Ngày 12/11, Google DeepMind giới thiệu Gemini 4 Hydrogen, được định vị là “tay nhanh” cho công việc lập trình hằng ngày và các tác vụ agent. Mô hình cùng thế hệ thứ tư với Gemini 4 Carbon và Gemini 4 Argon; hai mô hình sau thiên về suy luận sâu trên chuỗi tác vụ dài, còn Hydrogen lo phần thực thi nhanh, có thể dùng độc lập hoặc làm bộ máy thực thi trong hệ thống phối hợp nhiều mô hình.
Giá là 1,5 USD cho mỗi triệu token đầu vào và 7,5 USD cho mỗi triệu token đầu ra. Google nhấn mạnh mức giá được áp dụng thống nhất trên toàn bộ cửa sổ ngữ cảnh 1 triệu token, không chia bậc theo độ dài. Ngữ cảnh đầu vào là 1 triệu token, đầu ra tối đa cũng lên tới 1 triệu token.
Điểm chuẩn: so với thế hệ trước và với flagship cùng nhà
Các kết quả Google công bố chủ yếu lấy Gemini 3.8 Flash của thế hệ trước làm mốc so sánh:
- Điểm Terminal-Bench 4.1 đạt 57%, trong khi 3.8 Flash là 18,2%, tức tăng hơn gấp ba;
- Ở mức high mặc định, tốc độ hoàn thành tác vụ nhanh gấp 2,5 lần 3.8 Flash;
- Tình trạng bịa đặt thông tin giảm xuống còn chưa đến một phần năm;
- Các đối tác thử nghiệm trên biểu đồ phức tạp, SQL và quy trình doanh nghiệp nhiều dữ liệu cho biết tốc độ nhanh hơn 2 đến 2,8 lần, lượng token tiêu thụ ít hơn 12% đến 23%.
Một số chỉ số khác được nêu riêng: HLE-Diamond đạt 58,8%, bài kiểm tra tác tử thuế của Vals đạt 52,3% (đứng đầu bảng xếp hạng chung), bài kiểm tra truy xuất pháp lý của Vals đạt 55,8% (đồng hạng nhất), còn Agents' Last Exam v1.1 đạt 71,6%.
Các mức suy luận tăng từ ba lên bốn: bên trên low, medium và high có thêm xhigh. Theo Google, các mức này tăng dần “mượt mà và dễ dự đoán”, người dùng chỉ phải chờ và trả tiền cho đúng độ sâu suy luận mà tác vụ cần.
Đáng chú ý nhất là phép so sánh với chính nhà. Theo Chỉ số Trí tuệ của Artificial Analysis mà Google trích dẫn, Hydrogen ở mức high mặc định đạt 51 điểm, Argon là 50 điểm; bật xhigh thì lên 54 điểm. Một mô hình định vị “thực thi nhanh” nhưng ngay ở mức mặc định đã vượt mẫu tiên phong cùng thế hệ.
Đặt vào cùng tầm giá
Nhìn theo số liệu bên thứ ba: kết quả Artificial Analysis đăng trên mạng xã hội cho thấy Hydrogen ở mức xhigh thấp hơn Claude Sonnet 5.5 (max) và GPT-6.1 Sol (max) mỗi bên 1 điểm; chi phí cho mỗi tác vụ khoảng 32% so với Sonnet 5.5, nhưng gấp khoảng 2,5 lần GPT-6.1 Sol. Nói cách khác, so với mẫu tầm trung của Anthropic thì nó rẻ hơn nhiều; còn so với phân khúc này của OpenAI thì nó không có lợi thế về giá.
Về công cụ lập trình, phía Cursor cho biết Hydrogen đã có mặt trên Cursor, đạt 54,3% điểm CursorBench ở mức effort mặc định, trong khi 3.8 Flash là 39,6%. Bộ số liệu này do Cursor công bố, không có trong blog của Google.
Thử so giá với các “anh em” cùng nhà. Gemini 4 Carbon trong giai đoạn khuyến mãi có giá 2 USD đầu vào và 10 USD đầu ra cho mỗi triệu token, sang tháng 12 sẽ tăng lên 4 USD và 20 USD. Tính nhẩm theo mức giá chuẩn sau khi tăng, đơn giá của Hydrogen bằng khoảng 37,5% Carbon. Trong thử nghiệm bộ điều phối Antigravity, Google tự đưa ra kết luận rằng khi Hydrogen đóng vai trò phía thực thi, tỷ lệ hoàn thành tác vụ “gần bằng Carbon”, trung bình dùng ít hơn 24% hạn mức và nhanh hơn 19%.
Dùng ở đâu
Nhà phát triển có thể gọi mô hình qua Gemini API, AI Studio và Android Studio; người dùng doanh nghiệp có thể dùng trong API, menu chọn mô hình, Google Antigravity và Google Sheets bản thuê bao thương mại đủ điều kiện. Trong ứng dụng Gemini, mô hình nằm trong menu chọn mô hình; người dùng miễn phí không cần tự chọn, hệ thống sẽ tự động chuyển cho nó khi thấy câu lệnh phù hợp. Với Google Search, mô hình đang được triển khai dần cho người dùng toàn cầu.
Gemini trong Antigravity và Sheets trước hết dành cho người đăng ký Google AI Pro và Ultra trả phí. Blog không nhắc đến Vertex AI, cũng không nêu riêng hạn mức gọi API ở gói miễn phí.
Về an toàn, Google cho biết so với 3.8 Flash, các thao tác vượt quyền trong tác vụ agent giảm tối đa 81%, hành vi lệch chuẩn và “đi đường tắt” trong các bài đánh giá gọi công cụ và lập trình giảm còn một phần mười hai, và điểm trong bài đánh giá độ trung thực của agent nội bộ là 96,7%. Tất cả đều do Google tự kiểm tra; thẻ mô hình đã được công khai, nhưng chưa có kết quả tái hiện từ bên thứ ba.
Nguồn tham khảo: blog chính thức của Google, Artificial Analysis, CocoLoop, Cursor; đơn giá API, độ dài ngữ cảnh và các điểm chuẩn được đối chiếu với blog chính thức của Google, còn chi phí mỗi tác vụ của các mô hình cùng phân khúc theo cách tính Artificial Analysis công bố.