在 Artificial Analysis 的 Intelligence Index v5.0.1 里,如果把跑完整套指数的输出 token 都控制在 1.1 亿到 1.24 亿之间,Gemini 4 Argon(high)得 50 分,Hydrogen(high)51 分,Carbon(medium)58 分,Neon(high)60 分。四款模型的知识截止同为 2026 年 3 月。按 Google 的模型卡,Carbon 基于 Argon,Hydrogen 与 Neon 由 Carbon 改造而来。ARC‑AGI‑3 标准执行环境中,Carbon 在同为 low 档时比 Argon 高 15.3 个百分点;Epoch AI 记录的 FrontierMath Tier 4 差距是 17 个百分点。七周、四次发布、同一个知识截止日期,让 Gemini 4 系列几乎成了一场关于后训练与推理预算的公开实验。它也提醒读者,按相同预算比较和按相同档位名称比较,会得到两张不同的排行榜。Artificial Analysis Neon 首发评测 · ARC Prize Carbon 核验结果 · Epoch Carbon 模型数据

Google 于 9 月 30 日公布 Argon,10 月 28 日公布 Carbon 并在 11 月 10 日全面开放,11 月 12 日和 18 日相继发布 Hydrogen 与 Neon。本文以 11 月 19 日可查的公开结果为证据,属于 Folkbench 的二次分析。模型卡和发布稿中的分数由 Google 报告,其中对照模型的分数有的由 Google 执行,有的标注为第三方代跑。Artificial Analysis、Epoch AI、ARC Prize 与 Terminal-Bench 的结果归各评测方。Folkbench 本轮未重跑模型。文中百分比沿用各榜单的定义,凡涉及推理档位、执行环境或评测执行方,结论都只在对应设置内成立。Google Argon 发布稿 · Google Carbon 全面开放 · Google Neon 发布稿

一个底座,四次后训练

模型公布日期官方定位模型卡写明的来源API 标价(输入 / 输出,每百万 token)AA 指数 v5.0.1 最高档
Gemini 4 Argon9 月 30 日编程、企业知识工作与网络防御新训练的稀疏 MoE 模型推广价 2 / 10 美元,之后 4 / 20 美元50(high)
Gemini 4 Carbon10 月 28 日,11 月 10 日全面开放长程任务与网络安全基于 Argon2 / 10 美元至 11 月 30 日,之后 4 / 20 美元60(high)
Gemini 4 Hydrogen11 月 12 日快速的日常执行由 Carbon 改造1.50 / 7.50 美元54(xhigh)
Gemini 4 Neon11 月 18 日兼顾深度与效率由 Carbon 改造3 / 15 美元61(xhigh)

Argon 模型卡 · Carbon 模型卡 · Hydrogen 模型卡 · Neon 模型卡

Argon 的模型卡给出了这一代唯一一份架构说明:大规模稀疏混合专家(MoE)Transformer,原生支持文本、视觉与音频输入,是新训练的模型,而非旧模型的微调。它在 TPU 上用 JAX 与 ML Pathways 训练,后训练包括指令微调、人类偏好数据,以及覆盖多步推理、问题求解与定理证明数据的强化学习。Carbon 的模型卡把架构、训练数据和硬件细节全部指回 Argon;Hydrogen 与 Neon 的模型卡写明由 Carbon 改造(adapted from),细节再指回 Carbon。四款模型的上下文都是输入与输出合计最多 100 万 token。Argon 模型卡

这个结构决定了系列内进步的解读方式。知识截止没有变化,Argon 到 Carbon 的提升就不能归因于新增的世界知识,更可能来自后训练数据、强化学习和推理配置的改变。Google 没有公开参数量,也没有说明“改造”具体是蒸馏、继续训练还是其他方法,所以 Hydrogen 与 Neon 的规模和训练路径无法从公开材料推断。能确定的是,这一代内部的能力差异,大部分发生在预训练之后。

智力维度:同一档位名称,不等于同一份推理预算

Carbon 在 10 月 28 日公布时,以 v5.0 指数 59 分位列第一。三周后,v5.0.1 重新评分把它记为 60,但榜首已是 Claude Fable 5.2 的 65,其后是 GPT‑6.2 Astra 的 62 和 Neon 的 61;Claude Opus 5.5 为 59,GPT‑6.2 Sol 为 57。Epoch AI 的 ECI 给出相近的位置:Carbon 170,在 241 个跟踪模型中排第 3;Argon 167,Fable 5.2 174,GPT‑6 Astra 169。两套指数的方法不同,都把 Carbon 放在第一梯队、略低于当前领先者。截至 11 月 19 日,Epoch 尚未发布 Neon 的记录,Hydrogen 已有单项成绩但还没有 ECI。综合指数的排名以周计变化,单个“第一”的说服力有限。Google Carbon 发布稿 · Artificial Analysis GPT‑6.2 首发评测 · Neon 模型卡 · Epoch Carbon 模型数据

更有信息量的是各推理档位的曲线。下表括号内是跑完整套指数消耗的输出 token。

AA 指数 v5.0.1NeonHydrogenCarbonArgon
low44(2,830 万)27(2,030 万)54(8,390 万)未列出
medium55(6,290 万)41(5,440 万)58(1.24 亿)48(8,170 万)
high(默认)60(1.23 亿)51(1.10 亿)60(2.05 亿)50(1.13 亿)
xhigh61(2.83 亿)54(3.04 亿)无此档无此档

Neon 档位数据 · Hydrogen 档位数据 · Carbon 档位数据 · Argon 档位数据

第一,边际收益递减很快。Neon 从 high 到 xhigh,输出 token 增加到 2.3 倍,指数只多 1 分,单任务耗时从 14.8 分钟升到 21.5 分钟;Hydrogen 同一步多花 2.8 倍 token,换来 3 分。第二,档位名称不是预算单位。Carbon 的 low 档用掉 8,390 万 token,比 Neon 的 medium 档还多。若按相近的总预算对齐,四款模型依次是 Argon 50、Hydrogen 51、Carbon 58、Neon 60,这比“都用默认档”更能说明后训练带来的提升。这个比较也有局限:token 是整套指数的合计,没有逐题对齐;各模型输出速度不同,Neon high 约每秒 101 token,Carbon 每秒 55 至 58 token,同样的 token 意味着不同的等待时间。

第三,小模型对预算更敏感。Hydrogen 从 low 到 high 跨越 24 分,Neon 跨越 16 分,Carbon 只跨越 6 分。对 Hydrogen 这样的快速模型,选错档位造成的落差,可能比换一款模型还大。

抽象推理:在 ARC‑AGI‑3 上,想得更久不一定更好

ARC Prize 核验结果Gemini 4 ArgonGemini 4 Carbon
ARC‑AGI‑2,low / medium / high42.1% / 87.1% / 91.3%49.6% / 94.2% / 92.1%
ARC‑AGI‑3 标准执行环境,low / medium49.8% / 46.3%65.1% / 63.9%
ARC‑AGI‑3 标准执行环境,high未计入(55 局完成 19 局)未计入(55 局完成 30 局)
ARC‑AGI‑3 Provider Adapter,low / medium / high97.5% / 97.3% / 97.3%97.7% / 99.1% / 96.9%

ARC Prize Argon 核验结果 · ARC Prize Carbon 核验结果

这组结果有三处值得注意。其一,档位与分数并不单调:Carbon 在 ARC‑AGI‑2 上 medium 高于 high,在 ARC‑AGI‑3 标准环境中 low 高于 medium,Argon 在 ARC‑AGI‑3 也是 low 最高。其二,最高档在交互环境中会直接失效。Carbon 的 high 档因两次行动之间间隔过长,对局会话过期,只完成了 30 局;Argon 的 high 档因 API 问题只完成 19 局。静态问答里多想一会儿只多花钱,交互环境里还要消耗环境时间。其三,执行环境的差距远大于代际差距。Carbon 在 Provider Adapter 下达到 99.1%,标准环境最高 65.1%,相差约 34 个百分点。按 ARC Prize 的说明,标准环境只允许模型保留自己选择记下的笔记,Provider Adapter 则在请求之间保存不透明的推理状态,并在长对话中压缩上下文。

逐个环境看,失分集中在少数游戏。标准环境下,G50T 在 Argon 与 Carbon 的 low、medium 档都是 0.0%,BP35 都不超过 1.0%,TU93 都不超过 5.3%;同样三款游戏在 Provider Adapter 下大多是 100%。总分升了 15 个百分点,这几款游戏却几乎没动。一个合理但尚未验证的解读是:它们卡在跨步骤保存状态,而非单步推理,代际提升主要发生在原本就能部分完成的环境里。作为参照,GPT‑6.2 Astra 在标准环境 max 档为 70.3%,GPT‑6.2 Sol 为 54.9%,Carbon 处在两者之间。ARC Prize GPT‑6.2 核验结果

学术维度:知识校准、数学与科学执行

Epoch AI 记录Gemini 4 ArgonGemini 4 CarbonGemini 4 HydrogenGPT‑6 AstraClaude Fable 5.2
GPQA Diamond96%97%97%96%96%
SimpleQA Verified76%78%71%76%94%
FrontierMath Tiers 1–3(v2)86%91%88%94%95%
FrontierMath Tier 4(v2)78%95%88%98%100%
FrontierMath Erdős1%3%未测3%未测
Chess Puzzles59%78%60%76%79%
EBR‑bench(Earthborne Rangers)65%88%70%76%90%

Epoch Carbon 模型数据 · Epoch Hydrogen 模型数据

知识与校准。 GPQA Diamond 已经难以区分前沿模型,表中五款都在 96% 到 97% 之间。更有区分度的是事实回忆,以及答不上来时怎么做。在 Epoch 的 SimpleQA Verified 上,Carbon 为 78%,比 Fable 5.2 低 16 个百分点。而在 Artificial Analysis 的 AA‑Omniscience v1.1 中,Carbon(medium)与 Argon(high)的幻觉率都是 4%,Carbon 为榜单最低。该指标的分母是所有未完全正确的响应,分子是其中直接答错的部分;作为对照,GPT‑6.2 Astra 与 Sol 的 max 档分别为 59% 与 55%。两项结果出自不同题集,不能合并计算,但方向一致:Gemini 4 未必记得最多,不会时却更倾向于不作答或只给部分答案,较少编造。至少在这类知识问答中,它给出的明确答案出错比例更低;用于文献综述时,覆盖面仍要靠检索补足。AA‑Omniscience 指标定义与榜单

HLE‑Diamond 是 Carbon 在 v5.0 九项指数评测中排名第一的四项之一。Google 报告 Neon 71.3%、Opus 5.5 67.9%、GPT‑6.2 Sol 64.0%,Hydrogen 58.8%,后两组数字都出自 Google 的模型卡。DeepLearning.AI 对 v5.0 结果的整理 · Neon 模型卡

数学。 Argon 到 Carbon 在 FrontierMath Tier 4 上提高 17 个百分点,是这组数据里最大的代际跳跃,已接近 GPT‑6 Astra 与 Fable 5.2。但 FrontierMath Erdős 只从 1% 升到 3%。这 68 道题在基准建立时仍是开放问题,提交的证明或反证由 Lean 检查,目前最高是 GPT‑6.2 Astra 的 10%。已有标准答案的研究级题目趋于饱和,开放问题仍几乎未被触及。Google 自报的 RiemannBench 从 Argon 76.0%、Carbon 80.0% 升到 Neon 84.0%,方向一致,但属于厂商自测。Epoch 的谜题类评测显示了类似的后训练收益:国际象棋谜题从 59% 升到 78%,EBR‑bench 从 65% 升到 88%。这些任务都要在规则约束下做多步搜索,与 ARC‑AGI‑3 标准环境的提升方向一致。快速版 Hydrogen 的 Tier 4 为 88%,比 Argon 高 10 个百分点,但谜题类成绩与 Argon 相近,事实回忆 SimpleQA Verified 只有 71%。一种可能的解释是,数学这类答案可以自动校验的能力,在改造为快速模型时保留得更完整,而记忆型知识更依赖模型容量;公开材料不足以证实这一点。FrontierMath Erdős 方法

科学执行。 Terminal‑Bench‑Science 0.1 要求模型在终端中交付可由测试检查的科研产物。Carbon 模型卡中由 Artificial Analysis 代跑的结果是 Carbon 64.8%、Argon 52.9%、GPT‑6 Astra 63.3%、Opus 5.5 59.0%。Neon 模型卡报告 Neon 70.5%,高于 GPT‑6.2 Sol 的 68.0% 与 Opus 5.5 的 63.3%。Google 称 Neon 同级最佳,这在它选的对照组内成立;放到 Artificial Analysis 的完整榜单上,GPT‑6.2 Astra 的 xhigh 为 78.6%,仍高出 8.1 个百分点。Hydrogen 为 51.4%,低于它的对照 Claude Sonnet 5.5(59.9%)。Terminal‑Bench‑Science 榜单 · Carbon 模型卡

工程与智能体:执行环境决定了一半答案

Terminal‑Bench 4.1 官方榜上,Carbon(high,Antigravity CLI)为 64.5% ± 3.2%,整套运行约 1,400 美元;Claude Opus 5.5 与 Fable 5.2 并列 65.8%,GPT‑6.2 Astra 62.1%。Carbon 与榜首的差距在置信区间之内。更有意思的是同门对比:Hydrogen 56.4% ± 3.0%、约 800 美元,Argon 55.5% ± 2.8%、约 1,100 美元,快速模型用约四分之三的整套费用追平了六周前的旗舰。Neon 的 65.2% 来自 Google 模型卡,截至 11 月 19 日尚未出现在官方榜单。Terminal‑Bench 4.1 榜单

跨模型卡比较时,要先看是谁跑的。Argon 模型卡中的 Terminal‑bench 4.0 记 Argon 57.4%、Opus 5.5 66.4%;两周后,Carbon 模型卡改用 Artificial Analysis 执行的 Terminal‑Bench 4.0,记 Argon 57.1%、Opus 5.5 59.6%。同一个对照模型在同名基准上相差 6.8 个百分点,Argon 自己却几乎不变。若沿用 Argon 卡中 Opus 的 66.4%,Carbon 的 65.2% 并不领先;官方 4.1 榜单上,Carbon 也略低于 Opus。Terminal‑Bench‑Science 也有同样的情况:GPT‑6 Astra 在 Argon 卡中为 68.1%,在 Carbon 卡的 AA 代跑口径下为 63.3%。Argon 模型卡 · Carbon 模型卡

SWE‑sweep(Neon 模型卡)mini‑SWE 通用执行环境各厂商自有执行环境
Gemini 4 Neon12.8%39.0%
Claude Opus 5.53.6%10.1%
GPT‑6.2 Sol11.6%8.3%

在中立的 mini‑SWE 环境中,Neon 只比 GPT‑6.2 Sol 高 1.2 个百分点;换成各家自己的执行环境后,差距扩大到 30.7 个百分点。Neon 在 Antigravity 中的分数约为 mini‑SWE 下的 3 倍,Opus 5.5 在自家环境中约为 2.8 倍,Sol 反而下降。厂商自有环境本就是产品的一部分,这组数字衡量的是“模型加工具链”的组合,而不是模型本身。Carbon 模型卡里的 SWE‑sweep 只有一列且未标注执行环境(Carbon 9.6%、Argon 4.3%),其中 Opus 5.5 的 3.6% 与 Neon 卡的 mini‑SWE 数值相同,推测为同一口径;若推测成立,系列在 mini‑SWE 上的路径是 4.3%、9.6%、12.8%。Neon 模型卡

其他编程评测给出更克制的图景。FrontierSWE 2 上 Carbon 61.2%,低于 GPT‑6 Astra 的 65.5% 与 Opus 5.5 的 62.3%;FrontierCode 2.0 上 Neon 46.2%,略低于 Opus 5.5 的 47.3%。Artificial Analysis 的 Coding Agent Index 中,Neon(xhigh,Antigravity CLI)以 59 分居首,Fable 5.2(xhigh)与 Opus 5.5(max)均为 58,平均单任务成本分别为 6.86、15.47 和 12.61 美元,Neon 的优势主要在成本。电脑操作是整个系列较一致的短板:OSWorld‑2.1 离线子集上,Carbon 81.5% 低于 Opus 5.5 的 87.2%,Hydrogen 77.6% 低于 Claude Sonnet 5.5 的 83.9%。Artificial Analysis Neon 首发评测 · Hydrogen 模型卡

知识工作方面,Zapier 的 AutomationBench 从 Argon 51.3%、Carbon 53.9% 升到 Neon 56.3%,Vending‑Bench 2 的模拟经营余额从 13,718 美元升到 16,843 美元。Argon 在 Harvey 法律智能体基准上为 19.6%,对照模型都不超过 6.7%;领先幅度很大,但绝对值说明这类法律任务离可交付还远。命名也要留意:Hydrogen 卡中的 AutomationBench‑AA(76.1%)是 Artificial Analysis 的版本,与 Zapier 版不能直接比较。

长上下文与多模态:合成任务领先,真实材料需另行验证

Google 报告的 GraphWalks(256K 至 100 万 token,广度优先遍历,F1)是系列领先幅度最大的一项:Argon 84.2%、Carbon 96.2%、Neon 95.2%,对照的 Opus 5.5 为 66.8%、GPT‑6 Astra 71.8%、GPT‑6.2 Sol 80.1%;128K 以内 Argon 已达 99.7%。GraphWalks 把图的边散布在长输入中,要求模型沿边遍历,衡量长距离定位与串联信息的能力。这项领先说明 Gemini 4 在超长输入中的检索和链接很强,但合成图任务不含语义冲突、文档版本和隐含前提,迁移到合同审阅或多文献综述时,仍需用自己的材料验证。结果为 Google 自测,暂无第三方复现。Neon 与 Hydrogen 默认同步输出最多 6.4 万 token,经后台长解码可达 100 万。Argon 模型卡 · Neon 模型卡

多模态出现了一处回退。长视频理解 LVBench 上,Argon 为 91.7%,由 Carbon 改造的 Neon 为 89.0%,仍高于 Opus 5.5 的 83.7% 与 GPT‑6.2 Sol 的 87.6%,但比自家前代低 2.7 个百分点。图表理解 Chartography 上,Neon 73.5% 低于 Sol 的 75.1%。Artificial Analysis 的 GDP.pdf 视觉推理评测再次出现档位不单调:Neon high 为 33.4%,xhigh 反而降到 28.0%,Carbon high 为 28.4%。Artificial Analysis Neon 首发评测

安全与对齐:网络能力越强,发布越分阶段

网络安全是 Google 着重报告的能力,也是它分阶段发布的原因。漏洞发现 SEC‑bench Pro 从 Argon 83.4%、Carbon 88.2% 升到 Neon 90.5%;漏洞利用 ExploitGym 上,Carbon 54.8%,Argon 42.0%。Argon 与 Carbon 都先通过 Fairwind 计划提供给受信任的网络防御方,Google 还向这些防御方和内部团队提供去掉网络安全护栏的版本。Google Argon 发布稿 · Google Carbon 发布稿

Argon 模型卡依据 2026 年 4 月版前沿安全框架给出判定:生物与网络安全两项 Level 1 关键能力等级(CCL)不能排除,Google 为此建立安全论证,评估为在防护措施下低于 CCL;化学、放射与核领域未达到跟踪阈值,机器学习研发加速与自动化均未达到 CCL。Hydrogen 经过针对性测试,CBRN 与网络两项均未达到 CCL,但达到了预警阈值。Neon 的模型卡写明,相对 Argon 的通用能力增量低于“重大能力变化”阈值,因此没有重做完整的关键能力评估,沿用 Argon 的判定。值得注意的是,Neon 在 Artificial Analysis 指数上比 Argon 高 11 分;Google 如何设定这个阈值,外部读者无法从公开材料复核。Argon 模型卡 · Hydrogen 模型卡 · Neon 模型卡

行为层面,Carbon 与 Neon 在 Terminal‑Bench 4.0 上的成功作弊率均为 0.0%;Gray Swan 间接提示注入测试中,两者攻击成功率为 0.0%(Neon 为最高推理档),Argon 为 0.7%。Google 的智能体诚实性测试中,Carbon 通过 92% 的任务,Argon 为 70%;Neon 与 Hydrogen 分别报告 99.2% 与 94%,但发布稿没有说明是否为同一题集。Hydrogen 的模型卡也披露了代价:相较 Gemini 3.8 Flash,无依据拒答上升 5.57 个百分点,多模态提示尤为明显。Google Carbon 全面开放 · Google Neon 发布稿 · Google Hydrogen 发布稿

成本与选型:按通过验收的任务计价

Hydrogen 每百万 token 输入 1.50、输出 7.50 美元,整个 100 万 token 窗口统一计价;Neon 为 3 / 15 美元,缓存输入 0.15 美元;Carbon 推广价 2 / 10 美元持续到 11 月 30 日,之后为 4 / 20 美元。Argon、Carbon 与 Neon 的缓存输入都是输入价的 5%。按 Artificial Analysis 的单任务成本,Hydrogen xhigh 以 3.16 美元得 54 分,Argon high 以 4.97 美元(按推广价)得 50 分,Neon xhigh 以 6.44 美元得 61 分,Carbon high 以 7.76 美元(按标准价)得 60 分。Neon 的 high 档与 Carbon high 同为 60 分,单任务成本不到后者一半。Google Hydrogen 发布稿 · Artificial Analysis Neon 首发评测

一个可复算的例子:单次请求 10 万未缓存输入 token、1 万输出 token,不计工具费,Hydrogen 为 0.225 美元,Neon 为 0.45 美元,Carbon 推广期为 0.30 美元、恢复标准价后为 0.60 美元。考虑 Hydrogen 先跑、失败再转 Neon 的路由:单次成本固定为 1∶2 时,只要升级比例低于 50%,纯模型费用就低于直接用 Neon;按 Artificial Analysis 的 xhigh 单任务成本(3.16 对 6.44 美元),临界点约为 51%。实际比较还要计入重试、延迟和最终通过率。此算例只用于说明成本结构,数字并非 Folkbench 实测。

对能自动验收的批量任务,Hydrogen 最值得先验证:它在 AA 指数和 Terminal‑Bench 上都追平或超过 Argon,标价更低。对日常编程与知识工作,Neon 在两张模型卡共有的多数评测上与 Carbon 持平或略高(Agents' Last Exam 与 GraphWalks 略低),而且 11 月 30 日之后单价也低于 Carbon。Carbon 仍是长程工程、网络安全和 ARC‑AGI‑3 这类交互任务中证据最充分的一款。无论选哪款,推理档位都应按任务实测:在 ARC‑AGI 和 GDP.pdf 上,最高档并不总是最好。

Gemini 4 的首发价值不在某一项榜首。它用七周时间和同一个知识截止日期,展示了后训练与推理配置能把能力推多远:AA 指数提高 11 分,ARC‑AGI‑3 标准环境提高 15 个百分点,FrontierMath Tier 4 提高 17 个百分点。它也标出了这条路线暂时推不动的地方:开放数学问题仍在个位数,电脑操作落后于 Claude,标准环境下的几款 ARC‑AGI‑3 游戏仍是零分。厂商模型卡会选择对照组和执行方,独立榜单会重新评分、更换版本。这些分数能否兑现,最终取决于你的任务如何验收。