一篇关于 Gemini 4 Hydrogen 最高思考层级的文章标题卡,显示同一提示词在高努力下为 5,311 个输出 token、3.99 美分,而在 xhigh 下为 31,477 个 token、23.61 美分,并注明两者均采用相同的每百万输出 7.50 美元费率。
Guides & Insights

Gemini 4 Hydrogen:xhigh 以 6 倍账单换来了什么

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

对同一个简短提示词,用 G​emini 4 Hydrogen 跑了两次,仅相差一个设置。在 high 档下,模型消耗了 5,311 个输出 token,计费 3.99 美分。在 xhigh 档下,它消耗了 31,477 个,计费 23.61 美分。同一天的一次 G​emini 4 Neon 运行中也出现了同样的对比:最高档花费 39.83 美分,而 high 档为 14.55 美分。Simon Willison 于 2026 年 11 月 20 日公布了这两组数据,也就是在 G​oogle 于 11 月 12 日推出 G​emini 4 Hydrogen 的四天后;这些数字是 G​emini 4 努力程度阶梯最顶端首次公开的并排对比,而这一顶端大多数人尚未触及。

有意思的地方不在于更深的设置花费更多,而在于每 token 的费率从未变过。Hydrogen 在每一档都收取每百万输入 token 1.50 美元和每百万输出 token 7.50 美元,包括 xhigh,也包括思考 token。把 token 数量乘以该费率,得到的账单分毫不差。所以 xhigh 并不是你要额外付费的高级档位。它是一个让模型多写大约六倍内容的决定,而账单会自动随之而来。

两项法案,以及利率为何维持不变

这个算术值得亲手算一次,因为它能弄清你实际买到的到底是什么。Hydrogen 的输出费率是每百万个 token 7.50 美元。在 5,311 个 token 时,就是 3.98 美分;实测账单是 3.99 美分。在 31,477 个 token 时,就是 23.61 美分,与实测账单完全一致。在这个规模下,输入侧可以忽略不计:几十个 token 的提示词按每百万 1.50 美元计算,成本只是百分之一美分的一小部分。

• 输出 token —— high 下为 5,311,而 xhigh 下为 31,477,相差 5.9 倍

• 以美分计的成本——3.99 对 23.61,同样是 5.9 倍

• 输出费率 — 两种设置下均为每百万个 token 7.50 美元,保持不变

• 输入费率 — 两种设置下均为每百万 token 1.50 美元,保持不变

• 上下文 — 每 100 万 tokens 单一费率,未列出长上下文附加费

这对任何为这个模型做预算的人都有实际影响。供应商价格表按 token 费率组织,而费率是这里唯一不变的变量。依据按 token 计价的表格来为 xhigh 做规划,在模型选择思考更久的任务上,会把账单低估大约六倍。唯一能预测成本的数字是每次回答的输出 token 数,而获得它的唯一方法是在你自己的提示词上测量。G​oogle 自己的文档承认了这一方向,却没有给出量级:它警告 xhigh“会增加延迟和 token 使用量”。

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.

额外的 26,000 个 token 产生了什么

在“骑自行车的鹈鹕”测试中,答案是:一幅明显更好的画。Willison 的总结是,high 输出是一只扁平的鹈鹕,没有篮子,也没有背景;而 xhigh 输出则是一辆停在沙滩上的青绿色自行车,篮子里有一条蓝色的鱼——其效果可与 G​emini 4 Neon 在花费大致相同的情况下默认生成的结果相媲美。大约多出的 26,000 个思考 token 用在了构图、场景和色彩上,而不是用在给出正确答案上。

把这视为一次单独观察,而不是基准测试。它只是一个提示词、每种设置一个样本,而且是一项没有唯一正确答案的任务,这意味着无法为其附加准确率分数。它确实能确立的是:最高档位能够改变开放式生成任务输出的性质,而且这种变化发生时并不细微。同样的六倍花费在你的工作负载上是否能带来任何收益,是另一个问题;接下来两节讨论的是答案要靠测量而非目测来判断的情况。

独立天梯也这么说

Artificial Analysis 对 Hydrogen 的四档设置分别评分,其曲线形状与鹈鹕喙相符。2026 年 11 月 22 日查看该模型页面时,Intelligence Index 在低档为 26.9,中档为 41.2,高档为 50.8,xhigh 档为 53.9。在同样的四档下,每个 Index 任务的成本分别为 $0.29、$0.80、$1.87 和 $3.16,每个任务耗时分别为 1.5、4.0、9.0 和 15.8 分钟。

把那些换算成边际成本——即下一点的价格——那么反对默认选择最高档的论证就变成了算术问题,而不是品味问题:

• 低至中等 — +51 美分对应 +14.3 个指数点,约每点 3.5 美分

• 中到高 — 多花 +$1.08 可获得 +9.6 分,约每分 11.3 美分

• 从 high 到 xhigh——+3.1 点,多花 +$1.29,约合每点 41.1 美分

• 总计,从低到 xhigh — +27 分,花费 +$2.87,平均每分约 10.6 美分

最后一步是昂贵的那一步,相比前一步高出近四倍,而且每个任务的实际耗时也多出 76%。从低档到中档的第一步仍然是整个阶梯中性价比最高的选择,而且优势很大;考虑到高档是默认选项,这一点值得记住。这些是 Artificial Analysis 的第三方测量结果,而非厂商数据;每任务成本捆绑了输入、输出以及多轮智能体行为——这就是为什么它们不会像单次提示的账单那样按比例变化。

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.

在 xhigh 完全没有任何收益的地方

Google 的文档对最高档位的说明直白得在发布材料中很少见。它建议将 xhigh“保留给高难度、多步骤的编码和智能体问题,即 high 不足以应对时”,并警告在较简单的提示上,它“可能导致过度思考或耗尽 max_output_tokens”。第二种失败模式会悄无声息地造成伤害:token 限制既涵盖思考也涵盖可见输出,因此一个在 high 下本可轻松回答的提示,可能把全部预算耗在推理上,返回时被标记为不完整、截断或为空。这看起来像模型故障,实际上是配置故障。

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.

一项于2026年11月发布的独立56次请求扫描,检验了G​oogle的警告所暗示的问题。在三个简单到中等难度的提示词上、每个级别运行两次,结果发现:xhigh总体使用的思考token约为high的3.1倍,在编码提示词上约为5倍,而且每个级别下的每个答案仍然正确。额外开销换来的是token和延迟,而不是准确率。样本很小,作者也这么说;这一方向与厂商警告以及Artificial Analysis的曲线一致,在后者中最后一档只增加3分而不是15分。

因此,分界线在于任务类别,而不是模型能力。抽取、分类、格式化和简短事实性回答的上限接近其第一个正确答案,为此支付六倍成本纯属浪费。开放式生成没有这样的上限,因为输出本身就是产物,而且总有更多细节可以补充。

真正重要的跨界

这就是那个应该改变你使用模型方式的数字。Hydrogen 在 xhigh 下为一个简短绘图提示词花费 23.61 美分。G​emini 4 Neon 在默认 high 下,同一天对同一提示词花费 14.55 美分,并且产出的结果被 Willison 判定至少同样好。将 Hydrogen 调到最高档,比保持默认并改为提升一个模型层级要贵 62%。如果你选择 xhigh 的理由是“答案不够好”,那么使用更大模型的默认设置通常是更便宜的做法,而且这是大多数团队不会去检查的。

这种排序在负载变化后便不再成立,而当短提示测试被当作通用排名来引用时,丢失的正是这一点。在 Artificial Analysis 的长程智能体任务集上,Neon 在 high 档下每任务成本为 $3.74,而 Hydrogen 在 xhigh 档下为 $3.16;因此,在四十 token 的绘图任务上更便宜的模型,在长时间多轮任务上反而更贵。这两个数字都没有错。短提示和 15 分钟的智能体运行考验的是阶梯的不同部分,而在一种情况下省钱的档位切换,在另一种情况下可能反而费钱。

有一个时效性细节需要纳入考虑:Google 的定价页面显示,Carbon 和 Argon 的费率将于 2026 年 12 月 1 日翻倍,输入价格从 2 美元涨至 4 美元,输出价格从 10 美元涨至 20 美元。Hydrogen 没有显示此类变化。因此,上述所有涉及较旧模型的比较,距离差距向有利于 Hydrogen 的方向扩大只剩九天。

在一个下午内完成设置和测试

级别是一个字段。在原生 generateContent API 上,它是 thinkingConfig.thinkingLevel;在 Interactions API 上,它是 generation_config.thinking_level;在 OpenAI 兼容路由上,它以 reasoning_effort 的形式传入。该值是小写字符串——low、medium、high 或 xhigh——而 high 是 Hydrogen 的默认值。在此模型上无法完全关闭思考,且较旧的 thinkingBudget 参数已弃用,建议改用级别。

衡量成本只需多读一次。思考 token 会出现在原生 API 的 usageMetadata.thoughtsTokenCount、Interactions 的 usage.total_thought_tokens,以及兼容路由的 reasoning_tokens 中——因此你可以把模型“想的”和“说的”分开,并分别计价。一个可行的下午安排是:从自己的日志中取二十条真实提示词,分别在 high 和 xhigh 下运行,并设置足够宽松的输出上限以免任何内容被截断,记录 token 数以及答案是否通过。将总成本与通过率进行比较。如果 xhigh 在它生效的提示词上带来的通过率提升,不足以证明大约六倍的账单是合理的,那么你就得到了针对该工作负载的答案,而且它会比任何已发布的网格都更好。

当两个设置都放在同一个密钥后面时,并排运行它们会更容易,而这正是 OrcaRouter 所覆盖的部分。我们提供 Gemini 4 Argon 和 G​emini 4 C​arbon,按供应商标价,并带有 0% 的加价,因此本文中的价格就是这两款在我们这边你实际支付的价格。G​emini 4 Hydrogen 目前不在我们的目录中,所以这里所有 Hydrogen 的数字都是 G​oogle 的标价,而不是我们的——这点值得直说,因为本文提到的故障模式,恰恰就是价目表隐藏六倍乘数的那种。模型经由我们路由时,effort 等级是每条路由的字段,因此一条 xhigh 的金丝雀路由与一条 high 的生产路由并存,只是配置变更,而不是代码路径。

这个周一怎么办

在所有数字中依然成立的规则,比“难题就用最高设置”更窄。它是:沿阶梯往下,直到质量崩掉,然后往回上一步,并在确定之前检查另一个模型在其默认设置下是否比多爬那一级更便宜。Hydrogen 自己的阶梯把这一步定在 Index 上每点约四十美分、在一张图上六倍 token,而从低到中这一步每点花费三点五美分。这个模型的大部分价值在阶梯的下半部分,而默认设置位于它之上。

悬而未决的问题是,最高一档在智能体工作上——而不是在鹈鹕上——会有什么表现:Artificial Analysis 在 xhigh 下测得的 3.1 Index 分数,究竟会体现为更少的工具调用失败,还是体现为更多轮次花在思考这些失败上。还没有人公布过这项细分数据,而正是它能告诉你,是否该在生产环境中把 Hydrogen 保持在 high。