核心摘要:Google开发者专家xbill于2026年11月19日使用同一评测脚本测试了Gemini API八款模型(含刚发布的Gemini 4 Neon)。数据显示Gemini 4四款模型在30道AIME 2025难题上均拿到30/30满分,但单题成本与耗时差异显著;随着Argon与Carbon将于2026年12月1日翻倍涨价,性价比拐点将正式倒向Hydrogen。
面对2026年11月密集更新的Gemini模型家族,开发者最常陷入的误区是“只看官网每百万Token标价表选模型”。Google开发者专家(GDE)xbill在2026年11月19日发布了一篇针对Gemini API八款模型的同台公开测试文章,覆盖2026年11月18日刚发布的Gemini 4 Neon,以及此前的Gemini 4 Hydrogen、Carbon、Argon、Gemini 3.8 Flash、3.5 Flash-Lite和开源免费层的Gemma 4 26B/31B。

所有八款模型全部通过同一个OpenAI兼容端点、温度设为0、使用同一套代码判分器,在GSM8K(1,319道短数学题)、BFCL simple(400次函数调用)和AIME 2025 I & II(30道高难度竞赛题)上跑出了可横向对比的真实账单。
一、标价表为什么会误导你?“思考Token”才是隐形账单
看公开单价,Gemini 4 Hydrogen输入/输出为$1.50 / $7.50(每百万Token),似乎比Argon的$2.00 / $10.00更便宜;但公开测试下来,在最低思考档位下跑AIME 2025难题,Argon平均每题仅花$0.018,而Hydrogen却花了$0.026。原因在于输出单价里包含了隐藏的“思考Token(thinking tokens)”:Argon与Carbon会自动判断要不要深度思考(难题平均思考仅118和542 tokens),而Hydrogen和Neon几乎每次请求都强制开启思考(平均思考达2,406与2,314 tokens),直接拉高了实际消耗量。

| 模型名称 | 11月标价(输入/输出 per 1M) | 12月1日起调价 | GSM8K准确率 | BFCL函数调用 | AIME 30题(低档) | 难题单题成本(低档) | AIME II中位耗时(低档) |
| — | — | — | — | — | — | — | — |
| Gemma 4 31B | 免费层 / 自部署 | 免费 | 0.9735 | 0.9675 | 12/15 (AIME I) | 免费 | – |
| Gemini 3.5 Flash-Lite | $0.30 / $2.50 | 不变 | 0.9629 | 0.9350 | 18 / 30 | $0.013 | 7.5 s |
| Gemini 3.8 Flash | $0.75 / $3.75 | 不变 | 0.9788 | 0.9400 | 27 / 30 | $0.015 | 18.3 s |
| Gemini 4 Hydrogen | $1.50 / $7.50 | 不变 | 0.9803 | 0.9550 | 30 / 30 | $0.026 | 11.3 s |
| Gemini 4 Carbon | $2.00 / $10.00 | $4.00 / $20.00 | 0.9803 | 0.9600 | 30 / 30 | $0.032 | 20.2 s |
| Gemini 4 Argon | $2.00 / $10.00 | $4.00 / $20.00 | 0.9841 | 0.9675 | 30 / 30 | $0.018 | 16.8 s |
| Gemini 4 Neon | $3.00 / $15.00 | 不变 | 0.9818 | 0.9750 | 30 / 30 | $0.049 | 40.8 s |
二、高思考档位该不该开?不同梯队的ROI截然相反
在30道AIME 2025难题测试中,关闭与开启高思考档位的收益在大小模型间呈现出完全相反的结论:
- Gemini 4系列开高思考是纯溢价:Hydrogen、Carbon、Argon、Neon在最低档位下已经全部拿到30/30满分;把思考档位调高后,准确率依然是30/30(+0 / −0),单题成本却暴涨1.86倍至4.61倍(Neon最低档$0.049,高思考涨至1.86x;Hydrogen涨至4.61x)。
- 唯独最小付费模型值得开高思考:Gemini 3.5 Flash-Lite开启高思考后,AIME成绩从18/30提升到24/30(+6 / −0,p = 0.031),成本增加2.63倍,是唯一带来显著准确率增益的挡位切换。
- Neon对比Carbon的真实定位:在高思考档位下(Google官方对比口径),Neon拿下与Carbon相同的15/15准确率,但思考Token仅4,547(Carbon为9,718,约0.47x),单题成本为Carbon的0.73倍($0.080对比$0.110),中位耗时0.68倍(73.7s对比109.1s)。
三、2026年12月1日调价拐点与四步选型决策流
文中披露了一项关键的商业时间节点:2026年12月1日起,Gemini 4 Carbon与Argon的价格将翻倍至$4.00 / $20.00。调价前Argon是全能性价比首选(难题$0.018);但从12月1日起,Argon难题成本升至$0.036,而Hydrogen维持$0.026不变且速度最快(11.3秒/题),届时Hydrogen将在成本与速度上双双反超Argon。
基于这组公开测试,企业AI部署可直接按四步决策树收敛选型:
- 必须免费或私有化自部署:直接用Gemma 4 31B(免费层或自有GPU,GSM8K达0.9735、BFCL达0.9675)。
- 简单问答或轻量函数调用:选3.5 Flash-Lite(最省最快,每千题GSM8K仅$0.66、1.10s)或3.8 Flash($1.26、0.9788)。
- 重度思考替代Carbon:需要高思考能力时,用Gemini 4 Neon替代Carbon,12月1日后成本差进一步拉大到$0.080对比$0.220(0.36x)。
- 复杂推理常规兜底:2026年11月底前优先用Argon最低档;12月1日起默认切换为Hydrogen最低档兼顾速度与账单。同时作者也坦诚提示:AIME 2025公开题库存在训练集污染可能,且长程编码与Agent表现未纳入本次数学与单步函数测试,正式上线前务必抽取20至50条自有真实请求计算“每答对一题的实付成本”。
常见问题(FAQ)
Q1:Gemini 4 Neon相比Carbon到底省钱还是更贵?
看思考档位。在最低档位下,Neon因强制思考而比Argon贵2.7—2.8倍;但在需要高思考档位的复杂任务上,Neon仅用Carbon不到一半的思考Token就达成同等准确率,单题成本只有Carbon的0.73倍,12月1日Carbon涨价后优势将扩大到0.36倍。
Q2:为什么12月1日后推荐把默认主力从Argon换成Hydrogen?
因为Carbon和Argon将于2026年12月1日从$2/$10涨价至$4/$20,Argon单道难题成本将从$0.018升至$0.036,高于Hydrogen的$0.026,且Hydrogen中位响应速度(11.3s)本就快于Argon(16.8s)。
Q3:这次公开测试能直接决定长程Agent选型吗?
不能完全替代。作者明确指出GSM8K、BFCL simple和AIME 2025未覆盖长上下文编码与多步Agent调用稳定性,选型前仍需用自有样本公开测试。
本文基于xbill于2026年11月19日在DEV Community发布的基准评测文章整理,所有价格与公开测试数据均对应原文测试口径,不作跨场景外推。
本文首发于 文旅AI可见度指数平台(https://jogeo.cn/),转载请注明出处与完整链接。
