Gemini 4 四款模型准确率全部打平,多花钱只买到更慢的速度

2026/11/20
Gemini 4 四款模型准确率全部打平,多花钱只买到更慢的速度

AI Summary (BLUF)

本文通过实测对比八款Gemini API模型(包括新发布的Gemini 4 Neon)在成本、思考开销和响应速度上的表现,给出分步选择建议。结论是:四款Gemini 4模型在准确率上持平,因此应根据成本、速度和任务难度来选择;默认推荐Gemini 4 Argon最低设置,需要高速响应时选Hydrogen,需要高思考能力时用Neon替代Carbon。

核心洞察

这篇文章最有意思的地方是它把“贵就是好”这个直觉给打穿了。Gemini 4 四个型号在难题上全都 30/30,你多花的钱买到的只是更慢的速度和更多的思考 token。我自己跑完这套数据之后最大的感受是:选模型的决策点根本不在准确率上,而在你的账单和延迟容忍度上。


谷歌在 2026 年 11 月 18 日发了 Gemini 4 Neon,我把它和之前测过的七个模型放在一起跑了一遍。同一套题、同一个接口、同一套打分脚本,八个模型全部拉齐对比。先给结论:这四个 Gemini 4 模型在难题上准确率打平,选谁只看成本和速度,跨档位选则看任务难度。

核心结论

  1. Gemini 4 的 Hydrogen、Carbon、Argon、Neon 四个型号在 30 道 AIME 2025 难题上全部答对(30/30),最低档位与高档位准确率无差异,选型决策取决于成本与延迟而非准确率。

  2. 最低档位下 Argon 每题成本最低($0.018),Hydrogen 响应最快(每题中位 11.3 秒);2026 年 12 月 1 日 Argon 涨价后($0.036),Hydrogen($0.026)成为成本与速度双优选择。

  3. Gemini 4 系列上调思考档位在难题上准确率零提升(30/30 不变),成本却上涨 1.9 至 4.6 倍;仅最小付费模型 Flash-Lite 受益,从 18 道提升至 24 道(p = 0.031),代价是 2.6 倍成本。

  4. Neon 高档位与 Carbon 准确率打平(均 15/15),但每题成本仅为 Carbon 的 0.73 倍($0.080 对 $0.110),15 道题中 13 道更便宜(p < 0.001);2026 年 12 月涨价后差距扩大至 0.36 倍。

  5. 函数调用最高分为 Neon 的 0.9750,与 Argon、Gemma 4 31B 的 0.9675 统计打平;免费或本地部署场景下 Gemma 4 31B 的 GSM8K 达 0.9735、BFCL 达 0.9675。

决策流程

按顺序回答四个问题,碰到第一个“是”就停。

  1. 必须免费或者跑在自己的硬件上? 用 Gemma 4 31B。GSM8K 0.9735,BFCL 0.9675,免费额度或者你自己的 GPU 都能跑。
  2. 任务简单,比如短问答和简单函数调用? 用 3.5 Flash-Lite,成本最低回复最快(每千题 0.66 美元,每题 1.10 秒);想要更高分就用 3.8 Flash(0.9788,1.26 美元)。
  3. 需要高强度思考,本来打算上 Carbon? 用 Gemini 4 Neon 的高档位。难题得分和 Carbon 一样,成本是它的 0.73 倍。
  4. 响应时间是第一优先级? 用 Gemini 4 Hydrogen 的最低档位。30 道难题全对,每题 11.3 秒,Gemini 4 里最快。
  5. 以上都不是? 用 Gemini 4 Argon 的最低档位。30 道难题全对,每题 0.018 美元,Gemini 4 里最便宜。注意 2026 年 12 月 1 日 Argon 价格翻倍之后,Hydrogen 反而更便宜(0.026 对 0.036)。

函数调用最高分是 Neon 的 0.9750,和 Argon、Gemma 4 31B 的 0.9675 打平。下面把每个数字的来源拆开讲。

实测发现

准确率。 Hydrogen、Carbon、Argon、Neon 在最低档位和高档位都把 30 道 AIME 2025 全做对了。这批题上四个 Gemini 4 模型排不出高下。小模型能排出差距:Flash-Lite 最低档位只对了 18 道,Argon 把它漏掉的 12 道全补上了,一道没丢(精确检验,p < 0.001)。

成本。 最低档位下一道难题 Argon 花 0.018 美元,Hydrogen 0.026,Carbon 0.032,Neon 0.049。短题(GSM8K)顺序一样:Argon 每千题 2.39 美元,Neon 6.76 美元。

思考档位。 Gemini 4 往上调档位在难题上一点没多对(30/30 不变),成本却涨了 1.9 到 4.6 倍。只有最小的付费模型吃到了红利:Flash-Lite 从 18 道提到 24 道(+6/−0,p = 0.031),代价是 2.6 倍成本。

速度。 所有模型同时跑 AIME 2025 II,Hydrogen 最低档位是 Gemini 4 里最快的(每题中位 11.3 秒),Neon 最慢(40.8 秒)。

Neon 对 Carbon。 在高档位下,Neon 每题成本是 Carbon 的 0.73 倍,15 道题里有 13 道更便宜(配对检验,p < 0.001),AIME 2025 II 上都是 15/15。中位耗时是 Carbon 的 0.68 倍,但只在 9/15 道题上更快,这个可能是运气。谷歌自己说 Neon 在 Artificial Analysis 智能指数上比 Carbon 每任务成本低 32%。

怎么用。

  • 默认用 Gemini 4 Argon 最低档位:难题全对,Gemini 4 里最便宜。
  • 响应时间优先用 Hydrogen,2026 年 12 月 1 日 Argon 涨价之后成本也优先选它。
  • 需要高强度思考的活拿 Neon 替 Carbon。
  • Flash-Lite 只用在简单任务上,或者开高档位。
  • 必须免费或本地部署就上 Gemma 4。

几个坑。 AIME 2025 从 2025 年初就公开了,有些模型可能在训练时见过这些题,这会把所有 Gemini 4 的分数一起抬高,这次没测这一点。30 道题正确率接近 90% 的时候,差距要到 15 个百分点才能和随机波动区分开,所以分数接近的都算打平。谷歌把 Neon 和 Carbon 定位在长程 agent 和编程任务上,这些测试一个都没覆盖。

测了什么

模型 输入/输出价格,每百万 token 最低档位 高档位
Gemma 4 31B、26B 仅免费额度 minimal high
Gemini 3.5 Flash-Lite $0.30 / $2.50 minimal high
Gemini 3.8 Flash $0.75 / $3.75 low high
Gemini 4 Hydrogen $1.50 / $7.50 low xhigh
Gemini 4 Carbon $2.00 / $10.00 low high
Gemini 4 Argon $2.00 / $10.00 low high
Gemini 4 Neon $3.00 / $15.00 low high

输出价格包含思考 token。Carbon 和 Argon 在 2026 年 12 月 1 日涨到 $4 / $20。Neon 只有付费档。3.8 Flash 和 Gemini 4 系列接受 none 参数但按 low 执行;Neon 在 AIME 2025 I 上发的是 low,其他测试发的是 none,两种情况每道题都会思考。Hydrogen 的高档位是它的顶格 xhigh,Neon 的高档位是 high,谷歌给它的默认值。

三个测试,全部代码打分,温度 0:

  • GSM8K,1319 道短数学应用题,加 BFCL simple,400 个函数调用,最低档位。七个模型在 2026 年 11 月 14 日一起跑;Neon 在 11 月 19 日单独跑,设置相同。
  • AIME 2025 I,15 道竞赛题,32768 token 上限,两个档位都跑,2026 年 11 月 15 日(Neon 是 11 月 19 日)。
  • AIME 2025 II,另外 15 道,同样的上限,两个档位,所有模型在 2026 年 11 月 19 日同时启动。下面的耗时对比用的是这一轮。

成本算法是每次回复上报的 token 数乘以标价。

第一步:短题大家都能对,价格差很多

模型 GSM8K BFCL GSM8K 每千题 BFCL 每千题 GSM8K 思考比例
Gemma 4 31B 0.9735 0.9675 免费 免费 0%
Gemma 4 26B 0.9742 0.9575 免费 免费 0%
3.5 Flash-Lite 0.9629 0.9350 $0.66 $0.13 0%
3.8 Flash 0.9788 0.9400 $1.26 $0.36 98%
Gemini 4 Hydrogen 0.9803 0.9550 $3.42 $1.26 100%
Gemini 4 Carbon 0.9803 0.9600 $2.81 $0.78 20%
Gemini 4 Argon 0.9841 0.9675 $2.39 $0.78 5%
Gemini 4 Neon 0.9818 0.9750 $6.76 $2.87 100%

Neon 的 GSM8K 分数和 3.8 Flash 以及所有 Gemini 4 模型打平,领先两个 Gemma 4 和 Flash-Lite。BFCL 分数领先 Hydrogen、3.8 Flash 和 Flash-Lite,和 Carbon、Argon、Gemma 4 31B 打平。每个对比都是按题做的精确配对检验,“领先”指 p < 0.05。

Hydrogen 和 Neon 最低档位也每道题都思考,这直接决定了账单:Neon 每道 GSM8K 的成本是 Argon 的 2.8 倍。

第二步:难题 Gemini 4 全对

AIME 2025 I 和 II 合起来 30 道:

模型 最低档位 高档位
Gemma 4 31B 12/15(仅 AIME I) 13/15(仅 AIME I)
Gemma 4 26B 9/15(仅 AIME I) 11/15(仅 AIME I)
3.5 Flash-Lite 18 24
3.8 Flash 27 29
Gemini 4 Hydrogen 30 30
Gemini 4 Carbon 30 30
Gemini 4 Argon 30 30
Gemini 4 Neon 30 30

Gemma 4 免费额度只跑了 AIME I。

30/30 意味着每个 Gemini 4 分数的 95% 区间是 0.89 到 1.00,这批题只能证明四个都能做对,排不出谁做得最好。3.8 Flash 最低档位漏了 3 道 Argon 做对的题,30 道里这个差距可能是运气(p = 0.25)。

第三步:思考档位只有小模型值得加钱

模型 高档位对最低档位,30 道 成本,高÷低
3.5 Flash-Lite +6/−0,p = 0.031 2.63 倍
3.8 Flash +2/−0,p = 0.50 3.45 倍
Gemini 4 Hydrogen +0/−0 4.61 倍
Gemini 4 Carbon +0/−0 3.76 倍
Gemini 4 Argon +0/−0 2.78 倍
Gemini 4 Neon +0/−0 1.86 倍

最低档位下每道难题的平均思考量:Argon 118 token,Carbon 542,Neon 2314,Hydrogen 2406。Argon 和 Carbon 自己决定想多久,大多数题上它们几乎不想。

第四步:速度 Hydrogen 先交卷

AIME 2025 II 每题中位耗时,所有模型同时跑:

模型 最低档位 高档位
3.5 Flash-Lite 7.5 秒 27.9 秒
3.8 Flash 18.3 秒 89.0 秒
Gemini 4 Hydrogen 11.3 秒 61.2 秒
Gemini 4 Argon 16.8 秒 41.3 秒
Gemini 4 Carbon 20.2 秒 109.1 秒
Gemini 4 Neon 40.8 秒 73.7 秒

短题方面,2026 年 11 月 14 日七个模型一起跑的那轮:Flash-Lite 每道 GSM8K 1.10 秒,Hydrogen 2.84 秒,3.8 Flash 3.79 秒,Carbon 7.34 秒,Argon 7.63 秒。

第五步:Neon 对 Carbon

AIME 2025 II,高档位 Neon Carbon Neon ÷ Carbon
正确 15/15 15/15
每题成本 $0.080 $0.110 0.73 倍
2026-12-01 起 $0.080 $0.220 0.36 倍
中位耗时 73.7 秒 109.1 秒 0.68 倍
每题思考量 4547 9718 0.47 倍

Neon 用一半的思考量拿到和 Carbon 一样的答案,15 道题里 13 道更便宜。速度上只在 9/15 道题更快,时间差可能是运气。同档位 Argon 每题 0.048 美元、41.3 秒,同样 15 道全对。

小技巧:按“每道正确题的成本”比模型

标价会骗人。Hydrogen 的 Gemini 4 标价最低,但最低档位下 Argon 每道难题更便宜(0.018 对 0.026),因为 Argon 大多数题不怎么想,Hydrogen 每道都想。拿你自己的 20 到 50 个请求在每个候选模型上跑一遍,账单除以做对的题数。

横向对比

Flash-Lite 3.8 Flash Hydrogen Argon Carbon Neon Gemma 4 31B
难题,最低档 18/30 27/30 30/30 30/30 30/30 30/30 12/15
每题成本,最低档 $0.013 $0.015 $0.026 $0.018 $0.032 $0.049 免费
2026-12-01 起 $0.013 $0.015 $0.026 $0.036 $0.064 $0.049 免费
每题耗时,最低档 7.5 秒 18.3 秒 11.3 秒 16.8 秒 20.2 秒 40.8 秒 仅 AIME I
每次请求都思考 否 大多数 是 极少 有时 是 否
函数调用最高分 0.9350 0.9400 0.9550 0.9675 0.9600 0.9750 0.9675

到底选哪个

任务 选 实测依据
难题推理,成本优先 Gemini 4 Argon 最低档 30/30,每题 $0.018
难题推理,速度优先 Gemini 4 Hydrogen 最低档 30/30,每题 11.3 秒
2026-12-01 之后的难题推理 Gemini 4 Hydrogen 最低档 30/30,$0.026 对 Argon 的 $0.036
需要高强度思考的活 Gemini 4 Neon 高档 Carbon 的分数,0.73 倍成本
函数调用要最高分 Neon,省钱用 Argon 0.9750 每千次 $2.87;Argon 0.9675 每千次 $0.78
短数学题,付费里最便宜 3.8 Flash GSM8K 0.9788,每千题 $1.26
简单任务要最快回复 3.5 Flash-Lite 每道 GSM8K 1.10 秒,每千题 $0.66
免费、私有或离线 Gemma 4 31B GSM8K 0.9735,BFCL 0.9675,免费额度或自己的 GPU

最后说两句

这次测试的目标是把所有 Gemini API 模型(包括 Neon)按正确率、成本和速度摆在一起。方法是同一个打分脚本、同一个接口、同一套题喂给八个模型。结果:

  • Hydrogen、Carbon、Argon、Neon 最低档位就把 30 道 AIME 2025 全做对了。
  • 其中 Argon 每题最便宜,$0.018;Hydrogen 最快,11.3 秒。
  • Neon 高档位和 Carbon 打平,成本是它的 0.73 倍。
  • Neon 函数调用最高分 0.9750,和 Argon、Gemma 4 31B 打平。
  • 高档位把 Flash-Lite 从 18 道提到 24 道。
  • Gemini 4 上高档位一点没多对,成本涨了 1.9 到 4.6 倍。
  • Neon 每次请求都思考,最低档位成本是 Argon 的 2.7 到 2.8 倍。
  • 这批题排不出四个 Gemini 4 模型的准确率高低。

范围说明:每个模型每个档位跑一次,温度 0,走 Gemini API 的 OpenAI 兼容接口,时间在 2026 年 11 月 14 日到 19 日之间,用的是当时的标价。GSM8K 和 BFCL simple 只跑了最低档位;30 道 AIME 2025 跑了两个档位,Gemma 4 只跑了 AIME 2025 I。耗时只在同一轮内可比。长程 agent、编程、比 AIME 2025 更难的测试都没测。

参考链接:

常见问题(FAQ)

Gemini 4 四个型号在难题上准确率有区别吗?该选哪个?

没有区别。Hydrogen、Carbon、Argon、Neon 在最低档位和高档位都把 30 道 AIME 2025 全做对了,排不出高下。所以选谁只看成本和速度:默认用 Argon 最低档位,它最便宜。

Gemini 4 调高思考档位能提高准确率吗?

难题上一点没多对,30/30 不变,成本却涨了 1.9 到 4.6 倍。只有最小的付费模型 Flash-Lite 吃到红利,从 18 道提到 24 道,代价是 2.6 倍成本。

需要高强度思考时,Neon 和 Carbon 怎么选?

用 Neon 的高档位替代 Carbon。难题得分和 Carbon 一样,成本是它的 0.73 倍,15 道题里 13 道更便宜,中位耗时也是 Carbon 的 0.68 倍。

晓婷深圳
本文由 晓婷 审核,最后更新于 2026年11月20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。