AREX Feed Article
Artificial Analysis 评测 Gemini 4 Hydrogen：AA-Robotics 基准列第 4，居 Google 模型之首
在 Google 于 11 月 12 日 18:00 UTC（北京时间 13 日凌晨 2 时） 不到四小时后，独立评测机构 在 X 上发布了对这款新模型的机器人操作评测：在 AA-Robotics v0.1 上，Gemini 4 Hydrogen 位列总榜第 4，是榜上排名最高的 Google 模型，落后于 Claude Fable 5.2（75 分）、GPT-6 Astra（69 分）与 GPT-6.1 Sol（65 分）。AA 还记下一个细节：Hydrogen 在执行任务时主动指出了自己的失误。
Gemini 4 Hydrogen 是 Google 定位在 Gemini 4 Carbon 与 Argon 之下的快速执行模型：官方称 Carbon 与 Argon 擅长深度、长程推理，Hydrogen 面向日常编码与各类智能体（agentic）工作流。Google 的发布口径包括：默认 high 档在 Artificial Analysis Intelligence Index 上得 51 分、超过 Argon 的 50，最高 xhigh 档 54 分；完成任务速度较 Gemini 3.8 Flash 快 2.5 倍，Terminal-Bench 4.1 得 57%、超过三倍于后者的 18.2%；定价在整个 100 万 token 上下文窗口内统一，每百万 token 输入 1.5 美元、输出 7.5 美元。模型当日推向 Google AI Studio 各档位、Gemini API、Gemini 应用与 Google 搜索，付费 Google AI Pro 与 Ultra 订阅用户可在 中使用，推理深度分四档：low、medium、high（默认）与 xhigh。
六轴机械臂、八项桌面任务：AA-Robotics 如何打分
是 Artificial Analysis 于 10 月 14 日上线的 research preview（研究预览版），测的是前沿语言模型在物理世界的理解、规划与操作能力。每个受测模型运行在一套编码智能体框架里，直接控制一只 Hiwonder NexArm 六轴机械臂（5 个关节加一个夹爪），通过一个简单的 HTTP API 下发动作；场景由四台相机观察——三台装在桌面四周，一台装在机械臂腕部。任务全部零样本，模型提交完成后，由人工裁判按各任务的通过标准对最终状态打分：完成得 100 分，未完成按进度记部分分。
首批八项桌面任务取材于日常动作：按下红色按钮、把鳄鱼玩具放进矩形框、把饮料从瓶子倒进杯子、把四块积木收进盒子再合上盖、形状配对、用马克笔写下 hello world、搭最高的泡沫塔、量出盒子的长宽高。其中倒饮料一项要求「饮料在杯中、没有洒出、没有打破任何东西」，收纳积木要求「四块积木都在盒内、盖子齐平」。
10 月首轮上榜的五款模型中，GPT-6 Astra 以 69.4 分居首，GPT-6.1 Sol 64.6 分，Gemini 4 Argon 55.3 分——当时唯一的 Google 模型——Claude Opus 5.5 48.8 分，Claude Fable 5.1 46.3 分。AA 当时测算：模型平均每题约半小时，比人类（平均 20 秒）慢约百倍；单题成本从 GPT-6.1 Sol 的 1.93 美元到 GPT-6 Astra 的 16.36 美元不等。
Fable 5.2 升至第一，Hydrogen 超过 Argon
AA 在 11 月 12 日 21:40 UTC（北京时间 13 日晨 5:40）的帖文只有两句话，第一句给出 Hydrogen 的排位。与 10 月首轮相比有两个变化：首轮五款受测模型里没有 Fable 5.2——当时 Claude 阵营的 Fable 5.1 只有 46.3 分——如今 Fable 5.2 以 75 分排在第一；Hydrogen 则取代 Argon，成为榜上排名最高的 Google 模型。若 Argon 的 55.3 分维持不变，Hydrogen 的分数应在 55.3 到 64.6 之间（帖中 Astra 的 69、Sol 的 65 为取整值），但这个数字本身 AA 尚未公布。
洒出的饮料、没合上的盖子：AA 特意记下的第二句话
帖文的第二句写道，Hydrogen「对自己的表现非常诚实」——倒饮料时指出洒了一点，收积木时指出盖子没有合上。这两项正是把「没有洒出」「盖子齐平」写进通过标准的任务，做不到就只能按进度记部分分。这两项在 10 月首轮里同样难倒了不少模型：倒饮料只有 GPT-6 Astra 与 Argon 拿到满分，Claude Opus 5.5 与 Fable 5.1 得了部分分，GPT-6.1 Sol 直接得 0 分；收纳积木只有 GPT-6.1 Sol 满分，其余四款一律 40 分。Hydrogen 在这两项各得多少分，帖文没有说。
GamowLabs 自建基准：四项里三项超过 Claude Opus 5.5
同一晚、比 AA 早 17 分钟（北京时间 13 日晨 5:23），独立研究者 Daniel McKinnon 在 中发布了对 Hydrogen 的实测，其个人简介标注为 AI x Genetics @GamowLabs。四项自建基准里 Hydrogen 赢了三项：LabBench（从实验室证据推理出正确的下一步实验）46.0% 对 40.2%，LabRobotBench（操作机器人实验室、并从中断的实验中恢复）31.7% 对 23.0%，ScreenBench（发现筛选板记录里隐藏的错误）70.2% 对 47.2%；RareBench（识别罕见病案例中的因果发现）一项输给对方，49.2% 对 51.6%。他称 Hydrogen 价格更低、延迟更低、吞吐更高，并附上一段视频，称其中的实验室工作单元（workcell）仅凭一条自然语言 prompt（提示词）就自主跑完了一个实验——他写道，Hydrogen 的速度与智能相结合，让它能在实验回路中作为实时智能体与其实验室机器人协同工作，这一表现也反映在 LabRobotBench 的高分上。
他帖子链接的 印证了上述四个数字，也补上了帖文没有的背景：RareBench 榜首其实是 Gemini 4 Carbon 与 Claude Fable 5.2（61.5% 并列），Hydrogen 的 49.2% 排第五；ScreenBench 上 Fable 5.2 以 0.703 微弱压过 Hydrogen 的 0.702；LabRobotBench 目前只有 3 个任务、6 个配置，榜首是 GPT-6.1 Sol（46.7%），Hydrogen 的 31.7% 排第二。榜单还注明 Hydrogen 的受测配置运行在 Google 自家的 Antigravity 环境里，LabRobotBench 一项用的是 Gemini CLI。
还没公布的分数
截至本文核实（北京时间 11 月 13 日），两份独立评测各留着一个缺口。AA 网站上的 AA-Robotics 文章仍只列有 10 月那五款模型的成绩，Hydrogen 的总分与八项任务的逐项明细尚未出现在其中。GamowLabs 的四项对比全部来自该实验室自建自测的基准——LabRobotBench 只有 3 个任务，ScreenBench 注明每任务只跑一次——数据未经第三方复核。
Google 发布时引用的各项数字——Intelligence Index 得分、对 3.8 Flash 的提速、Terminal-Bench 4.1 对比、统一定价——均未被这两份评测直接重测；其发布材料列举的基准集中在编码、智能体与知识工作（SWE-sweep、Agent Arena、HLE-Diamond、Vals 的税法与法律研究基准、AutomationBench-AA、Agents' Last Exam 等），没有一项测物理世界操作。这次出现的两个独立坐标——控制机械臂与驱动机器人实验室——测的正是这块空档；AA 榜单更新后，Hydrogen 的具体得分会是下一个该看的数字。