一句话：Gemini 4 Hydrogen 不是更强的模型，是更便宜的模型。据 Artificial Analysis 评测，它开 xhigh 推理档后智能指数 54 分，比 Claude Sonnet 5.5(max) 和 GPT-6.1 Sol(max) 各低 1 分；但每任务成本只有 Sonnet 的 32%，约为 GPT-6.1 Sol 的几分之一。分数差得不多，钱差得不少，这笔账到底怎么算？先别急着下单，也别急着吹，把这两张表摊开慢慢看，一个模型的性价比，答案自己会浮出来。
54 分，差的那 1 分是什么
先把口径对齐：54 分是 Artificial Analysis 用 xhigh 档测出的 Intelligence Index，Sonnet 5.5(max) 和 GPT-6.1 Sol(max) 都在 55 分左右，三个模型挤在 1 分里。Google 官方是另一套口径：默认 high 档智能指数 51 分，已经超过自家旗舰 Argon 的 50，调到 xhigh 才到 54。官方 51 和第三方 54 不矛盾，测的是不同思考档位，别把两个数摆在一起直接比大小，那样得出的结论一定是错的。看榜单先看口径，再看排名，顺序反了就白看。
那 1 分到底差在哪？基准题里差的那点分，通常不是「不会做」，是「长任务走多稳、多步推理掉不掉链子」。我的判断：写文案、抽摘要、做翻译这类日常活，54 和 55 你大概率体感不出差别；真正拉开距离的是长链路 agent 任务，还有那种一步错步步错的复杂调试。说白了，为这 1 分多付两倍以上的钱，账算不过来。省下来的预算拿去做重试和校验，往往比死磕那 1 分更划算。
32% 的成本，是怎么算出来的
「每任务成本约为 Sonnet 的 32%」是 Artificial Analysis 算的，不是 Google 官方报的，出处别记错。算法不复杂：同一组任务两边各跑一遍，把实际消耗的 token 数乘上各自单价，再平均到单个任务。Hydrogen 定价 $1.5/百万输入、$7.5/百万输出，全 1M 上下文窗口统一价，上下文拉长不额外加钱，先记住这个定价组合，下面算账全靠它。定价表是死的，任务消耗是活的，成败全在这一步。
这里得较真一句：32% 这个口径是含思考 token 的，也就是把它想的过程一起算进账单。我拆了一下，单价便宜只是其中一半，另一半是同一个任务它烧的 token 少、试错少，每任务成本才压得下来。划重点：官方爱报单价，第三方爱报每任务成本，后者才是你月底账单上的那个数，两者不要混着引用，混了就变成自己骗自己的账。用量越大，这个差别越明显。
四档思考，怎么选不亏
low、medium、high、xhigh 四档，说白了是把「想多久」的旋钮交到你手上。默认 high 就够日常用，官方口径 51 分；xhigh 是给硬活准备的：官方说 Terminal-Bench 4.1 拿到 57%，对比 3.8 Flash 的 18.2%，翻了差不多三倍，虚构说法还减少 5 倍。我的判断：绝大多数调用停在 high 就行，xhigh 留给写代码和多步工具调用，拿它跑批量摘要，是花钱买用不上的深度。档位开得越高，账单涨得越快，收益却不一定跟着涨。
还有一个隐藏彩蛋是速度。据 Artificial Analysis，它在 Agent Arena 排第 5，单步平均 7.3 秒，是前十名里最快的模型，比 Sonnet 5.5 快约 2.7 倍、比 GPT-6.1 Sol 快约 3.1 倍。思考档拉满还跑得最快，等于「想得多、走得快」；反过来开 low 档，它就是个便宜快枪手，批量活、跑量任务用它正合适，同一笔预算能多跑好几轮。速度是白送的，在延迟敏感的场景里，这份白送相当值钱，用户不会为你的思考过程鼓掌。
但这里有个前提
这些分都是静态榜单：固定题库、固定评分、固定档位，测的是上限，不是日常。落到你的业务里，54 对 55 的 1 分差距，很可能被 2.7 倍速度和 32% 成本直接抹平，排名单看没有任何意义。但这里有个前提：任务别卡在长链推理上，也别天天真金白银开 xhigh。第三方那个 54 分本来就是 xhigh 档测出来的，你开 high 档时成本优势更明显，可分数也只剩官方说的 51，性价比曲线不是一条直线，得按自己的用量找拐点。
所以结论别照抄：便宜七成是真的，分差 1 分也是真的，两件事同时成立，不存在「便宜就是垃圾」或者「分高就活该贵」。怎么选，取决于你拿它跑什么：跑量的批处理、日常问答、改代码注释，优先便宜的那边；要它独自扛长链路规划和复杂调试，那 1 分可能就是分水岭。榜单负责告诉你它不差，账单才负责告诉你省多少，两张表一起看才算真看懂。我的态度很干脆：先试，再信，最后拿自己的账单说话。
