Gemini 4 思考预算实测:最高档成本翻四倍,正确率纹丝不动

2026/11/17
Gemini 4 思考预算实测:最高档成本翻四倍,正确率纹丝不动

AI Summary (BLUF)

本教程通过Gemini API对七个模型在15道AIME数学题上进行高、低思考设置的对比测试,发现最高思考设置成本约为最低的4倍,但在难题上几乎无增益。文章详细记录了从问题集构建、预算控制到结果分析的完整步骤,适合技术专业人员复现。

核心洞察

这篇文章最有意思的地方在于,它用真金白银测了一个大家平时懒得测的问题:把思考等级拉到最高,到底值不值。结论有点扎心——在 Gemini 4 上,最高档和最低档答对的题一模一样,但账单翻了将近四倍。如果你正在为推理模型的调用成本做预算,这篇的实测数据比官方文档管用。


这篇文章是一份手把手的实测记录,测的是"多花思考预算"在难题上能换来什么,又要付出多少代价。七个模型——Gemma 4 26B 和 31B、Gemini 3.5 Flash-Lite 和 3.8 Flash,以及 Gemini 4 的 Hydrogen、Carbon、Argon——通过 Gemini API 把同一套 15 道竞赛数学题各答两遍:一遍用每个模型能接受的最低思考档,一遍用最高档。

代码和证据都在这里:

https://github.com/xbill9/gemma4-dev/tree/main/docs/gemini-high-vs-low

先说结论:最高思考档的成本大约是最低档的四倍,而在这批题上几乎什么都没多买到。


核心结论

  1. 在 Gemini 4 系列(Hydrogen、Carbon、Argon)上,最高思考档与最低档在 15 道 AIME 2025 竞赛数学题上答对数量完全相同(均为 15/15),但最高档成本是最低档的 3.24 到 4.75 倍,多花的钱没有换来任何额外正确答案。

  2. 七个模型两档合计花费 7.47 美元:最低档 1.53 美元,最高档 5.95 美元,相差约 3.9 倍;其中 Gemini 4 Hydrogen 的倍数最高(4.75x),Gemini 3.5 Flash-Lite 最低(2.61x)。

  3. 小模型(Gemma 4 31B/26B、Gemini 3.5 Flash-Lite、Gemini 3.8 Flash)在最高档下各自多答对 1 到 2 题,但 15 道题上最大提升仅 13 个百分点,低于排除运气所需的约 35 个百分点,因此这些提升在统计上无法与随机波动区分。

  4. 每个正确答案成本最低的是 Gemini 4 Argon 最低档,为每题 0.0162 美元;而 Hydrogen 和 Carbon 最高档每个正确答案分别要 0.1232 和 0.1297 美元,是前者的 7.6 倍和 8.0 倍,分数却相同。

  5. 付费模型在最高档下每题耗时是最低档的 3.2 到 5.9 倍(例如 Carbon 从 22.7 秒增至 134.3 秒),且 Carbon 与 Argon 的价格将于 2026 年 12 月 1 日翻倍至每百万输出 token 20 美元,成本差距将进一步扩大。

测试结果

成本。 两档加起来花了 7.47 美元:最低档 1.53 美元,最高档 5.95 美元,相差 3.9 倍。这次运行的预算按最坏情况设的是 33.23 美元。

模型 最高档 ÷ 最低档
Gemini 3.5 Flash-Lite 2.61x
Gemini 4 Argon 3.24x
Gemini 4 Carbon 3.93x
Gemini 3.8 Flash 4.20x
Gemini 4 Hydrogen 4.75x

多出来的钱花在了思考上:Argon 每题平均思考 token 从 215 涨到 4,129,Hydrogen 从 2,468 涨到 15,062。付费模型在最高档下每题耗时也变成了原来的 3.2 到 5.9 倍。

Gemini 4 上买到了什么。 什么都没买到。Hydrogen、Carbon、Argon 在两档下都答对了全部 15 题,多花的钱换来的还是同样的 15 个答案。

小模型上买到了什么。 Flash-Lite、3.8 Flash 和两个 Gemma 4 模型各自多答对了一到两题。15 道题里,一个提升得达到 35 个百分点左右才能排除运气的可能;这里最大的提升是 13 个百分点,也就是两题,所以这些提升可能只是运气。

最便宜的正确答案。Argon 最低档,每题 0.0162 美元。Hydrogen 和 Carbon 最高档每个正确答案要 0.1232 和 0.1297 美元,是前者的 7.6 倍和 8.0 倍,分数却一样。

怎么用这些结论。

  • 在 Gemini 4 上做难题,从最低档开始。
  • 小模型的话,先在你自己的题上测一下最高档,再决定要不要付那 2.6 到 4.2 倍的钱。
  • Carbon 和 Argon 的价格 2026 年 12 月 1 日翻倍,差距会更大。

注意事项。 一次 15 道题的运行能说明多思考要花多少钱,但没法给差距在两题以内的模型排名。Google 把 Carbon 的最高档定位为长时间多步骤任务,比如调试和架构设计,这次没有测到那类场景。


测了什么

之前那次对比,Gemini 4 or Gemma 4? It Depends.,跑了 1,319 道 GSM8K 数学题和 400 次 BFCL 函数调用,都用最低思考档,Argon 得分 0.9841,Gemma 4 31B 得分 0.9735。那些题太简单,多思考没什么发挥空间。这次换成更难的题,并且把思考范围的两端都用上。

模型 最低档 最高档 每百万输出 token 价格
Gemma 4 31B, 26B minimal high 免费额度
Gemini 3.5 Flash-Lite minimal high $2.50
Gemini 3.8 Flash low high $3.75
Gemini 4 Hydrogen low xhigh $7.50
Gemini 4 Carbon low high $10.00
Gemini 4 Argon low high $10.00

3.8 Flash 和 Gemini 4 系列没法关掉思考,所以它们的最低档是 low。输出价格包含思考 token。Carbon 和 Argon 在 2026 年 12 月 1 日涨到每百万输出 token 20 美元。


到这一步你手上应该有

  • 一个放在 ~/gemini.key 的 Gemini API key,Gemini 4 Carbon 和 Argon 需要付费档
  • Python 3,装了 huggingface_hub 和 scipy
  • 克隆好的 gemma4-dev

第一步 — 十五道难题

题目是 AIME 2025 I 的全部 15 道,来自固定版本的 opencompass/AIME2025 数据集。每道题的答案是 0 到 999 的整数。有一道答案发布时写作 336^\circ,读取为 336。

cd benchmarks/gen-eval
python3 build_hard_set.py aime
wrote /home/xbill/gemma4-dev/benchmarks/gen-eval/data/aime2025.jsonl: 30 records

文件里存的是 AIME 2025 I 和 II,SHA-256 记录在 data/hard_manifest.json;这次用的是前 15 道,也就是 I 卷。评分脚本 benchmarks/gen-eval/gen_eval.py 要求最终答案单独一行写成 Answer: <数字>,数字对上就算对。


第二步 — 每个模型的最高思考档

Google 的思考等级页面只给 Hydrogen 列了 xhigh。每个模型每个档发一个小请求,确认 OpenAI 兼容端点接受什么:

docs/gemini-high-vs-low/evidence/top-levels.sh
gemma-4-31b-it         high   ok  thinking 225 answer 27 finish length
gemma-4-26b-a4b-it     high   ok  thinking 253 answer 0 finish length
gemini-3.5-flash-lite  high   ok  thinking 243 answer 9 finish length
gemini-3.8-flash       high   ok  thinking 118 answer 66 finish stop
gemini-4-hydrogen      high   ok  thinking 80 answer 67 finish stop
gemini-4-hydrogen      xhigh  ok  thinking 150 answer 78 finish stop
gemini-4-carbon        high   ok  thinking 253 answer 3 finish length
gemini-4-carbon        xhigh  rejected: Thinking level XHIGH is not supported for this model. Please retry with other thinking level.
gemini-4-argon         high   ok  thinking 241 answer 15 finish length
gemini-4-argon         xhigh  rejected: Thinking level XHIGH is not supported for this model. Please retry with other thinking level.

最低档沿用上次运行的设置:Gemma 和 Flash-Lite 用 minimal,3.8 Flash 和 Gemini 4 系列用 low。Google 把这四个模型的 low 列为最低等级。运行时发的是 reasoning_effort: none,端点接受,上次运行测过它和 low 的思考量一样。


第三步 — 一个跑不超的预算

思考本身没有上限。单个请求能花多少,唯一的限制是输出上限,因为思考和答案共用它。所以一次运行最多花多少,开跑之前就能算出来:每个回复都用满上限,乘以输出价格,加上输入。

所有模型给同一个上限,32,768 token,这是 Carbon 和 Argon 单次非流式请求能产出的最大值。budget_run.py 会打印最坏情况,最坏情况超过预算就拒绝运行,并且把题目按三道一轮发给所有模型,每轮之前检查已花费用加上下一轮的最坏情况。

python3 budget_run.py models-high.json aime2025 aime-high --budget 20 --limit 15 --dry-run
15 questions x 7 models, output limit 32,768: worst case $16.62, budget $20.00

两档各 16.62 美元,最坏情况 33.23 美元,在合计 40 美元以内。


第四步 — 跑两档

docs/gemini-high-vs-low/evidence/run.sh high low

两档日志 aime-high.log 和 aime-low.log 的最后一行:

{"task": "aime2025", "spent_usd": 5.9455, "budget_usd": 20.0, "worst_case_usd": 16.62, "wall_s": 9749.6}
{"task": "aime2025", "spent_usd": 1.5255, "budget_usd": 20.0, "worst_case_usd": 16.62, "wall_s": 12953.1}

每个请求限时 20 分钟,最多重试三次。Gemma 4 26B 在免费额度上有两个请求四次全超时,第 2 题在 minimal,第 13 题在 high,都算错。所有付费模型在两档下都答完了每一道题。


第五步 — 分数

derived.py 从保存的回复里生成所有表格。

模型 最低档答对 最高档答对 最高档多对 / 多错
Gemma 4 31B 12 13 +2 / −1
Gemma 4 26B 9 11 +4 / −2
Gemini 3.5 Flash-Lite 9 11 +2 / −0
Gemini 3.8 Flash 12 14 +2 / −0
Gemini 4 Hydrogen 15 15 +0 / −0
Gemini 4 Carbon 15 15 +0 / −0
Gemini 4 Argon 15 15 +0 / −0

第 14 题是区分代际的那道:Hydrogen、Carbon、Argon 两档都做对了,另外四个模型两档都错了。

撞上 32,768 token 上限的回复几乎都是 Gemma 的:Gemma 4 26B 在 minimal 下四次、high 下三次,Gemma 4 31B 一次和两次,3.8 Flash 在 high 下一次。minimal 下 Gemma 的回复是在写答案时撞上限,high 下是在思考时撞的。


第六步 — 多思考花了多少钱

模型 最低档成本 最高档成本 最高 ÷ 最低 平均思考 token,最低 → 最高
Gemini 3.5 Flash-Lite $0.1937 $0.5049 2.61x 0 → 12,624
Gemini 3.8 Flash $0.2053 $0.8616 4.20x 2,801 → 14,210
Gemini 4 Hydrogen $0.3893 $1.8485 4.75x 2,468 → 15,062
Gemini 4 Carbon $0.4947 $1.9459 3.93x 886 → 11,613
Gemini 4 Argon $0.2425 $0.7847 3.24x 215 → 4,129

成本是全部 15 道题的,按 API 返回的 token 数乘以标价算。

每个正确答案的成本走势一样。最低档下 Argon 是 0.0162 美元,Hydrogen 是 0.0260 美元,Carbon 是 0.0330 美元;最高档下分别是 0.0523、0.1232、0.1297 美元,换来的还是同样的 15 个正确答案。

Hydrogen 在最低档下也会思考,这批题上每题平均 2,468 token,和 GSM8K 上一样。Argon 两档思考都最少,最高档下也比其他模型在最高档下想得少:每题 4,129 token,其他付费模型是 11,613 到 15,062。


第七步 — 差异比运气大吗

审计用的是 research-kit 里的 ablation-stat-auditor 技能,那是个检查研究统计的 Claude Code 插件:对同一批题的分数做精确配对检验,对每题的输出 token 做符号秩检验,还有 95% Wilson 区间,全部在 audit_stats.py 里算。

模型 最高档答对 [95% 区间] 最低档答对 [95% 区间] 分数配对检验 输出 token,最高 / 最低
Gemma 4 31B 13 [62.1, 96.3] 12 [54.8, 93.0] p = 1 182,736 / 79,971, p = 6.1e-05
Gemma 4 26B 11 [48.0, 89.1] 9 [35.8, 80.2] p = 0.688 246,381 / 211,934, p = 0.389
Gemini 3.5 Flash-Lite 11 [48.0, 89.1] 9 [35.8, 80.2] p = 0.5 201,684 / 77,200, p = 0.000183
Gemini 3.8 Flash 14 [70.2, 98.8] 12 [54.8, 93.0] p = 0.5 229,292 / 54,290, p = 6.1e-05
Gemini 4 Hydrogen 15 [79.6, 100.0] 15 [79.6, 100.0] p = 1 245,907 / 51,350, p = 6.1e-05
Gemini 4 Carbon 15 [79.6, 100.0] 15 [79.6, 100.0] p = 1 194,037 / 48,915, p = 6.1e-05
Gemini 4 Argon 15 [79.6, 100.0] 15 [79.6, 100.0] p = 1 77,914 / 23,694, p = 6.1e-05

区间是百分比。15 道题的情况下,对固定分数一个提升得达到 25 个百分点左右,两次运行之间得达到 35 个百分点,才能从运气里脱颖而出。这里最大的提升是两题,13 个百分点。所以每个模型的分数变化都可能是运气,而多出来的 token 除了 Gemma 4 26B 之外都超出了运气范围——Gemma 4 26B 最高档在 15 道题里有 11 道用了更多 token,因为它最低档有四个回复也撞了上限。这些区间覆盖的是抽到哪 15 道题的不确定性,来自每个模型每档的一次运行;同一次运行重复时分数会浮动多少,没有测。


第八步 — 时间

模型 每题中位秒数,最低档 最高档
Gemini 3.5 Flash-Lite 9.8 32.8
Gemini 4 Hydrogen 13.5 73.2
Gemini 4 Argon 18.0 57.4
Gemini 4 Carbon 22.7 134.3
Gemini 3.8 Flash 22.9 96.2
Gemma 4 31B 62.5 291.6
Gemma 4 26B 476.2 358.8

付费模型最高档耗时是最低档的 3.2 到 5.9 倍。免费额度的 Gemma 模型两档都最慢,整次运行的时长是被它们拖出来的。


小技巧:按最坏情况做预算,再测真实花费

开跑之前,唯一能知道的数字就是最坏情况:题数乘模型数乘输出上限乘价格。这次算出来是 33.23 美元,实际花了 7.47 美元。用预算倒推输出上限,题目分轮发,这样中途停下时每个模型都停在同样的题上。


对比一览

最低档 最高档
两档合计,7 个模型 $1.53 $5.95
Gemini 4 分数 15, 15, 15 15, 15, 15
小模型分数 9 到 12 11 到 14
超出运气的额外 token — 每个付费模型
付费模型中位耗时 9.8 到 22.9 秒 32.8 到 134.3 秒

1000 道这样的题要多少钱

按实测的每题成本推算,用标价:

模型 最低档 最高档
Gemini 3.5 Flash-Lite $12.91 $33.66
Gemini 3.8 Flash $13.69 $57.44
Gemini 4 Argon $16.16 $52.31
Gemini 4 Hydrogen $25.95 $123.23
Gemini 4 Carbon $32.98 $129.73

按 2026 年 12 月 1 日的价格,Carbon 每 1000 道变成 65.96 和 259.45 美元,Argon 变成 32.33 和 104.62 美元。Gemma 4 在免费额度上是 0 美元,代价是免费额度的速度和限流。


那到底选哪个

Gemini 4 系列做难题,从最低档开始。Hydrogen、Carbon、Argon 在最低档就答对了全部 15 题,最高档多花了 3.24 到 4.75 倍的钱、3.2 到 5.9 倍的时间,换来的答案一样。

小模型的话,最高档各自多对了一到两题,15 道题上太少,排除不了运气,代价是 Flash-Lite 的 2.61 倍和 3.8 Flash 的 4.20 倍。付这个钱之前先在你自己的题上测。

这批题上每个正确答案成本最低的是 Argon 最低档:0.0162 美元。它最高档思考也最少。

Google 把 Carbon 的最高档定位为高难度多步骤任务,比如架构、调试、安全审计。15 道所有 Gemini 4 模型在最低档就解出来的数学题,测不到那类场景。


小结

这篇文章的目标是测最高思考档在难题上买到什么、花多少钱。解法是让七个模型在思考范围的两端跑同一套 15 道 AIME 2025 题,预算的最坏情况在第一个请求之前就已知。结果如下:

  • Hydrogen、Carbon、Argon 在最低档和最高档都答对了全部 15 题。
  • 每个付费模型最高档成本是最低档的 2.61 到 4.75 倍,七个模型合计 5.95 美元对 1.53 美元。
  • 没有任何模型的分数变化大到能在 15 道题上排除运气;最大的提升是两题。
  • Argon 每个正确答案成本最低,最低档 0.0162 美元。
  • 整个试点花了 7.47 美元,最坏情况是 33.23 美元。
  • 付费模型最高档每题耗时是最低档的 3.2 到 5.9 倍。
  • Gemma 4 26B 在免费额度上超时两次,撞输出上限七次。
  • Carbon 和 Argon 的成本 2026 年 12 月 1 日翻倍。

范围说明:2026 年 11 月 15 日,一台在美国的笔记本调用 Gemini API,每个模型每档跑一次,温度 0,所有模型同一个 32,768 token 输出上限,题目是 AIME 2025 I 的 15 道。15 道题能说明多思考要花多少钱,但没法给分数差距在两题以内的模型排名。成本是 token 数乘标价。耗时包含等服务的时间,会随服务负载浮动。Google 没有说明这些模型跑在什么硬件或引擎上。

在固定预算下对比高思考和低思考的这套方法,是通过一步步增量验证出来的。


参考资料

  • gemma4-dev on GitHub
  • 这次运行的证据:回复、日志、分析和审计
  • 评分脚本和预算驱动
  • Gemini 4 or Gemma 4? It Depends.
  • AIME 2025 on Hugging Face
  • Gemini API pricing

希望你觉得有用。

常见问题(FAQ)

Gemini 4 最高思考档比最低档贵多少?

最高档成本约为最低档的4倍。实测总花费7.47美元,最低档1.53美元,最高档5.95美元,相差3.9倍。但Gemini 4三个模型在两档下都答对全部15题,多花钱没换来更多正确答案。

小模型开最高思考档能多答对题吗?

Flash-Lite、3.8 Flash和两个Gemma 4模型各自多答对1到2题,最大提升13个百分点。但15道题中需35个百分点才能排除运气,所以提升可能只是运气,建议先在自己的题上测试再决定。

怎么控制Gemini API思考预算不超支?

思考无上限,但输出上限决定单次最大花费。开跑前按每个回复用满输出上限乘以输出价格加输入来算最坏预算。本次运行预算设为33.23美元,实际只花了7.47美元。

晓婷深圳
本文由 晓婷 审核,最后更新于 2026年11月17日
联系编辑 →
← 返回文章列表
分享到:微博

版权与免责声明:本文仅用于信息分享与交流,不构成任何形式的法律、投资、医疗或其他专业建议,也不构成对任何结果的承诺或保证。

文中提及的商标、品牌、Logo、产品名称及相关图片/素材,其权利归各自合法权利人所有。本站内容可能基于公开资料整理,亦可能使用 AI 辅助生成或润色;我们尽力确保准确与合规,但不保证完整性、时效性与适用性,请读者自行甄别并以官方信息为准。

若本文内容或素材涉嫌侵权、隐私不当或存在错误,请相关权利人/当事人联系本站,我们将及时核实并采取删除、修正或下架等处理措施。也请勿在评论或联系信息中提交身份证号、手机号、住址等个人敏感信息。