AREX Feed Article
独立评测者 Paweł Huryn 实测 Gemini 4 Hydrogen：105 个重植 bug 修复 32.7 个、距 Sonnet 5.5 xhigh 档 3.3 分；Antigravity 同日上线 Orchestrator 双档
Gemini 4 Hydrogen 发布后不到一天，AI 产品经理 Paweł Huryn 在自己的 榜单上贴出他称为「首批结果」的：在两个生产代码库的 105 个重植 bug 中，Hydrogen 最高 xhigh 档三次运行平均修复 32.7 个，低于 Claude Sonnet 5.5 xhigh 档的 36.0，高于 Claude Haiku 5.5 max 档的 21.5。五个多小时后的 11 月 13 日 22 时（UTC）， 官宣 Gemini 4 Hydrogen 进入 Google Antigravity，模型下拉菜单同时新增 Orchestrator (Carbon) 与 Orchestrator (Argon) 两个形态，在同一会话内由重模型规划、Hydrogen 执行写码与测试。
Hydrogen 是 Google 于 11 月 12 日发布的快速日常编码与智能体模型，官方将其定位在 Carbon 与 Argon 两款前沿模型之下，称其为「智能体工作流的日常主力」，完成任务速度为 Gemini 3.8 Flash 的 2.5 倍，API 定价每百万 token（词元）输入 1.5 美元、输出 7.5 美元（）。 转述的 Artificial Analysis 独立指数给其最高 xhigh 档（Google 新设的最高思考档）54 分、默认 high 档 51 分，比 Sonnet 5.5 与 GPT-6.1 Sol 的最强档各低 1 分——这是 Google DeepMind 六周内的第三款新模型。两套测量的口径并不相同：指数测的是跨任务的通用智能，Huryn 的榜单测的是真实仓库里能否修好一个具体的 bug。
Bug Hunt Bench 的题目库与盲评规则
Bug Hunt Bench 由 Huryn 运营，他是面向产品经理与开发者的通讯 The Product Compass 的作者。榜单的题目库是两个互不相关的生产代码库：一个约 2.8 万行的 TypeScript VS Code 扩展（45 个 bug）和一个约 6 万行的 React/Supabase 学习管理系统（60 个 bug）。据，绝大多数题目是把仓库自身修复历史里的修复提交回退、重新植入的真实回归；测试套件保持全绿，不给模型任何指向答案的线索。被测模型拿同样的提示词，在各自的官方智能体命令行工具（CLI）——Claude Code、Codex CLI 或 Antigravity CLI——里对每个仓库各跑一轮，产生的代码改动（diff）——而不是模型的自我报告——作为评分依据，由不知道模型身份的独立评测者对照扣留的答案键盲评。分数只计 105 个重植 bug 的修复；模型顺手修掉的题外问题单独记录、不计分，防止靠罗列问题刷分。
11 月 13 日的这次更新把 Hydrogen 的四个思考档全部搬上榜单——Huryn 在推文里预告「今晚在本帖补齐更多档位」，当天榜单页就给出完整结果。截至该次更新，全榜共 220 行结果、341 次评分运行。
Hydrogen 的四档成绩与 Huryn 的四条对比
Hydrogen 自己的阶梯是：xhigh 档 32.7（三次运行分别修复 43、27、28 个），high 档 28.3，medium 档 24.7，low 档 10.3。Huryn 在推文里的四条对比，其中两条未注明用的是哪一档；与数据吻合的是 high 档：对 Claude Haiku 5.5 (max)，Hydrogen high 档更强（28.3 对 21.5）也更便宜（4.42 美元对 5.83 美元）；对 GPT-6 Luna (max)，Hydrogen high 档更强（28.3 对 18.3）、更快（18.8～25.2 分钟对 99.2 分钟）——但 Luna 每次全量运行只要 0.52 美元，所以推文只说「更强、更快」，没提更便宜。对 GPT-6.1 Terra (xhigh) 的「明显高于」：Terra 该档只有 11.3 分， 注明 Terra 在这个档位只用了 max 档约十分之一的推理 token、提前收工，低分是该档位下的模型行为而非运行故障。
| 模型（思考档） | 修复 / 105 | 运行次数 | 每次成本 | 耗时 |
|---|---|---|---|---|
| Gemini 4 Carbon（high） | 57.3 | 3 | 31.32 美元 | 114.0 分钟 |
| GPT-6.1 Sol（xhigh） | 42.7 | 3 | 4.35 美元 | 98.7 分钟 |
| DeepSeek V4.1 Flash（max，DeepSeek Harness） | 42.7 | 7 | 1.84 美元（实付账单） | 62.1 分钟 |
| Gemini 4 Argon（high） | 40.7 | 3 | 7.16 美元 | 56.5 分钟 |
| Claude Sonnet 5.5（xhigh） | 36.0 | 3 | 42.86 美元 | 72.7 分钟 |
| Gemini 4 Hydrogen（xhigh） | 32.7 | 3 | 7.07 美元 | 27.9～48.9 分钟 |
| Gemini 4 Hydrogen（high） | 28.3 | 3 | 4.42 美元 | 18.8～25.2 分钟 |
| Gemini 4 Hydrogen（medium） | 24.7 | 3 | 2.10 美元 | 10.4～30.4 分钟 |
| Claude Haiku 5.5（max） | 21.5 | 2 | 5.83 美元 | 32.5 分钟 |
| GPT-6 Luna（max） | 18.3 | 3 | 0.52 美元 | 99.2 分钟 |
| GPT-6.1 Terra（xhigh） | 11.3 | 3 | 0.75 美元 | 15.9 分钟 |
| Gemini 4 Hydrogen（low） | 10.3 | 3 | 0.43 美元 | 7.0～7.4 分钟 |
表中成本为按各家官方牌价折算的估算，仅 DeepSeek 行是实付账单；Hydrogen 行按其 API 牌价折算，作者据 Argon 行的核对经验提示这类估算可能偏低。每次全量运行指在一个档位上跑完两个仓库的全部 105 题，耗时为实际经过的墙钟时间（wall clock）。成本一侧，Hydrogen xhigh 档每次约 7.07 美元，约为 Sonnet 5.5 xhigh 档（42.86 美元）的六分之一。评测者并不完全统一：Hydrogen 四档均由 GPT-6.1 Sol 盲评（作者惯用的 Grok 评测者余额耗尽），Carbon 行由 Grok 4.7 盲评、Argon 行由 GPT-5.5 盲评；作者在一处交叉核对里记录，两位评测者打分接近但「不可互换」。
xhigh 档的领先建立在单次 Pro 订阅运行上
xhigh 档是这份成绩单里最需要小心读的一行。三次运行的分数是 43、27、28，离散 16 分：第一次跑在 Google AI Pro 订阅上，账号随后转到 AI Ultra，后两次都在 Ultra 上完成。Huryn 在注释里写明，由于只有一次运行在 Pro 上，榜单无法区分这个差异来自订阅计划还是运行方差；同为 Ultra 时，xhigh 两次平均 27.5，反而略低于 high 档的 28.3——他的原话是「打平，且 high 档更便宜更快」「xhigh 档的领先建立在唯一一次 Pro 运行上」。探针测试确认 xhigh 档确实思考更多：7,691～12,769 个思考 token，对 high 档的 5,400～6,161。
那次 43 分的 Pro 运行还顺手修复了 74 个题外 bug（其中 73 个集中在第二个仓库），模型在该档把编辑面铺得很开——这些修复照例不计分。验证上另有一个边界：Hydrogen 经 Antigravity CLI 1.5.8 以订阅登录运行，这条路径无法在请求层面读回实际服务的模型，只能依据 CLI 的自报。
Antigravity 上线 Orchestrator (Carbon)/(Argon)：重模型管规划，Hydrogen 管执行
11 月 13 日 22 时 08 分（UTC）， 宣布 Gemini 4 Hydrogen 进入 Google Antigravity，并在模型下拉菜单推出新的 Orchestrator 模式，含 Orchestrator (Carbon) 与 Orchestrator (Argon) 两个形态。Google 给出的理由写在推文里：「在每个小改动上都跑重型前沿模型，会拖慢你、烧掉配额。」Orchestrator 的机制是：Carbon 或 Argon 在同一会话里探索依赖、制定计划；Hydrogen 快速写码、更新依赖包并运行测试；测试失败时，重模型回接、调整计划后继续执行。
把这套机制与静态「模型路由器」做了区分：路由器按第一条提示猜测任务难度、把整个任务路由给「够用且最便宜」的模型，任务演化后就失灵；Orchestrator 则在单条任务轨迹内随阶段动态双向切换。博客同时给出官方口径：Orchestrator 在 Terminal-Bench 4.1 上取得接近 Carbon 的任务成功率，平均少耗 24% 配额、快 19%——这些数字目前只有 Google 自报。分档方面，AI Ultra 订阅用户可用两个形态，付费 AI Pro 用户可用 Orchestrator (Argon)，企业用户经 Gemini for business 获取两档；博客还提到 Carbon 与 /swarm（并行代理群集功能）本周早些时候上线后，「短短几天已有数万个 swarm 在 Antigravity 上启动」。
当天，Gemini 应用官方账号连发两个 Hydrogen 演示：把全球实时雷击映射成生成式配乐与视觉涟漪的，以及用自定义技能从公共领域档案影像剪出、以元素「氢」为主题的——均为官方单方演示。
智能指数中领先 Argon 4 分，真实仓库榜单中落后 8 分
两份独立成绩单在 Argon 身上给出了相反的排序。Artificial Analysis 的智能指数里，Hydrogen（xhigh，54 分）比更大的 Argon（50 分）高 4 分；Huryn 的真实仓库榜单里，Hydrogen xhigh 档的 32.7 比 Argon high 档的 40.7 低 8 分，比 Carbon high 档的 57.3 低 24.6 分——而三次运行的成本（7.07 美元）与 Argon（7.16 美元）几乎持平，耗时（27.9～48.9 分钟）明显短于 Argon 的 37.4～84.7 分钟。由于两行的盲评者不同（Hydrogen 行由 GPT-6.1 Sol、Argon 行由 GPT-5.5 盲评），这个反差只能作为参考，不是严格同口径的对比。
Artificial Analysis 自己也标出过 Hydrogen 的弱项：Terminal-Bench 4.0 上它得 54%，低于 Claude Sonnet 5.5 的 64% 与 GPT-6.1 Sol 的 56%；xhigh 档的冗长度在 77 个模型里排倒数第二，每任务 13.7 分钟（据 Trending Topics 转述）。Huryn 的评论区里，有开发者直接点出「在这份榜单上 Hydrogen 比 GPT-6.1 Sol 更差也更贵」——榜单上 Sol xhigh 档 42.7 分、每次 4.35 美元，对 Hydrogen xhigh 档 32.7 分、每次 7.07 美元，与榜单数据一致。榜单前部也不全是旗舰价：DeepSeek V4.1 Flash 在 DeepSeek 自家的智能体框架（Harness）里以 42.7 分、1.84 美元实付账单完成全量运行。
眼下能核对的边界是：这份榜单的全部 220 行结果都出自 Huryn 一人的运行，方法与原始数据公开在 GitHub 上；Google 的 Orchestrator 效率数字则只有官方自报口径。Huryn 给 Hydrogen 的定位写在推文末尾——「非常适合当真正能干活的快速子代理（subagent）」——在他自己的榜单上对应的数字是 high 档 28.3 分、每次 4.42 美元、耗时不到 26 分钟；这个定位在别人的仓库和工作流里是否成立，公开数据里眼下还只有这一份榜单。