别让一个模型跑完全程：Google 把「换模型」交给了系统

11 月 12 日，Google 发了 Gemini 4 Hydrogen。这不是又一个「史上最强」。发布稿给它的位置很明确：日常执行层。

原文写得挺克制：Carbon 和 Argon 负责啃最难的长程推理，Hydrogen 负责跨各类智能体工作流的快速执行。DeepMind 的 model card 更直接，说它是从 Gemini 4 Carbon 改编来的。一个从前沿模型改出来的、跑得更快的版本，定位不是取代谁，是补上一段活。

价格也按这个思路定：整个 1M 上下文窗口平价，输入 1.50 美元每百万 tokens，输出 7.50 美元每百万 tokens。官方还给了四档 thinking levels，low、medium、high（默认）和新增的 xhigh。想省就压低档位，想深想透就往上调。把「想多久」做成一个旋钮，比多给一个「最强模型」实用。

官方自己说：别让一个模型从头跑到尾

最值得记的是 Orchestrator。发布稿原话：与其让单个模型从开始跑到结束，Orchestrator 会在同一个会话里，在 Carbon 和 Hydrogen 之间动态切换。

这句话是厂商自己写的，不是我的解读。它等于承认一件事：一条长任务里，不同段落需要不同模型，硬用一个扛到底不划算。

分工也写得很具体。做系统设计、拆那种藏得很深的 bug，靠 Carbon 这类前沿模型做架构判断；写代码、跑测试、验证改动，需要一个快、且守规矩的执行模型。再往后，Carbon 可以当协调者，Hydrogen 去带 worker 和 verifier agents，在互相隔离的工作区里并行构建和测试。

数字跟着来了：在 Terminal-Bench 4.0 上，Orchestrator 拿到接近 Carbon 的任务成功率，平均少消耗 24% 配额，快 19%。官方还给了从 Gemini 3.8 Flash 迁过来的对比：默认 high 档任务快 2.5 倍，Terminal-Bench 4.1 从 18.2% 到 57%，虚构声明减少 5 倍以上；早期伙伴在图、SQL、数据密集的企业流程里测到快 2x 到 2.8x，token 用量少 12% 到 23%。

这些全是 Google 自测，官方没给第三方复核。但方向比数值更值得看：优化对象从「单个模型多强」换成了「一段活交给谁、什么时候换手」。这是工作流设计，不是跑分竞赛。

model card 里，有几行明摆着是输的

我更愿意多看两眼的是 DeepMind 那份 model card 的对比表。它把 Hydrogen、Claude Sonnet 5.5、GPT-6.1 Terra 三列并排贴出来，没有只挑赢的行。

赢的有：SWE-sweep 上 13.5% 对 3.1%、5.8%；HLE-Diamond 上 58.8% 对 53.3%、47.3%。

输的也有，而且不止一行：Terminal-Bench 4.1（Cheating-adjusted）是 57.0%，对手 63.9%；OSWorld-2.1 离线子集 77.6% 对 83.9%；Terminal-Bench-Science 0.1 是 51.4%，对手 59.9% 和 58.3%。

把输的行留在官方表格里，我觉得比「全面领先」四个字有用得多。它直接告诉你边界在哪：仓库级修 bug、多模态知识工作这类活可以放心交给它，电脑操作、科学任务这类，编排时就得让别的模型接手。表格不是宣传物料，是调度依据。

Known Limitations 那段也没绕弯：模型仍可能出现幻觉，偶尔有慢或超时，在更高 thinking 档位有时会为了效果用更多 token，知识截止到 2026 年 3 月；拒答语气与 Gemini 3.8 Flash 相近，但无正当理由的拒答更多，多模态提示下尤其明显。官方还专门注明，这些评测是自动化评测，不是人工评测或红队测试。

给要动手的人：先把换手规则写出来

能用的入口已经铺开：开发者可以在 Google AI Studio、Android Studio 里用 Gemini API，Antigravity 需要付费的 Google AI Pro 或 Ultra 订阅；Gemini app 的免费用户不是手动选到它，而是走 auto model selection；Google Search 官方说已面向全球所有用户上线。Search 那篇官方帖把 query fan-out 的升级写成对相关子主题同时发起查询，但整篇没给一个量化数字。这点也得记下来，别自己脑补提升幅度。

安全那段官方同样给了一串自测数字：overreach 最多降 81%，under-service 最多降 79%，内部诚实度评测 96.7%，在超过 20 万轮审计对话里保持 99.9% 的思维链可读性，Gray Swan IPI 上抗注入超过 2.3 倍，HealthBench Pro 的误拒率压到 0.4% 以下。数字很漂亮，但仍是厂商自述，别当成独立结论。

所以今天这篇想说的就一句：别再把选型当成挑一个最强模型，然后从头用到尾。把任务拆成段，写清楚哪段要判断、哪段要执行、卡住了交给谁、什么信号触发换手。Google 这次把换模型做进了系统，是把这件事从人的经验变成了默认行为。你自己的流程里，这一步迟早也得补。