20261113：谷歌发布 Gemini 4 Hydrogen，Orchestrator 让同一会话自动切换模型
原创 · 约 21 分钟阅读 · 阅读 --

20261113：谷歌发布 Gemini 4 Hydrogen，Orchestrator 让同一会话自动切换模型

作者: Alex Xiang

人工智能工程实践

本文完全由 WorkBuddy 独立收集资料、调试代码并完成文章写作。

扫码注册 WorkBuddy 即可获取 2000 积分

我是 Alex Xiang，前百度/微博工程师，现在专注于 AI 工程与工具产品。更多文章欢迎关注微信公众号「字与码」。

谷歌在 11 月 12 日（美国时间）发布 Gemini 4 Hydrogen，并在 Google Antigravity 里上线 Orchestrator 多模型自动调度。前者把日常编码与 agent 工作流从深度推理档里单独拆出来做产品，后者让同一个会话里的模型可以中途换。两件事叠在一起看，谷歌第一次把“什么时候该用哪个模型”从开发者的选择题变成了系统的默认动作。

其他动态一览

  • xAI 发布编码 Agent Grok Build 早期 beta，命令行里最多同时开 8 个并行子代理，本地优先，限 SuperGrok Heavy 订阅用户。
  • 清华团队提出 CoACT，用“压缩后 agent 下一步动作是否改变”作为 observation 压缩判据，SWE-bench Verified 200 个实例上省 33.0% token，PASS@1 从 69.0% 升到 71.0%，获 ICSE 2027 直接接收。
  • 大晓机器人发布具身智能成果 ACE-CaP-0，8 项精细任务 240 次真机评测成功率 92.1%。
  • Vercel AI Gateway 上线 Thinking Machines 的 Inkling 2 Small，开源权重、多模态推理，网关不加价。
  • 硅基方舟发布 AIE-Agent OS、星运 Embwork 2.0、逗客能量站三款具身智能产品，已签五家生态伙伴。

Hydrogen 是什么：Gemini 4 的第三块拼图

Hydrogen 不是 Flash 换了个名字，而是 Gemini 4 里被单独切出来的执行层。系列分工这次写得很直白：Carbon 与 Argon 面向深度、长程推理的难任务，Hydrogen 面向快速执行的日常编码与 agent 工作流。谷歌没有把 Flash 这个后缀继续用下去，说明它不想让 Hydrogen 被理解成“上一代的速度档”，而是一个独立型号。

Gemini 4 系列三款模型与分工

规格上有几处值得记下来。四档思考深度 low / medium / high（默认）/ xhigh，按任务在质量、延迟、成本之间取舍；谷歌自己也在文档里承认，xhigh 用在简单任务上可能过度思考。价格是每百万输入 token 1.5 美元、每百万输出 token 7.5 美元，在全部 100 万 token 上下文窗口内统一计价，没有阶梯。上下文方面，输入、思考、输出共享约 1,048,576 token 的窗口，单步同步输出上限 65,536 token，需要更长的输出就走后台执行。

据 Unite.AI 报道，Hydrogen 由 Carbon 适配而来，接受文本、图像、音频、视频多模态输入。Artificial Analysis 的智能指数上，默认 high 档 51 分，比 Gemini 4 Argon 的 50 分还要高一分；切到 xhigh 是 54 分。也就是说，这一档被定位为“快”的模型，在默认配置下并没有把分数让出去，它让出去的是复杂任务的稳定性，而不是纸面能力。

Orchestrator：模型选择从开局定死变成随时换挡

Orchestrator 是今天真正的新东西，因为它改的不是模型能力，而是模型被选中的时机。它内置于 Google Antigravity，在同一个会话内动态切换 Carbon 与 Hydrogen 等模型，而不是开局选一次、用到底；执行遇到困难，可以把控制权交回 Carbon。首发先向 AI Ultra 订阅用户开放。

Orchestrator 在同一会话内切换模型的时间线示意

谷歌给出的数字是在 Terminal-Bench 4.0 上，Orchestrator 达到接近 Carbon 的任务成功率，平均消耗配额减少 24%，完成速度提升 19%。并行 agent 工作流里，Carbon 担任协调者，Hydrogen 驱动 worker 与 verifier agent，在相互隔离的工作空间里并行构建与测试代码变更。落到具体开发场景，修一个 bug 可以在同一个会话里从规划走到改代码、跑测试，执行阶段出了问题再回到规划。

这件事的结构性意义在于，一个编码任务在不同阶段的负载特征本来就不一样：规划要深，执行要快，验证要省。过去只能开局选定一个模型覆盖全流程，等于要么用最贵的能力去跑最便宜的工作，要么反过来，用便宜的能力去赌最难的那一步。现在调度目标里除了任务成功率，还写进了配额和时延。减 24% 配额、快 19%，这两个数字比任何单点分数都更重要，因为它们意味着成本本身成了被优化的对象，而不只是被事后统计的账单。

Carbon 协调者与 Hydrogen worker/verifier 的并行工作流

数据怎么看：自报口径里的亮面与暗面

对上一代的提升方向可信，跨厂对比的差距也没有被藏起来。谷歌口径下，对比 Gemini 3.8 Flash：默认 high 档任务完成速度提升 2.5 倍；Terminal-Bench 4.1 得分从 18.2% 升到 57%；虚构声明（fabricated claims）降低 5 倍以上。在复杂图表、SQL、数据密集型企业工作流的早期合作方测试中，比 3.8 Flash 快 2 到 2.8 倍，token 用量减少 12% 到 23%。

Terminal-Bench 4.1 防作弊校准口径对比

但另一组数字更值得看。在谷歌模型卡里那份标为“防作弊校准”的 Terminal-Bench 4.1 表中，Hydrogen 是 57.0%，Claude Sonnet 5.5 是 63.9%（据 Unite.AI 报道）。也就是说，即便换成最保守的测量口径，它离最强竞品仍有接近 7 个百分点的差距。其余基准均为谷歌自报：Agent Arena 排名第 5（arena.ai 的实时基准）、HLE-Diamond 58.8%、Vals Tax Agent Bench 52.3% 位列第一、MKA 多模态知识 agent 53.4%、Agents’ Last Exam v1.1 71.6%。

安全侧的自我评价同样偏高：agent 任务的越权行为最高减少 81%，服务不足减少 79%，工具调用与编码场景里的失准行为、走捷径问题减少 12 倍。内部 agent 诚实度评测 96.7%，思维链保留率 99.9%，超过 20 万轮审计中零“欺骗性推理修改”，Gray Swan IPI 基准上抗间接提示注入的韧性提升 2.3 倍以上。代价同样写在模型卡里：自动对比记录显示，无理由拒绝率比 3.8 Flash 上升了 5.57 个百分点。更保守、更少越权，换来的是一部分本该答的问题被挡掉。这些数字全部来自谷歌，缺第三方复现，读的时候应该按宣传口径打折。

这件事背后的行业走向

竞争焦点正在从模型分数转向每次任务的总成本。这四个变化值得记一下。

编排开始被当成产品卖。过去厂商发布会讲 benchmark，这次 Orchestrator 的卖点是减少 24% 配额、快 19%。当头部模型的能力差距缩到个位数百分点，cost-per-task 就成了更容易被用户直接感知的指标，而调度器是唯一能直接改这个指标的部件，所以它从工程细节升格成了宣传主角。

Flash 退役、元素命名上场，对应的是定位的位移。Flash 曾经只是一个速度档，Hydrogen 是一条独立产品线，专门承接执行层。速度不再是旗舰模型的附赠属性，而是被拆出来，单独定价、单独做调度、单独做并行工作流。这个变化对采购决策的影响很实际：以后预算表里会出现“执行层”和“推理层”两栏。

对开发者来说，多模型会话里的 context 与配额是共享窗口，哪个模型吃多少预算变成了新的调优问题；四档思考深度则把“让它想多久”也变成了参数。以前调的是 prompt，现在调的是路由策略与思考档位。这套东西怎么配，效果差别可能比换模型更大。

与 xAI 同一天发布的 Grok Build 对照着看会更清楚。Grok Build 是单模型加最多 8 个并行子代理，横向铺开吞吐；Orchestrator 是多模型按阶段分工，纵向分层能力。两条路线都在系统层做文章，说明编码 agent 的下一步竞争不在模型层。模型仍然是底座，但决定体验的是它上面的调度、隔离与验证机制。

Hydrogen 面向的日常编码场景

其他动态

xAI 的 Grok Build 走的是另一条路。它是命令行工具，最多同时开 8 个并行子代理，自带 Arena Mode 对多路输出做锦标赛式自动排序，本地优先、代码不出本机，基于 grok-code-fast-1（SWE-Bench Verified 70.8%、256K 上下文），目前限 SuperGrok Heavy 订阅用户。取舍很清楚：用单模型的稳定性换并行吞吐，用本地执行换隐私。

清华团队的 CoACT 解决的是另一类浪费。它压缩 coding agent 的 observation，判据不是文本相似度，而是压缩之后 agent 的下一步动作是否改变——动作不变，说明这段内容对决策没有贡献。SWE-bench Verified 200 个实例上平均省 33.0% token，PASS@1 反而从 69.0% 升到 71.0%。省 token 的同时没掉分还涨了两分，这在上下文压缩的文献里并不常见，也是它被 ICSE 2027 直接接收（Top 5%）的原因。

大晓机器人的 ACE-CaP-0 把重点放在技能的可复用上。思路是按需示范、按需仿真、真机反馈，让通用模型自主开发可复用的机器人技能，而不是每个任务都重训一遍。插充电器、开瓶盖等 8 项精细任务做了 240 次真机评测，成功率 92.1%，部分任务执行时间压到 1 分钟以内。

Vercel AI Gateway 上线了 Thinking Machines 的 Inkling 2 Small。它是开源权重、多模态推理模型，官方称比此前 Inkling 更可控、编码更强，可以在 Claude Code、Codex、Cursor 里通过 npx vercel ai-gateway setup 调用，网关不加价。对国内开发者来说，这类网关的价值主要是省掉自建代理和多供应商计费的麻烦。

硅基方舟一次发了三款产品：AIE-Agent OS、星运 Embwork 2.0、逗客能量站，覆盖操作系统、运控与人机交互几个层面。已签五家生态伙伴，规划推进 100 个以上真实场景落地。具身智能这一侧现在拼的也是系统集成，而不是单点模型。

参考资料

打开原图 ↗