens de salida por respuesta, y la única forma de obtenerlo es medirlo con tus propios prompts. La propia documentación de G​oogle admite la dirección sin dar una magnitud: advierte de que xhigh "aumenta la latencia y el uso de tokens".

A scoreboard comparing Gemini 4 Hydrogen at high and xhigh thinking effort: output tokens 5,311 vs 31,477, cost per short prompt 3.99 vs 23.61 cents, Artificial Analysis Intelligence Index 50.8 vs 53.9, cost per Index task $1.87 vs $3.16, time per task 9.0 vs 15.8 minutes, and an output rate of $7.50 per million at both settings.

Qué produjeron los 26.000 tokens adicionales

En la prueba del pelícano en bicicleta, la respuesta es: un dibujo visiblemente mejor. El resumen de Willison es que la salida high era un pelícano plano sin cesta y sin fondo, y la salida xhigh llegó como una bicicleta verde azulado en una playa con un pez azul en la cesta —competitiva con lo que G​emini 4 Neon produce por defecto por aproximadamente el mismo dinero. Aproximadamente 26.000 tokens de pensamiento adicionales se destinaron a la composición, la escena y el color en lugar de a una respuesta correcta.

Trata eso como una sola observación, no como un benchmark. Es un solo prompt, una sola muestra por configuración y una tarea sin una única respuesta correcta, lo que significa que no se le puede asignar una puntuación de precisión. Lo que sí establece es que el nivel superior puede cambiar el carácter de una salida en trabajo generativo abierto, y que el cambio no es sutil cuando ocurre. Que el mismo gasto seis veces mayor sirva de algo en tu carga de trabajo es una cuestión aparte, y las dos secciones siguientes tratan de los casos en los que la respuesta se mide en lugar de estimarse a ojo.

La escalera independiente dice lo mismo

Artificial Analysis puntúa a Hydrogen en cada una de sus cuatro configuraciones, y la forma de la curva coincide con la del pico de un pelícano. Al leer la página del modelo el 22 de noviembre de 2026, el Intelligence Index va de 26,9 en low, 41,2 en medium, 50,8 en high y 53,9 en xhigh. El costo por tarea de Index va de $0,29, $0,80, $1,87 y $3,16 en los mismos cuatro niveles, y el tiempo por tarea va de 1,5, 4,0, 9,0 y 15,8 minutos.

Convierte eso en coste marginal —el precio del siguiente punto— y el argumento contra recurrir por defecto al peldaño superior se vuelve aritmética en lugar de gusto:

• de bajo a medio — +14,3 puntos del índice por +51 centavos, aproximadamente 3,5 centavos por punto

• de medio a alto — +9,6 puntos por +$1,08, aproximadamente 11,3 centavos por punto

• de high a xhigh — +3.1 puntos por +$1.29, aproximadamente 41.1 centavos por punto

• Total, de bajo a xhigh — +27 puntos por +$2.87, aproximadamente 10.6 centavos por punto en promedio

El último paso es el caro, por un factor de casi cuatro frente al paso anterior, y además cuesta un 76 % más de tiempo real por tarea. El primer paso de bajo a medio sigue siendo la mejor compra de la escalera por un amplio margen, algo que conviene recordar dado que alto es el predeterminado. Estas son mediciones de terceros de Artificial Analysis, no cifras de proveedores, y los costos por tarea agrupan entrada, salida y comportamiento de agente multiturno, por lo que no escalan como lo hace la factura de un solo prompt.

Artificial Analysis model page for Gemini 4 Hydrogen showing an Intelligence Index of 54 at xhigh, first-answer latency of 46.76 seconds, output speed of 163 tokens per second, 15.8 minutes and $3.16 per Intelligence Index task, list pricing of $1.50 input and $7.50 output per million tokens, a 1M context window, and a default effort of high.

Donde xhigh no aporta nada en absoluto

La documentación de Google es contundente sobre el nivel superior de una manera que el material de lanzamiento rara vez lo es. Dice que se reserve xhigh «para problemas de programación y agénticos difíciles, de varios pasos, en los que high se queda corto», y advierte que en prompts más simples «puede provocar razonamiento excesivo o agotar max_output_tokens». Ese segundo modo de fallo es el que muerde en silencio: el límite de tokens abarca tanto el razonamiento como la salida visible, así que un prompt que habría respondido cómodamente con high puede consumir todo el presupuesto en razonar y volver marcado como incompleto, truncado o vacío. Parece un fallo del modelo. Es un fallo de configuración.

Google's Gemini thinking documentation table describing the low, medium, high and xhigh levels, marking high as the default on gemini-4-hydrogen, reserving xhigh for hard multi-step coding where high falls short, and warning that xhigh increases latency and token use and can cause overthinking or exhaust max_output_tokens on simple prompts.

Un barrido independiente de 56 solicitudes publicado en noviembre de 2026 puso a prueba la cuestión que implica la advertencia de Google. En tres prompts de dificultad fácil a media y dos ejecuciones por nivel, encontró que xhigh usó aproximadamente 3,1 veces los tokens de pensamiento de high en general y alrededor de cinco veces más en el prompt de programación, y todas las respuestas seguían siendo correctas en todos los niveles. El gasto adicional compró tokens y latencia, no precisión. La muestra es pequeña y el autor lo dice; la dirección es coherente tanto con la advertencia del proveedor como con la curva de Artificial Analysis, donde el último peldaño añade tres puntos en lugar de quince.

La división es, por tanto, por clase de tarea, no por capacidad del modelo. La extracción, la clasificación, el formateo y las respuestas factuales breves tienen un techo cercano a su primera respuesta correcta, y pagar seis veces por ello es puro desperdicio. La generación abierta no tiene ese techo, porque la salida es el artefacto y siempre hay más detalle disponible para añadir.

El crossover que de verdad importa

Esta es la cifra que debería cambiar cómo usas el modelo. Hydrogen en xhigh costó 23,61 centavos por un prompt corto de dibujo. G​emini 4 Neon, en su ajuste alto predeterminado, costó 14,55 centavos por el mismo prompt el mismo día, y produjo un resultado que Willison consideró al menos igual de bueno. Llevar Hydrogen a su nivel máximo es un 62 por ciento más caro que dejarlo en el valor predeterminado y, en cambio, subir un nivel de modelo. Si tu motivo para recurrir a xhigh es «la respuesta no es lo suficientemente buena», un modelo más grande en su configuración predeterminada suele ser la opción más barata, y es la que la mayoría de los equipos no comprueba.

Ese orden no sobrevive a un cambio de carga de trabajo, que es la parte que se pierde cuando una prueba con un prompt corto se cita como una clasificación general. En la cesta larga de agentes de Artificial Analysis, Neon en high cuesta 3,74 $ por tarea frente a Hydrogen en xhigh con 3,16 $, así que el modelo más barato en un dibujo de cuarenta tokens es el más caro en una tarea larga de varios turnos. Ninguna de las dos cifras es incorrecta. Un prompt corto y una ejecución de agente de 15 minutos ejercitan partes distintas de la escalera, y un cambio de peldaño que ahorra dinero en una puede perderlo en la otra.

Un detalle con fecha que hay que incorporar: la página de precios de G​oogle indica que las tarifas de Carbon y Argon se duplicarán el 1 de diciembre de 2026, de $2 de entrada y $10 de salida a $4 y $20. Hydrogen no muestra ningún cambio de ese tipo. Por lo tanto, todas las comparaciones anteriores que involucran a los modelos más antiguos tienen nueve días antes de que la diferencia se amplíe a favor de Hydrogen.

Configurarlo y probarlo en una tarde

El nivel es un solo campo. En la API nativa generateContent es thinkingConfig.thinkingLevel; en la API de Interactions es generation_config.thinking_level; en una ruta compatible con OpenAI llega como reasoning_effort. El valor es la cadena en minúsculas —low, medium, high o xhigh— y high es el valor predeterminado para Hydrogen. El pensamiento no se puede desactivar por completo en este modelo, y el parámetro más antiguo thinkingBudget está obsoleto en favor del nivel.

Medir el costo requiere una lectura adicional. Los tokens de pensamiento aparecen en usageMetadata.thoughtsTokenCount en la API nativa, en usage.total_thought_tokens en Interactions y en reasoning_tokens en la ruta compatible —así puedes separar lo que el modelo pensó de lo que dijo, y calcular el precio de cada parte. Un plan viable para una tarde: toma veinte prompts reales de tus propios registros, ejecuta cada uno con high y xhigh y con un límite de salida generoso para que nada se trunque, y registra los tokens y si la respuesta pasó. Compara el costo total con la tasa de aprobación. Si xhigh no eleva la tasa de aprobación lo suficiente como para justificar una factura aproximadamente seis veces mayor en los prompts en los que se activa, ya tienes tu respuesta para esa carga de trabajo, y será mejor que cualquier tabla publicada.

Ejecutar dos configuraciones en paralelo es más fácil cuando ambas están detrás de una sola clave, que es la parte que cubre OrcaRouter. Servimos Gemini 4 Argon y G​emini 4 C​arbon al precio de lista del proveedor con 0% de margen, así que las tarifas de este artículo son las que pagas de nuestro lado por esos dos. G​emini 4 Hydrogen no está hoy en nuestro catálogo, así que cada cifra de Hydrogen aquí es el precio de lista de G​oogle y no el nuestro — conviene decirlo sin rodeos, porque el modo de fallo de este artículo es exactamente el de una hoja de tarifas que esconde un multiplicador de seis veces. Cuando un modelo se enruta a través de nosotros, el nivel de esfuerzo es un campo por ruta, así que una ruta canary con xhigh junto a una ruta de producción con high es un cambio de configuración y no una ruta de código.

¿Qué hacer con esto el lunes?

La regla que sobrevive a todos los números es más estrecha que «usar la configuración más alta para los problemas difíciles». Es esta: baja por la escala hasta que la calidad se rompa, luego sube un escalón y comprueba si un modelo diferente en su configuración predeterminada es más barato que el escalón adicional antes de comprometerte. La propia escala de Hydrogen sitúa ese paso en aproximadamente cuarenta centavos por punto en el Index y seis veces los tokens en un dibujo, mientras que el paso de bajo a medio cuesta tres centavos y medio por punto. La mayor parte del valor de este modelo está en la mitad inferior de la escala, y la configuración predeterminada está por encima de ella.

La pregunta abierta es qué hace el nivel superior en el trabajo agéntico en lugar de en un pelícano: si los puntos del 3.1 Index que Artificial Analysis mide en xhigh se manifiestan como menos llamadas a herramientas fallidas o como más turnos dedicados a pensar en ellas. Nadie ha publicado todavía ese desglose, y es el que te diría si conviene dejar Hydrogen en high en producción.