在 Artificial Analysis 的 Intelligence Index v5.0.1 中,如果把跑完整套指數的輸出 token 都控制在 1.1 億到 1.24 億之間,Gemini 4 Argon(high)得 50 分,Hydrogen(high)51 分,Carbon(medium)58 分,Neon(high)60 分。四款模型的知識截止同為 2026 年 3 月。依 Google 的模型卡,Carbon 以 Argon 為基礎,Hydrogen 與 Neon 則由 Carbon 改造而來。在 ARC‑AGI‑3 標準執行環境中,同為 low 檔時 Carbon 比 Argon 高 15.3 個百分點;Epoch AI 記錄的 FrontierMath Tier 4 差距是 17 個百分點。七週、四次發布、同一個知識截止日期,讓 Gemini 4 系列幾乎成了一場關於後訓練與推理預算的公開實驗。它也提醒讀者,以相同預算比較和以相同檔位名稱比較,會得到兩張不同的排行榜。Artificial Analysis Neon 首發評測 · ARC Prize Carbon 驗證結果 · Epoch Carbon 模型資料
Google 於 9 月 30 日公布 Argon,10 月 28 日公布 Carbon 並在 11 月 10 日全面開放,11 月 12 日與 18 日接連發布 Hydrogen 與 Neon。本文以 11 月 19 日可查到的公開結果為證據,屬於 Folkbench 的二次分析。模型卡與發布文章中的分數由 Google 提供,其中對照模型的分數有些由 Google 執行,有些標註為第三方代跑。Artificial Analysis、Epoch AI、ARC Prize 與 Terminal-Bench 的結果歸各評測方所有。Folkbench 這次沒有重跑模型。文中百分比沿用各排行榜的定義,凡涉及推理檔位、執行環境或評測執行方,結論都只在對應設定內成立。Google Argon 發布文章 · Google Carbon 全面開放 · Google Neon 發布文章
一個底座,四次後訓練
| 模型 | 公布日期 | 官方定位 | 模型卡寫明的來源 | API 標價(輸入 / 輸出,每百萬 token) | AA 指數 v5.0.1 最高檔 |
|---|---|---|---|---|---|
| Gemini 4 Argon | 9 月 30 日 | 程式開發、企業知識工作與網路防禦 | 全新訓練的稀疏 MoE 模型 | 推廣價 2 / 10 美元,之後 4 / 20 美元 | 50(high) |
| Gemini 4 Carbon | 10 月 28 日,11 月 10 日全面開放 | 長程任務與網路安全 | 以 Argon 為基礎 | 2 / 10 美元至 11 月 30 日,之後 4 / 20 美元 | 60(high) |
| Gemini 4 Hydrogen | 11 月 12 日 | 快速的日常執行 | 由 Carbon 改造 | 1.50 / 7.50 美元 | 54(xhigh) |
| Gemini 4 Neon | 11 月 18 日 | 兼顧深度與效率 | 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 的模型卡是這一代唯一一份架構說明:大規模稀疏混合專家(MoE)Transformer,原生支援文字、視覺與音訊輸入,是全新訓練的模型,而不是舊模型的微調。它在 TPU 上以 JAX 與 ML Pathways 訓練,後訓練包括指令微調、人類偏好資料,以及涵蓋多步推理、問題求解與定理證明資料的強化學習。Carbon 的模型卡把架構、訓練資料與硬體細節全部指回 Argon;Hydrogen 與 Neon 的模型卡寫明由 Carbon 改造(adapted from),細節再指回 Carbon。四款模型的上下文都是輸入與輸出合計最多 100 萬 token。Argon 模型卡
這個結構決定了系列內進步該怎麼解讀。知識截止沒有改變,Argon 到 Carbon 的提升就不能歸因於新增的世界知識,比較可能來自後訓練資料、強化學習與推理設定的調整。Google 沒有公開參數量,也沒有說明「改造」究竟是蒸餾、繼續訓練還是其他方法,因此 Hydrogen 與 Neon 的規模和訓練路徑無法從公開資料推斷。可以確定的是,這一代內部的能力差異,大部分發生在預訓練之後。
智力面向:同一個檔位名稱,不等於同一份推理預算
Carbon 在 10 月 28 日公布時,以 v5.0 指數 59 分位居第一。三週後,v5.0.1 重新評分將它記為 60,但榜首已是 Claude Fable 5.2 的 65,其後是 GPT‑6.2 Astra 的 62 與 Neon 的 61;Claude Opus 5.5 為 59,GPT‑6.2 Sol 為 57。Epoch AI 的 ECI 給出相近的位置:Carbon 170,在 241 個追蹤模型中排第 3;Argon 167,Fable 5.2 174,GPT‑6 Astra 169。兩套指數的方法不同,都把 Carbon 放在第一梯隊、略低於目前的領先者。截至 11 月 19 日,Epoch 尚未發布 Neon 的紀錄,Hydrogen 已有單項成績但還沒有 ECI。綜合指數的排名以週為單位變動,單一個「第一」的說服力有限。Google Carbon 發布文章 · Artificial Analysis GPT‑6.2 首發評測 · Neon 模型卡 · Epoch Carbon 模型資料
更有資訊量的是各推理檔位的曲線。下表括號內是跑完整套指數所消耗的輸出 token。
| AA 指數 v5.0.1 | Neon | Hydrogen | Carbon | Argon |
|---|---|---|---|---|
| low | 44(2,830 萬) | 27(2,030 萬) | 54(8,390 萬) | 未列出 |
| medium | 55(6,290 萬) | 41(5,440 萬) | 58(1.24 億) | 48(8,170 萬) |
| high(預設) | 60(1.23 億) | 51(1.10 億) | 60(2.05 億) | 50(1.13 億) |
| xhigh | 61(2.83 億) | 54(3.04 億) | 無此檔 | 無此檔 |
Neon 檔位資料 · Hydrogen 檔位資料 · Carbon 檔位資料 · Argon 檔位資料
第一,邊際效益遞減得很快。Neon 從 high 調到 xhigh,輸出 token 增為 2.3 倍,指數只多 1 分,每項任務耗時從 14.8 分鐘增加到 21.5 分鐘;Hydrogen 同一步多花 2.8 倍 token,換來 3 分。第二,檔位名稱不是預算單位。Carbon 的 low 檔用掉 8,390 萬 token,比 Neon 的 medium 檔還多。若以相近的總預算對齊,四款模型依序是 Argon 50、Hydrogen 51、Carbon 58、Neon 60,這比「都用預設檔」更能說明後訓練帶來的提升。這個比較也有局限:token 是整套指數的合計,沒有逐題對齊;各模型輸出速度也不同,Neon 的 high 檔約每秒 101 token,Carbon 每秒 55 至 58 token,同樣的 token 代表不同的等待時間。
第三,小模型對預算更敏感。Hydrogen 從 low 到 high 跨越 24 分,Neon 跨越 16 分,Carbon 只跨越 6 分。對 Hydrogen 這類快速模型來說,選錯檔位造成的落差,可能比換一款模型還大。
抽象推理:在 ARC‑AGI‑3 上,想得更久不一定更好
| ARC Prize 驗證結果 | Gemini 4 Argon | Gemini 4 Carbon |
|---|---|---|
| ARC‑AGI‑2,low / medium / high | 42.1% / 87.1% / 91.3% | 49.6% / 94.2% / 92.1% |
| ARC‑AGI‑3 標準執行環境,low / medium | 49.8% / 46.3% | 65.1% / 63.9% |
| ARC‑AGI‑3 標準執行環境,high | 未計入(55 局完成 19 局) | 未計入(55 局完成 30 局) |
| ARC‑AGI‑3 Provider Adapter,low / medium / high | 97.5% / 97.3% / 97.3% | 97.7% / 99.1% / 96.9% |
ARC Prize Argon 驗證結果 · ARC Prize Carbon 驗證結果
這組結果有三處值得注意。其一,檔位與分數並不單調:Carbon 在 ARC‑AGI‑2 上 medium 高於 high,在 ARC‑AGI‑3 標準環境中 low 高於 medium,Argon 在 ARC‑AGI‑3 也是 low 最高。其二,最高檔在互動環境中可能直接失效。Carbon 的 high 檔因兩次行動之間間隔太長,遊戲工作階段逾時,只完成 30 局;Argon 的 high 檔因 API 問題只完成 19 局。靜態問答裡多想一會兒只是多花錢,互動環境裡還要消耗環境時間。其三,執行環境的差距遠大於世代差距。Carbon 在 Provider Adapter 下達到 99.1%,標準環境最高 65.1%,相差約 34 個百分點。依 ARC Prize 的說明,標準環境只允許模型保留自己選擇記下的筆記,Provider Adapter 則在請求之間保存不透明的推理狀態,並在長對話中壓縮上下文。
逐一檢視各環境,失分集中在少數遊戲。標準環境下,G50T 在 Argon 與 Carbon 的 low、medium 檔都是 0.0%,BP35 都不超過 1.0%,TU93 都不超過 5.3%;同樣三款遊戲在 Provider Adapter 下大多是 100%。總分上升了 15 個百分點,這幾款遊戲卻幾乎沒動。一個合理但尚未驗證的解讀是:它們卡在跨步驟保存狀態,而不是單步推理,世代提升主要發生在原本就能部分完成的環境。作為參照,GPT‑6.2 Astra 在標準環境 max 檔為 70.3%,GPT‑6.2 Sol 為 54.9%,Carbon 介於兩者之間。ARC Prize GPT‑6.2 驗證結果
學術面向:知識校準、數學與科學執行
| Epoch AI 紀錄 | Gemini 4 Argon | Gemini 4 Carbon | Gemini 4 Hydrogen | GPT‑6 Astra | Claude Fable 5.2 |
|---|---|---|---|---|---|
| GPQA Diamond | 96% | 97% | 97% | 96% | 96% |
| SimpleQA Verified | 76% | 78% | 71% | 76% | 94% |
| FrontierMath Tiers 1–3(v2) | 86% | 91% | 88% | 94% | 95% |
| FrontierMath Tier 4(v2) | 78% | 95% | 88% | 98% | 100% |
| FrontierMath Erdős | 1% | 3% | 未測 | 3% | 未測 |
| Chess Puzzles | 59% | 78% | 60% | 76% | 79% |
| EBR‑bench(Earthborne Rangers) | 65% | 88% | 70% | 76% | 90% |
Epoch Carbon 模型資料 · Epoch Hydrogen 模型資料
知識與校準。 GPQA Diamond 已經難以區分前沿模型,表中五款都落在 96% 到 97% 之間。更有鑑別度的是事實回憶,以及答不出來時怎麼處理。在 Epoch 的 SimpleQA Verified 上,Carbon 為 78%,比 Fable 5.2 低 16 個百分點。而在 Artificial Analysis 的 AA‑Omniscience v1.1 中,Carbon(medium)與 Argon(high)的幻覺率都是 4%,Carbon 為排行榜最低。這項指標的分母是所有未完全正確的回應,分子是其中直接答錯的部分;作為對照,GPT‑6.2 Astra 與 Sol 的 max 檔分別為 59% 與 55%。兩項結果出自不同題組,不能合併計算,但方向一致:Gemini 4 未必記得最多,不會時卻更傾向不作答或只給部分答案,較少捏造。至少在這類知識問答中,它給出的明確答案出錯比例較低;用於文獻回顧時,涵蓋範圍仍要靠檢索補足。AA‑Omniscience 指標定義與排行榜
HLE‑Diamond 是 Carbon 在 v5.0 九項指數評測中排名第一的四項之一。Google 回報 Neon 71.3%、Opus 5.5 67.9%、GPT‑6.2 Sol 64.0%、Hydrogen 58.8%,這些數字都出自 Google 的模型卡。DeepLearning.AI 對 v5.0 結果的整理 · Neon 模型卡
數學。 從 Argon 到 Carbon,FrontierMath Tier 4 提高 17 個百分點,是這組資料中最大的世代躍進,已接近 GPT‑6 Astra 與 Fable 5.2。但 FrontierMath Erdős 只從 1% 升到 3%。這 68 道題在基準建立時仍是開放問題,提交的證明或反證由 Lean 檢查,目前最高是 GPT‑6.2 Astra 的 10%。已有標準答案的研究級題目趨於飽和,開放問題則幾乎沒被觸及。Google 自行回報的 RiemannBench 從 Argon 76.0%、Carbon 80.0% 升到 Neon 84.0%,方向一致,但屬於廠商自測。Epoch 的謎題類評測顯示類似的後訓練收益:西洋棋謎題從 59% 升到 78%,EBR‑bench 從 65% 升到 88%。這些任務都要在規則限制下做多步搜尋,與 ARC‑AGI‑3 標準環境的提升方向一致。快速版 Hydrogen 的 Tier 4 為 88%,比 Argon 高 10 個百分點,但謎題類成績與 Argon 相近,事實回憶 SimpleQA Verified 只有 71%。一種可能的解釋是,數學這類答案可以自動驗證的能力,在改造成快速模型時保留得比較完整,而記憶型知識更依賴模型容量;公開資料不足以證實這一點。FrontierMath Erdős 方法
科學執行。 Terminal‑Bench‑Science 0.1 要求模型在終端機中交付可由測試檢查的研究成果。Carbon 模型卡中由 Artificial Analysis 代跑的結果是 Carbon 64.8%、Argon 52.9%、GPT‑6 Astra 63.3%、Opus 5.5 59.0%。Neon 模型卡回報 Neon 70.5%,高於 GPT‑6.2 Sol 的 68.0% 與 Opus 5.5 的 63.3%。Google 稱 Neon 為同級最佳,這在它挑選的對照組內成立;放到 Artificial Analysis 的完整排行榜上,GPT‑6.2 Astra 的 xhigh 為 78.6%,仍高出 8.1 個百分點。Hydrogen 為 51.4%,低於它的對照 Claude Sonnet 5.5(59.9%)。Terminal‑Bench‑Science 排行榜 · Carbon 模型卡
工程與代理:執行環境決定了一半答案
在 Terminal‑Bench 4.1 官方排行榜上,Carbon(high,Antigravity CLI)為 64.5% ± 3.2%,整套執行約 1,400 美元;Claude Opus 5.5 與 Fable 5.2 並列 65.8%,GPT‑6.2 Astra 62.1%。Carbon 與榜首的差距在信賴區間之內。更有意思的是同系列對比:Hydrogen 56.4% ± 3.0%、約 800 美元,Argon 55.5% ± 2.8%、約 1,100 美元,快速模型以約四分之三的整套費用追平了六週前的旗艦。Neon 的 65.2% 來自 Google 模型卡,截至 11 月 19 日尚未出現在官方排行榜。Terminal‑Bench 4.1 排行榜
跨模型卡比較時,要先看是誰跑的。Argon 模型卡中的 Terminal‑bench 4.0 記 Argon 57.4%、Opus 5.5 66.4%;兩週後,Carbon 模型卡改用 Artificial Analysis 執行的 Terminal‑Bench 4.0,記 Argon 57.1%、Opus 5.5 59.6%。同一個對照模型在同名基準上相差 6.8 個百分點,Argon 自己卻幾乎沒變。若沿用 Argon 卡中 Opus 的 66.4%,Carbon 的 65.2% 並不領先;在官方 4.1 排行榜上,Carbon 也略低於 Opus。Terminal‑Bench‑Science 也有相同情況:GPT‑6 Astra 在 Argon 卡中為 68.1%,在 Carbon 卡的 AA 代跑口徑下為 63.3%。Argon 模型卡 · Carbon 模型卡
| SWE‑sweep(Neon 模型卡) | mini‑SWE 通用執行環境 | 各廠商自有執行環境 |
|---|---|---|
| Gemini 4 Neon | 12.8% | 39.0% |
| Claude Opus 5.5 | 3.6% | 10.1% |
| GPT‑6.2 Sol | 11.6% | 8.3% |
在中立的 mini‑SWE 環境中,Neon 只比 GPT‑6.2 Sol 高 1.2 個百分點;換成各家自己的執行環境後,差距擴大到 30.7 個百分點。Neon 在 Antigravity 中的分數約為 mini‑SWE 下的 3 倍,Opus 5.5 在自家環境中約為 2.8 倍,Sol 反而下降。廠商自有環境本來就是產品的一部分,這組數字衡量的是「模型加工具鏈」的組合,而不是模型本身。Carbon 模型卡裡的 SWE‑sweep 只有一欄,也沒有標註執行環境(Carbon 9.6%、Argon 4.3%),其中 Opus 5.5 的 3.6% 與 Neon 卡的 mini‑SWE 數值相同,推測為同一口徑;若推測成立,系列在 mini‑SWE 上的路徑是 4.3%、9.6%、12.8%。Neon 模型卡
其他程式評測呈現較保守的樣貌。FrontierSWE 2 上 Carbon 61.2%,低於 GPT‑6 Astra 的 65.5% 與 Opus 5.5 的 62.3%;FrontierCode 2.0 上 Neon 46.2%,略低於 Opus 5.5 的 47.3%。在 Artificial Analysis 的 Coding Agent Index 中,Neon(xhigh,Antigravity CLI)以 59 分居首,Fable 5.2(xhigh)與 Opus 5.5(max)都是 58,每項任務平均成本分別為 6.86、15.47 與 12.61 美元,Neon 的優勢主要在成本。電腦操作是整個系列相當一致的弱項:在 OSWorld‑2.1 離線子集上,Carbon 81.5% 低於 Opus 5.5 的 87.2%,Hydrogen 77.6% 低於 Claude Sonnet 5.5 的 83.9%。Artificial Analysis Neon 首發評測 · Hydrogen 模型卡
知識工作方面,Zapier 的 AutomationBench 從 Argon 51.3%、Carbon 53.9% 升到 Neon 56.3%,Vending‑Bench 2 的模擬經營餘額從 13,718 美元增加到 16,843 美元。Argon 在 Harvey 法律代理基準上為 19.6%,對照模型都不超過 6.7%;領先幅度很大,但絕對值顯示這類法律任務離可交付還很遠。名稱也要留意:Hydrogen 卡中的 AutomationBench‑AA(76.1%)是 Artificial Analysis 的版本,與 Zapier 版不能直接比較。
長上下文與多模態:合成任務領先,真實資料需另行驗證
Google 回報的 GraphWalks(256K 至 100 萬 token,廣度優先走訪,F1)是系列領先幅度最大的一項:Argon 84.2%、Carbon 96.2%、Neon 95.2%,對照的 Opus 5.5 為 66.8%、GPT‑6 Astra 71.8%、GPT‑6.2 Sol 80.1%;128K 以內 Argon 已達 99.7%。GraphWalks 把圖的邊散布在長輸入中,要求模型沿著邊走訪,衡量長距離定位與串連資訊的能力。這項領先說明 Gemini 4 在超長輸入中的檢索與連結能力很強,但合成圖任務不含語意衝突、文件版本與隱含前提,要用在合約審閱或多篇文獻綜述時,仍需以自己的資料驗證。結果為 Google 自測,尚無第三方重現。Neon 與 Hydrogen 預設同步輸出最多 6.4 萬 token,透過背景長解碼可達 100 萬。Argon 模型卡 · Neon 模型卡
多模態出現一處退步。長影片理解 LVBench 上,Argon 為 91.7%,由 Carbon 改造的 Neon 為 89.0%,仍高於 Opus 5.5 的 83.7% 與 GPT‑6.2 Sol 的 87.6%,但比自家前一代低 2.7 個百分點。圖表理解 Chartography 上,Neon 73.5% 低於 Sol 的 75.1%。Artificial Analysis 的 GDP.pdf 視覺推理評測再次出現檔位不單調:Neon high 為 33.4%,xhigh 反而降到 28.0%,Carbon high 為 28.4%。Artificial Analysis Neon 首發評測
安全與對齊:網路能力越強,發布越分階段
網路安全是 Google 著重回報的能力,也是它分階段發布的原因。漏洞發現 SEC‑bench Pro 從 Argon 83.4%、Carbon 88.2% 升到 Neon 90.5%;漏洞利用 ExploitGym 上,Carbon 54.8%,Argon 42.0%。Argon 與 Carbon 都先透過 Fairwind 計畫提供給受信任的網路防禦方,Google 還向這些防禦方與內部團隊提供拿掉網路安全護欄的版本。Google Argon 發布文章 · Google Carbon 發布文章
Argon 模型卡依據 2026 年 4 月版前沿安全框架提出判定:生物與網路安全兩項 Level 1 關鍵能力等級(CCL)無法排除,Google 為此建立安全論證,評估在防護措施下低於 CCL;化學、放射與核領域未達追蹤門檻,機器學習研發加速與自動化都未達 CCL。Hydrogen 經過針對性測試,CBRN 與網路兩項都未達 CCL,但達到了預警門檻。Neon 的模型卡寫明,相對 Argon 的通用能力增量低於「重大能力變化」門檻,因此沒有重做完整的關鍵能力評估,沿用 Argon 的判定。值得注意的是,Neon 在 Artificial Analysis 指數上比 Argon 高 11 分;Google 如何設定這個門檻,外部讀者無法從公開資料查核。Argon 模型卡 · Hydrogen 模型卡 · Neon 模型卡
行為層面,Carbon 與 Neon 在 Terminal‑Bench 4.0 上的成功作弊率都是 0.0%;在 Gray Swan 間接提示注入測試中,兩者攻擊成功率為 0.0%(Neon 為最高推理檔),Argon 為 0.7%。在 Google 的代理誠實度測試中,Carbon 通過 92% 的任務,Argon 為 70%;Neon 與 Hydrogen 分別回報 99.2% 與 94%,但發布文章沒有說明是否為同一題組。Hydrogen 的模型卡也揭露了代價:相較 Gemini 3.8 Flash,無正當理由的拒答增加 5.57 個百分點,多模態提示尤其明顯。Google Carbon 全面開放 · Google Neon 發布文章 · Google Hydrogen 發布文章
成本與選型:以通過驗收的任務計價
Hydrogen 每百萬 token 輸入 1.50、輸出 7.50 美元,整個 100 萬 token 視窗統一計價;Neon 為 3 / 15 美元,快取輸入 0.15 美元;Carbon 推廣價 2 / 10 美元持續到 11 月 30 日,之後為 4 / 20 美元。Argon、Carbon 與 Neon 的快取輸入都是輸入價的 5%。依 Artificial Analysis 的每項任務成本,Hydrogen xhigh 以 3.16 美元得 54 分,Argon high 以 4.97 美元(按推廣價)得 50 分,Neon xhigh 以 6.44 美元得 61 分,Carbon high 以 7.76 美元(按標準價)得 60 分。Neon 的 high 檔與 Carbon high 同為 60 分,每項任務成本不到後者一半。Google Hydrogen 發布文章 · Artificial Analysis Neon 首發評測
一個可以自行驗算的例子:單次請求 10 萬未快取輸入 token、1 萬輸出 token,不計工具費,Hydrogen 為 0.225 美元,Neon 為 0.45 美元,Carbon 推廣期為 0.30 美元、恢復標準價後為 0.60 美元。考慮先用 Hydrogen、失敗再轉 Neon 的路由:單次成本固定為 1∶2 時,只要升級比例低於 50%,純模型費用就低於直接使用 Neon;依 Artificial Analysis 的 xhigh 每項任務成本(3.16 對 6.44 美元),臨界點約為 51%。實際比較還要計入重試、延遲與最終通過率。此算例只用來說明成本結構,數字並非 Folkbench 實測。
對能自動驗收的批次任務,Hydrogen 最值得先驗證:它在 AA 指數與 Terminal‑Bench 上都追平或超過 Argon,標價也更低。對日常程式開發與知識工作,Neon 在兩張模型卡共有的多數評測上與 Carbon 持平或略高(Agents' Last Exam 與 GraphWalks 略低),而且 11 月 30 日之後單價也低於 Carbon。Carbon 仍是長程工程、網路安全與 ARC‑AGI‑3 這類互動任務中證據最充分的一款。無論選哪一款,推理檔位都應依任務實測:在 ARC‑AGI 與 GDP.pdf 上,最高檔並不總是最好。
Gemini 4 的首發價值不在某一項榜首。它用七週時間與同一個知識截止日期,展示了後訓練與推理設定能把能力推得多遠:AA 指數提高 11 分,ARC‑AGI‑3 標準環境提高 15 個百分點,FrontierMath Tier 4 提高 17 個百分點。它也標出了這條路線暫時推不動的地方:開放數學問題仍停在個位數,電腦操作落後於 Claude,標準環境下幾款 ARC‑AGI‑3 遊戲仍是零分。廠商模型卡會挑選對照組與執行方,獨立排行榜會重新評分、更換版本。這些分數能否兌現,最終取決於你的任務如何驗收。



