Gemini 4 Hydrogen 和 Claude Sonnet 5.5：57% 和 70.6% 根本不是同一张卷子

谷歌给 Gemini 4 Hydrogen 挂出来的那个 57%，是 Terminal-Bench 4.1 的分。Anthropic 给 Claude Sonnet 5.5 挂的 70.6%，是 Terminal-Bench 4.0 的分。

两张卷子。

发布当天不少帖子直接把两个数并排一放，得出“Sonnet 领先 13 个点”的结论。这个结论大概率方向没错，但 13 这个数字本身不成立。4.1 是新版题库，题目和评分都动过，同一个模型在两版上的分不能互换。要比，得找同一张卷子。

能找到的只有第三方。Artificial Analysis 在 4.0 上自己跑了一遍：Hydrogen 在 high 和 xhigh 两档都在 54% 左右；Sonnet 5.5 是 63.6%。还有一份第三方对比把 Hydrogen 在 4.0 上记为 53.5%。差距是九到十个点，比“13 个点”小，也比谷歌那句“从 18.2% 跳到 57%”给人的印象冷静得多。

顺带一提，Anthropic 自报的 70.6% 和第三方的 63.6% 之间也差了 7 个点。两家都有“自己考自己”的水分，只是方向不同：谷歌换了一张对自己更新的卷子，Anthropic 用的是自己的测试环境。

两个模型各自从哪来

Claude Sonnet 5.5 是 9 月 28 日发的，到现在一个半月。它的卖点在发布时就很明确：编程基准上压过了自家更贵的 Opus 5.5（官方数字 70.6% 对 66.4%），价格却只有一半，输入 2 美元、输出 10 美元每百万 token，和上一代 Sonnet 5 一样，速度快了三成以上。

Gemini 4 Hydrogen 是 11 月 12 日才放出来的，名义上接 Gemini 3.8 Flash 的班。可它的定价是 1.5 美元和 7.5 美元，比 3.8 Flash 贵了整整一倍。叫它“Flash 接班人”其实有点误导，它已经站到了 Sonnet 那个价位的门口。

谷歌的算盘也不难看懂。自家旗舰 Argon 现在是 2 美元 / 10 美元的优惠价，12 月 1 日起翻到 4 美元 / 20 美元。Hydrogen 正好卡在一个位置上：比 Argon 优惠价便宜 25%，比 Argon 正价便宜 62.5%，在 Artificial Analysis 综合指数上默认档还拿了 51 分，比 Argon 的 50 分多 1 分。12 月以后，一大批原本跑在 Argon 上的日常编码任务，谷歌希望它们搬到 Hydrogen 上来。

标价便宜 25%，账单不一定

只看列表价，Hydrogen 正好是 Sonnet 的四分之三。

可是编程智能体的账单，大头往往不是输出，而是反复送进去的那一大段上下文：系统提示词、工具定义、代码库片段，每一轮对话都要再送一次。Sonnet 5.5 的缓存读取价是 0.2 美元，相当于原价打一折。

拿一个常见的形状算一下：每次调用带 10 万 token 的已缓存上下文，输出 2000 token。Sonnet 5.5 是 0.02 美元的缓存读取加 0.02 美元的输出，合计约 0.04 美元。Hydrogen 如果按 1.5 美元的原价收这 10 万 token，光输入就是 0.15 美元。

当然 Gemini 是有上下文缓存的。Argon 的缓存读取价是 0.1 美元，折扣达到 95%。如果 Hydrogen 也是同样的折扣，那 10 万 token 大约是 0.0075 美元，整笔账又会反过来比 Sonnet 便宜。问题在于，截至发稿我没在谷歌的公开页面里查到 Hydrogen 的缓存单价，几家第三方测评也没写。

所以在这件事上，不要只看 1.5 和 2 这两个数。上线前先在自己的流量上跑一天，拿真实账单说话。

Hydrogen 的软肋：说得快，也编得快

谷歌发布时说 Hydrogen“虚构陈述显著减少”，这是和 3.8 Flash 比。换个参照物就不那么好看了：有一份分析统计，Hydrogen 在测试题里有 8.5% 的回答带编造内容，Argon 是 4.3%，差不多翻倍。

翻倍不是小数。

对写代码来说，这个毛病的表现很具体：调用一个不存在的库函数、给出一个记错的配置项名字、一本正经地引用某个 API 的旧参数。智能体自己跑测试的话能兜住一部分，但如果是让它直接改生产配置、或者生成给人看的文档，就要多一道人工检查。

它的另一个问题是贵了。从 3.8 Flash 换过来的团队，同样的调用量账单直接翻倍；和 OpenAI 的 GPT-6.1 Terra 比，它也要贵 50%。原来把 Flash 当“便宜量大”用的场景，现在得重新挑一遍。

Sonnet 的软肋：12.8 万的输出天花板，和最高档的账单

Sonnet 5.5 上下文是 100 万，但单次输出上限只有 12.8 万 token。批量接口加测试版请求头才能放到 30 万。

大多数编码任务碰不到它。

碰到的是另一类活：一次性生成整套测试数据、把一份长文档整篇翻译、批量改写几百个文件。Hydrogen 的单次输出能到 100 万，同样的活 Sonnet 得拆成好几次请求，自己写拼接逻辑。

第二个短板藏在“effort”档位里。有测算发现，Sonnet 5.5 在 effort 开到 max 的时候，每完成一道题的成本反而超过了 Opus 5.5。官方宣传的“一半价格打赢 Opus”，前提是你别把档位拧到头。很多人习惯性地把推理档开到最大，这一下省钱的逻辑就没了。

速度方面，Artificial Analysis 测到 Sonnet 5.5 在 high 档约每秒 95 token。Hydrogen 的独立测速数据还没出来，谷歌只说比 3.8 Flash 快 2.5 倍，这是一个相对数，换算不出绝对值。

谷歌给 Hydrogen 安排的位置

和 Hydrogen 同一天上线的 Orchestrator，比模型本身更能说明谷歌怎么想。

在 Antigravity 里，主智能体由 Carbon（Pro 用户）或 Argon（Ultra 用户）担任，负责想清楚怎么拆任务，然后把拆出来的活派给多个 Hydrogen 子智能体去干。也就是说，谷歌自己都没打算让 Hydrogen 独立扛复杂任务，它的设计角色是“干活的手”。

Sonnet 5.5 在 Claude Code 里的位置正好相反，很多人就是把它当主力单独用，规划和执行都交给它。

一个当手，一个当脑。

这也解释了跑分上的差距为什么能接受：Hydrogen 不需要在 Terminal-Bench 上赢，它只需要在“别人已经把任务拆好了”的前提下，又快又便宜地把每一小块做完。

有一个小坑要提醒。社区里已经有人反映，试用期、学生优惠这类“打折 Pro”账号，在 Antigravity 里看得到 Argon 但用不了。Orchestrator 的主智能体用的是哪个模型，取决于你的订阅档位，打算靠它省钱的，先确认自己账号能调到的是哪一档。

我会怎么分配

单个智能体从头干到尾的编码任务，比如修一个跨好几个文件的 bug、给老项目补测试，Sonnet 5.5 更稳。第三方 4.0 成绩高出九到十个点，幻觉问题也没被单独拎出来批评过。effort 用 high 就够，别开 max。

多智能体流水线里的执行层，比如批量重命名、按模板生成代码、跑大量格式转换，Hydrogen 的速度和价格更合适，前提是上面有一个更强的模型在规划、下面有测试在兜底。

需要一次吐出几十万 token 的长输出任务，选 Hydrogen，Sonnet 在这件事上是硬上限。

提示词很长、而且每轮都要重复送进去的场景，在 Hydrogen 公布缓存价格之前，Sonnet 的 0.2 美元缓存读取是目前能算清楚的那一边。

两家都能在网页端先试：Hydrogen 可以在 Google AI Studio 里直接调，Sonnet 5.5 在 Claude 应用和 API 控制台里都能选。

相关对比：《Claude Fable 5.2 和 Gemini 4 Carbon：单价便宜四倍的 Carbon，low 档每道题反而更贵》｜《Gemini 4 Carbon、Claude Opus 5.5、GPT-6 Astra：领先一分的 Carbon，这个月多数人只能看榜单》｜《Muse Ember、Claude Haiku 5.5、GPT-6 Luna：标价一样，每道题的账差了快三倍》