Gemini 4 Hydrogen 适合哪些 Agent 任务？

按代码、知识工作和电脑操作逐项选型，先核评测设置，再测自己的延迟和账单。

作者自测和外部数据的运行框架、重复次数与任务版本不同，分数须按各项配置解读。

本次变化：首次发表，整理官方评测的三条结论和两张重绘。

方法、实验与证据

机制: SWE-sweep 的 Hydrogen、Sonnet、Terra 分别为 13.5%、3.1%、5.8%。Terminal-Bench 4.1 的 Hydrogen 为 57.0%，Sonnet 为 63.9%，Terra 未列。
条件／配置: 各项设置见对应论述。
报告结果: SWE-sweep 的 Hydrogen、Sonnet、Terra 分别为 13.5%、3.1%、5.8%。Terminal-Bench 4.1 的 Hydrogen 为 57.0%，Sonnet 为 63.9%，Terra 未列。
局限: 作者自测和外部数据的运行框架、重复次数与任务版本不同，分数须按各项配置解读。

并行探索：同一发布的并行评测

并行探索：同一发布的并行评测

代码任务的名次随测试变化
SWE-sweep 的 Hydrogen、Sonnet、Terra 分别为 13.5%、3.1%、5.8%。Terminal-Bench 4.1 的 Hydrogen 为 57.0%，Sonnet 为 63.9%，Terra 未列。
知识工作成绩绑定任务版本
Agents’ Last Exam v1.1 的 Hydrogen、Sonnet、Terra 分别为 71.6%、60.4%、69.8%。
离线电脑操作的结果有特定分母
OSWorld 2.1 离线子集上 Hydrogen、Sonnet、Terra 分别为 77.6%、83.9%、74.2%。

Hydrogen 在 SWE-sweep 使用 Antigravity CLI 1.4.8，自测分数与公开榜单并列。Terminal-Bench 4.1 采用另一运行框架，Hydrogen 每题平均 5 次。作者成本对比采用 Terminal-Bench 4.0。

作者使用 122 项任务和 5 小时窗口，保留 2026-10-17 版本，未应用 2026-10-26 更新。分数是量表均值。Hydrogen、Sonnet 使用不同运行框架，Terra 引自榜单。

测试覆盖 82 项离线任务，Hydrogen 与 Sonnet 取 3 次运行中的最好结果，每次仅尝试一次。Terra 引自系统卡。

地图首次发布 2026-11-13T05:41:32.330187+00:00 · 地图修订 2026-11-13T05:41:32.330187+00:00