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 Neon2026年11月18日发布的Gemini 4系列模型,定位高思考能力,成本低于Carbon。,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
Gemini 4 的 Hydrogen、Carbon、Argon、Neon 四个型号在 30 道 AIME 2025The 2025 American Invitational Mathematics Examination, where Gemini 2.5 Deep Think achieved an 88% accuracy rate. 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。
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。
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。
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。
函数调用最高分为 Neon 的 0.9750,与 Argon、Gemma 4 31BGoogle 发布的开源大语言模型,支持文本和图像输入,上下文长度 262,144 token,通过 SGLang 后端提供服务。 的 0.9675 统计打平;免费或本地部署场景下 Gemma 4 31B 的 GSM8KGrade School Math 8K benchmark for evaluating mathematical reasoning capabilities of language models. 达 0.9735、BFCLBerkeley 函数调用基准(Berkeley Function Calling Leaderboard),用于评估模型调用工具/函数的能力。 达 0.9675。
决策流程
按顺序回答四个问题,碰到第一个“是”就停。
- 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。
- 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)。
- 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。
- 响应时间是第一优先级? 用 Gemini 4 HydrogenGoogle最新一代AI模型,专为搜索优化,具备更强的推理、指令遵循和工具调用能力。 的最低档位。30 道难题全对,每题 11.3 秒,Gemini 4 里最快。
- 以上都不是? 用 Gemini 4 ArgonGemini平台上的前沿推理模型,适用于复杂多步推理、代码生成等任务。 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谷歌于2026年10月28日发布的前沿AI模型,专注于网络安全防御和长周期工程任务,宣称在多项基准测试中表现领先。 | $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 APIThe application programming interface for integrating and calling the Gemini 3.0 model. 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:
- 本文证据:https://github.com/xbill9/gemma4-dev/tree/main/docs/gemini-which-model/evidence
- Gemini 4 Neon 发布公告:https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-neon/
- Gemini API 定价:https://aistudio.google.com/docs/pricing
- AIME 2025 题目:https://huggingface.co/datasets/opencompass/AIME2025
- gemma4-dev 仓库:https://github.com/xbill9/gemma4-dev
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。
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。




