Gemini 4 Hydrogen 与 Decisions API 拆解：用“快执行 + 快决策”搭建多模型 Agent 工作流
2026 年 11 月 11 日到 12 日，Google 在两天内连续放出两个定位截然不同的 Gemini 新成员：一个是面向日常编码与智能体工作流的快速执行模型 Gemini 4 Hydrogen，另一个是专做毫秒级封闭式决策的 Gemini Decisions API（由 Gemini Decision 1 模型驱动）。一个负责"干活快"，一个负责"判断快"，把它们放在一起看，恰好勾勒出下一代多模型 Agent 系统的分层架构。本文基于两篇官方公告的中文译本，拆解关键数据、接口设计，并讨论如何把两者组合进实际工程。
一、背景：模型开始"分工"了
过去两年，大模型竞赛的主线是"一个模型干所有事"：推理、编码、多模态、工具调用全部塞进同一个旗舰模型。但真实工作负载很快暴露出这种模式的两个问题：
- 成本错配：让一个擅长长程推理的旗舰模型去跑测试、改一行代码，token 账单和延迟都不划算；
- 延迟错配：Agent 工作流里大量环节其实是"封闭式判断"——选哪个工具、路由到哪个模型、内容是否合规——这类问题根本不需要逐 token 生成一段文字。
Google 这次的两个发布，正好分别对应这两类错配的解法：
| 发布 | 日期 | 定位 | 一句话概括 |
|---|---|---|---|
| Gemini 4 Hydrogen | 2026-11-12 | 快速执行模型 | 日常编码与智能体工作流的"执行引擎" |
| Gemini Decisions API / Decision 1 | 2026-11-11 | 封闭式决策端点 | 150–250ms 内对最多 1000 个问题打分 |
下面分别拆解。
二、Gemini 4 Hydrogen：为 Agent 工作流打造的执行引擎
2.1 产品定位：Carbon / Argon 负责想，Hydrogen 负责干
Gemini 4 家族目前的分工很清晰：
- Gemini 4 Carbon / Argon：前沿模型，擅长对最棘手的问题做深入、长程的推理，适合架构决策、疑难 bug 排查；
- Gemini 4 Hydrogen：专为各类智能体工作流中的快速执行打造——写代码、跑测试、验证改动。
官方给出的关键指标：
- 在默认高思考档位下，Hydrogen 在 Artificial Analysis Intelligence Index 上得分 51，超过 Argon 的 50；开到最高的 xhigh 档可达 54；
- 100 万 token 上下文窗口内统一定价：输入 $1.50 / 百万 token，输出 $7.50 / 百万 token；
- 原生支持 100 万 token 输入、最高 100 万 token 输出，可处理 PDF、电子表格、图表、音频、视频等多模态材料；
- 第三方评测（Artificial Analysis）给出的智能指数为 54，接近 Sonnet 5.5，而成本约为其 32%。
2.2 对比上一代：不是小修小补
对从 Gemini 3.8 Flash 迁移过来的团队，官方给出的提升幅度相当激进：
| 维度 | Gemini 3.8 Flash | Gemini 4 Hydrogen |
|---|---|---|
| 默认高档任务完成速度 | 基准 | 2.5 倍 |
| Terminal-Bench 4.1 | 18.2% | 57%（三倍以上） |
| 编造内容（幻觉）数量 | 基准 | 降至 1/5 以下 |
| 企业工作流（图 / SQL / 数据密集型） | 基准 | 快 2–2.8 倍，token 用量减少 12%–23% |
此外还有几个工程上很实用的细节：
- 改动精准：修 bug 时不会重写无关文件，产出"可直接上线"的代码，在 SWE-sweep（发现并修复缺陷且不破坏现有代码）上优于同级模型；
- 原生并行探索仓库：擅长批量并行发起文件读取和搜索调用，而不是逐个文件检查——这对大型代码库导航是实打实的延迟优化；
- 失败时平稳降级：工具调用失败或搜索返回空结果时能自行调整，而不是卡死或胡编。
在开放式智能体执行方面，Hydrogen 在 arena.ai 的 Agent Arena 实时基准中排名第 5；在 HLE-Diamond 上以 58.8% 领跑同级；Vals Tax Agent Bench 总排名第 1（52.3%）、Vals Legal Research Bench 并列第 1（55.8%）；多模态知识工作基准 MKA 上以 53.4% 领先，Agents' Last Exam v1.1 上以 71.6% 领先。
2.3 四档思考级别：把"推理深度"变成可调参数
Hydrogen 提供 低 / 中 / 高（默认）/ xhigh 四档思考级别，在质量、延迟和成本之间按平滑梯度递进。官方强调的设计原则是：只为任务所需的推理深度等待和付费。
这对工程侧的意义是：思考档位第一次成为一个可以按任务类型显式调度的旋钮——批量格式化用低档，复杂调试用 xhigh，而不是一律拉满。
2.4 Orchestrator：多模型协作自动化
这次发布里最值得架构师关注的，是 Google Antigravity 中同步推出的 Orchestrator：它不再从头到尾只用一个模型，而是在同一会话中于 Carbon 和 Hydrogen 等模型之间动态切换。
官方在 Terminal-Bench 4.0 上给出的数据：
- 任务成功率接近 Carbon（旗舰模型）；
- 平均少消耗 24% 的配额；
- 完成速度快 19%。
对于需要并行智能体的工作流，官方推荐的模式是：Carbon 担任协调者，Hydrogen 驱动工作智能体和验证智能体，在相互隔离的工作区中同时构建和测试改动。这 essentially 是把"项目经理 + 执行团队"的组织结构搬进了模型编排层。
2.5 安全性：Agent 场景的硬指标
快速执行模型要大规模接管工具调用，安全性是绕不开的。Hydrogen 公布的几组数据值得记录：
- 智能体任务中的越权行为（overreach）减少最多 81%，服务不足（under-service）减少最多 79%；
- 工具使用与编码评测中的失准行为和任务抄近路减少 12 倍；
- 面对不可能或被阻塞的任务时，绕过权限边界的概率降低最多 2 倍，内部智能体诚实度评测达 96.7%；
- 超过 20 万个经审计对话轮次中保持 99.9% 的思维链可读性，无欺骗性推理编辑；
- 对间接提示词注入攻击，Gray Swan IPI 基准上的抵御能力提升超过 2.3 倍；
- HealthBench Pro 上的误拒率控制在 0.4% 以下。
对要把 Agent 放进生产环境的团队来说，"越权减少 81%"和"提示词注入抵御提升 2.3 倍"这类指标，比跑分更有参考价值。
三、Gemini Decisions API：把"判断"从生成里剥离出来
3.1 核心思路：不生成文本，只打分
Decisions API 是一个用于快速封闭集决策的新端点，由 gemini-decision-1 模型驱动。它与常规生成式 API 的本质区别在于：
Gemini Decision 1 不会逐 token 生成答案文本，而是在单次前向传递中对候选选项打分，直接返回概率和置信度分数。
这意味着没有自回归解码的延迟累积，也没有输出 token 费用。官方给出的性能画像：
- 端到端延迟 150–250ms；多模态输入、最多 16K token 上下文时，模型计算中位延迟仅 50–100ms；
- 单次请求最多 1000 个独立问题，从 1 个问题到 100 个问题延迟几乎保持平稳；
- 输入支持文本、图像、音频、视频、PDF，最多 256K token；
- 定价：$0.10 / 百万输入 token，输出 token 不计费；
- 在共享基准套件上，比走 Interactions API 的 Gemini 3.5 Flash-Lite 便宜近 5 倍，且校准误差最低。
适用场景被官方归纳为四类"有界选择"原语：工具选择、策略检查、模型路由、上下文评分。
3.2 三种问题类型
每个请求可以混合三种问题类型，每个答案都带 0–1 的置信度分数，方便把模糊情况路由到回退方案或人工审核：
| 类型 | 语义 | 返回 |
|---|---|---|
noul（是/否） |
估计某条件成立的概率，可选提供真/假的描述标准 | 概率 + 置信度 |
choice（多项选择） |
从 2–255 个选项中选一个 | 获胜者 + 每个候选的归一化概率 |
score（有序评分） |
按从 0 开始的有序评分标准打分 | 连续加权分数 + 各级别概率 |
input 字段复用 Interactions API 的 Content 块格式，可以在一个共享输入里组合多种模态——比如把通话录音与账户元数据配对，或把扫描的 PDF 索赔单与损坏照片配对。
3.3 官方示例：一次请求，三种判断
下面这段官方 Python 示例很能说明接口形态：传入一张休息室台面照片加一段文本备注，在同一个请求里同时完成"是否有液体泼洒（是/否）""该采取什么清理动作（多选）""严重程度打分（评分）"：
from google import genai
client = genai.Client(http_options={"api_version": "v1beta"})
result = client.decisions.create(
model="gemini-decision-1",
input=[{
"type": "image",
"uri": "https://storage.googleapis.com/generativeai-downloads/images/spill.jpg",
"mime_type": "image/jpeg",
},
{
"type": "text",
"text": "Breakroom counter check before the 9 AM client meeting.",
},
],
questions={
"has_spill": {
"type": "noul",
"instructions": "Is there an uncleaned liquid spill on the counter?",
},
"next_action": {
"type": "choice",
"instructions": "Which cleanup action fits the scene?",
"criteria": {
"wipe_with_cloth": "Small counter spill with a cloth or towel already nearby.",
"dispatch_janitorial": "Large floor hazard, broken glass, or active leak.",
"ready_for_meeting": "Counter is clean and ready.",
},
},
"severity": {
"type": "score",
"instructions": "Rate the severity of the counter mess.",
"criteria": [
"Clean and ready.",
"Minor localized spill.",
"Major spill or safety hazard.",
],
},
},
)
注意计费模型的一个细节：共享的 input 每次请求只计费一次，无论评估多少个问题；每个问题只额外计入自身的指令和评判标准 token。没有输出 token 费用，没有随思考 token 浮动的账单，也没有单独的音频转写和 OCR 费用。对"一份材料、几十个检查项"的审核类场景，这个计费结构非常友好。
3.4 Google 自己怎么用它
官方披露的四个内部用例，基本就是这类 API 的标杆场景：
- Gemini Notebook 的动态模型路由：把 Decisions API 当实时路由器，毫秒级判断查询意图，分配到最合适的模型层级和思考深度，日常查询延迟最多降低 40%，把深度推理模型留给复杂任务；
- Stitch Rapid 快速设计迭代：几秒内生成产品流程的可交互线框图，语音或点按修改几乎即时生效；
- CC 的表情选择：从 200 多个选项中挑出合适的表情回应，耗时不到一秒；
- 搜索中 MCP 工具的安全层：在延迟预算内检测对抗性行为和内容。
第一个用例尤其值得注意：Google 自己已经在用"决策模型给执行模型路由"的架构——这正是下一节要讨论的组合方式。
生态方面，OpenRouter、LangChain、Vercel AI SDK、LiteLLM、Pydantic AI、Pipecat、LiveKit、OpenCode 的集成正在陆续推出，google-genai SDK 已可用，AI Studio 提供免费额度供原型开发。
四、组合架构：决策层 + 执行层 + 推理层
把两个发布放在一起，一个清晰的三层 Agent 架构浮出水面：
用户请求 / 多模态输入（文本、图像、音频、视频、PDF）
│
▼
┌──────────────────────────────────────┐
│ 决策层：Gemini Decision 1 │
│ 150–250ms · $0.10/百万输入 · 输出免费 │
│ 模型路由 / 策略检查 / 工具选择 / 评分 │
└──────────────────────────────────────┘
│ 概率 + 置信度（低置信度 → 回退/人工）
▼
┌──────────────────────────────────────┐
│ 执行层：Gemini 4 Hydrogen │
│ 四档思考级别 · $1.50 入 / $7.50 出 │
│ 编码 / 测试 / 多模态报告 / 工具执行 │
└──────────────────────────────────────┘
│ 复杂任务升级（Orchestrator 动态切换）
▼
┌──────────────────────────────────────┐
│ 推理层：Gemini 4 Carbon / Argon │
│ 长程推理 / 架构决策 / 疑难排查 │
└──────────────────────────────────────┘
这个分层的成本逻辑很直接：
| 层 | 模型 | 输入价格 | 输出价格 | 延迟特征 | 干什么 |
|---|---|---|---|---|---|
| 决策层 | Decision 1 | $0.10/M | 免费 | 150–250ms | 封闭式判断，不生成文本 |
| 执行层 | Hydrogen | $1.50/M | $7.50/M | 快速执行 | 编码、测试、多模态交付物 |
| 推理层 | Carbon / Argon | 官方公告未披露 | — | 深度推理 | 最棘手的长程问题 |
绝大多数请求在决策层就被分流，只有真正需要深度推理的任务才升级到旗舰模型——这正是 Orchestrator 在 Terminal-Bench 4.0 上"成功率接近 Carbon、配额省 24%、速度快 19%"背后的逻辑。
工程落地建议
结合两篇公告的细节，给出几条可操作的建议：
- 用置信度做回退路由。Decision 1 每个答案都带 0–1 置信度，设定阈值：低于阈值走人工审核或升级到更大模型，而不是硬选一个答案。这是官方明确推荐的用法。
- 批量问题共享输入。审核类场景把几十个检查项塞进一个请求（上限 1000 个），共享 input 只计费一次，延迟从 1 到 100 个问题几乎不变——比逐条调用生成式 API 便宜一个数量级。
- 按任务选思考档位。Hydrogen 的四档思考级别是显式成本旋钮：批量小改动用低档，复杂调试用 xhigh。配合决策层的路由结果动态选档。
- 协调者 + 工作者 + 验证者。参照 Antigravity 的模式：Carbon 做协调，Hydrogen 驱动并行工作智能体与验证智能体，工作区相互隔离。验证智能体用便宜快速的模型，是控制 token 成本的关键。
- 用"定义选项"替代"训练分类器"。工具选择、内容合规、意图路由这类过去要自训小模型的场景，现在可以直接用 choice/noul 问题定义上线，还自带校准过的概率。对中小团队，这省掉的是整条数据标注 + 训练 + 部署流水线。
五、对开发者的三点启示
第一，"决策"正在成为独立的模型原语。 过去我们把分类、路由、审核都当作生成式模型的副产品（让 LLM 输出一个 JSON），Decisions API 把这件事做成了专用端点：不解码、只打分、输出免费、自带校准概率。可以预期"决策层模型"会像今天的 embedding 模型一样，成为 Agent 栈的标准组件。
第二，多模型编排从手工走向自动。 Orchestrator 在同一会话内动态切换模型，并给出"接近旗舰成功率 + 省 24% 配额"的量化收益。对自建 Agent 框架的团队，"按任务难度动态路由 + 执行/验证分离"是现在就该抄的作业。
第三，安全指标开始成为选型硬参数。 越权减少 81%、提示词注入抵御提升 2.3 倍、思维链可读性 99.9%——当模型要大规模接管工具调用和生产代码时，这些数字比跑分更值得写进选型评审表。
两天两个发布，一个解决"干活贵、干活慢"，一个解决"判断不该用生成"。Google 正在把 Gemini 从"一个全能模型"改造成"一套分工明确的模型体系"，而开发者要做的，是学会在这套体系里当好调度员。
参考来源
- Google DeepMind 发布 Gemini 4 Hydrogen（AIHOT 中文译本），原文：Introducing Gemini 4 Hydrogen
- Google 发布 Gemini Decisions API 与 Gemini Decision 1 模型（AIHOT 中文译本），原文：Gemini Decisions API: Fast, calibrated multimodal decisions
- Gemini 4 Hydrogen 模型卡（PDF）
- Decisions API 官方文档
本文基于 2026 年 11 月 11–12 日两篇官方公告的公开信息整理，数据以官方原文为准。
posted on 2026-11-13 09:36 fox_charon 阅读(11) 评论(0) 收藏 举报
浙公网安备 33010602011771号