研究 · 2026-11-15 至 11-16 实测 · 价格 2026-11-16 核对
Gemini 4 写作评测:Carbon、Argon、Hydrogen 的 10 个思考档怎么选
续写中文长篇小说,Gemini 4 的 Argon 和 Hydrogen 开到 high 就够用;Carbon 三个思考档在盲评里分不出高低,high 却比 low 贵 3.3 倍。角色扮演和陪伴聊天没测出高思考档有任何收益,直接从 low 起手。我们是新梦(Foreverse)的开发者,这是单链自测,不是 Google 官方结论。
我们测了什么,这批数字能信到几成?
Gemini 4 一口气出了三个型号、十种思考档组合,拿它续写网文、跑角色卡或养 AI 伴侣的人问得最多的就是一句:选哪个型号,思考到底开多高?2026-11-15 到 11-16 这两天,我们把全部 10 个配置拉出来跑了一遍:Carbon 和 Argon 各测 low、medium、high 三档,Hydrogen 从 low 一直测到 xhigh 四档,全程只改思考档这一个变量。先交个底:我们是新梦(Foreverse)的开发者,新梦是手机上的 AI 小说阅读器、角色扮演和 AI 伴侣 App(Android 版在 Google Play 和官网都能装,iPhone 版在中国大陆 App Store 暂不可用)。
四类任务拆成三份子报告:两本中文小说各连续续写 20 轮,由 6 位非 Google 模型做双盲互评,同时对照原著统计句长、对话率等文风结构指标;两张中文角色卡各跑一条 20 轮主链、一条 8 级边界梯度链和共 14 个探针;再加上一段 18 轮陪伴对话与 11 个独立探针。每个配置在每本书或每张卡上只跑了一条链,没有重复抽样,所有数字都只当方向看。
写小说、跑卡、聊伴侣,各该选哪个型号和思考档?
得看具体任务。四类任务里有两类,最便宜的 low 档跟最贵的档位拉不开差距。
| 任务 | 建议起手档 | 实测数据怎么说 | 每百轮折算成本(官方牌价) |
|---|---|---|---|
| 中文长篇续写 | Hydrogen high 或 Argon high;追求盲评票面最高且不嫌贵再看 Carbon high | Argon high 对 low 赢 19:5、对 medium 赢 18:6;Hydrogen high 对 low 赢 19:5、对 medium 赢 17:7;Carbon 三档盲评分不出高低。Carbon high 对 Argon high 14:10、对 Hydrogen high 17:7,多数落在票数噪声里。 | Hydrogen high $5.24,Argon high $6.18,Carbon high $13.82 |
| 文风仿写(结构指标) | 没有哪一档值得单推 | 玄幻《踏天境》上,所有续写链的句长起伏都比原著平(句长 CV 0.43 到 0.62,原著 0.837),综合接近度跟盲评名次对不上。 | 同上 |
| 角色扮演 | 任何型号都先开 low | 14 个人设探针各档都过了 12 到 14 项,10 个配置全守住边界。用户纠正查房时间那一题,3 个 low 档全记住了新时间,其余 7 个有思考的配置里只有 Argon high 记住,属方向性信号。 | Hydrogen low $0.88,Carbon low $1.17,Argon low $1.22;Carbon high $11.68 |
| 陪伴聊天 | 任何型号都先开 low | 记忆 60/60,主动先开口 90/90,情绪回应 77/80。这套题对 10 个配置都太轻松,撞上了测量天花板,不能反推各档能力真的一样。 | 整套 29 次调用:Carbon low $0.20,Hydrogen low $0.23,Carbon high $1.41 |
Gemini 4 续写中文网文到底什么水平?
把表现最好的几档拉去跟我们早先榜单上的 DeepSeek V4 冠军链盲评对打,两本书合算下来,Carbon high 赢 15:9,Argon high 赢 13:11,Hydrogen xhigh 输 10:14,谁也没真正甩开对手。注意那几条 DeepSeek 历史链是直连 API 跑出来的,不带 CLI 外壳、每轮字数更长,《踏天境》用的还是旧版提示词,所以只能定性为「同一梯队」,不能当严格同台排名。早先的完整实验见中文续写实录馆。
思考档在三个型号上的脾气完全不同。Argon 的 low 和 medium 在 80 轮续写里连 1 个思考 token 都没吐过,medium 实际上就等于 low;Hydrogen 从 low 升到 high 明显变好;旗舰 Carbon 则是三档打平,high 档每轮思考中位数高达 8,627 token,low 档是 0,盲评却分不出高低,多花的钱和等待时间没换回可见优势。至于 Hydrogen xhigh,总票数虽以 17:7 赢过 high,但净胜票全靠《后宫甄嬛传》的 12:0 撑着,换到《踏天境》反而 5:7 落后,所以我们不写成 xhigh 更好。
不开思考还有一个明显副作用:控不住字数。提示词明确要求每轮写 80 到 220 字,结果零思考的 Carbon low、Argon low、Argon medium 平均飙到 351 到 367 字,120 轮里有 118 轮超标;只要模型开始思考,各档平均字数立刻落回 206 到 230 字。
每百轮大概要花多少钱,每轮得等多久?
实验跑在订阅额度上,实付是 $0。为了方便用 API 或按量计费的读者估账,下面把实测 token 用量按 2026-11-16 核对的 Google 官方牌价折算成美元:Carbon 与 Argon 每百万输入 token $2.00、输出(含思考)$10.00;Hydrogen 为 $1.50 和 $7.50。
| 配置 | 续写每轮思考 token(中位数) | 续写:每百轮美元 · 每轮秒数 | 角色扮演:每百轮美元 · 每轮秒数 |
|---|---|---|---|
| Carbon low | 0 | $4.18 · 19 秒 | $1.17 · 26 秒 |
| Carbon medium | 2,047 | $6.28 · 46 秒 | $5.48 · 77 秒 |
| Carbon high | 8,627 | $13.82 · 140 秒 | $11.68 · 118 秒 |
| Argon low | 0 | $4.16 · 28 秒 | $1.22 · 26 秒 |
| Argon medium | 0 | $4.17 · 26 秒 | $1.08 · 23 秒 |
| Argon high | 2,000 | $6.18 · 51 秒 | $3.46 · 57 秒 |
| Hydrogen low | 908 | $3.80 · 15 秒 | $0.88 · 11 秒 |
| Hydrogen medium | 1,697 | $4.40 · 20 秒 | $1.72 · 17 秒 |
| Hydrogen high | 2,853 | $5.24 · 27 秒 | $3.46 · 35 秒 |
| Hydrogen xhigh | 11,580 | $12.19 · 89 秒 | $5.80 · 59 秒 |
表里的秒数是单次调用的墙钟中位数,里面含了 6 到 12 秒命令行启动开销。续写每轮都要喂近 2 万 input token 的前文,所以三个不思考档位的价格几乎贴在一起。角色扮演按缓存读价折算;不过这条 CLI 通道会把前几轮的思考内容留在会话历史里反复重发,高思考档算出来比直连 API 偏贵。如果按正常 API 只带可见正文重算,Carbon high 每百轮角色扮演是 $8.31,而不是 $11.68。
实验是怎么跑的,通道和评审有哪些坑?
全部测试在 2026-11-15 至 11-16 通过 Google Antigravity CLI 的无头模式完成,以关掉工具的子 agent 方式逐轮调用。这条通道没开放 temperature、top_p 等采样开关,10 个配置统统跑默认采样,每次请求还会附带约 2k token 的固定外壳(Hydrogen 约 2.5k)。每个配置在每本书或每张卡上只有一条链,没有重复,链间差异和档位作用分不开。在切到 CLI 之前我们也试过第三方 API 中转站,结果发现部分渠道会静默吞掉思考档参数:其中一家跑续写提示词时,49 次成功调用里有 23 次(约 47%)返回的思考量跟所选档位毫无关系,所以我们把中转数据全部归档作废,只留确认思考档真正分层的 CLI 结果。
双盲评审全部请非 Google 模型当裁判:续写 6 位,角色扮演与伴侣 3 位。每组对比都把甲乙顺序对调重评一次,凡是只认位置不认内容的选票一律作废,最终续写筛掉了 41% 的选票(312 票作废 128 票),角色扮演更是筛掉 69.4%(108 次判断作废 75 次)。另外,CLI 输出侧的安全过滤还拦下过无害回复:角色扮演有 4 条链共 5 次尝试、伴侣有 1 条链,明明输入的是日常对话却在输出端被拦,只能开新会话整链重跑。
这组数据回答不了什么?
如果你关心下面几件事,别直接套这张表,拿自己的文本实测几轮更稳。
- 英文小说和外文卡表现如何:这次两本测试书和全部角色卡、伴侣脚本都是中文。
- 跟 Claude、GPT 比谁更强:本轮没跑别家模型,唯一的外界参照是早先的 DeepSeek V4 历史链,生成条件并不完全一致。
- 更长的对话里思考档表现如何:角色扮演主链只跑了 20 轮,伴侣 18 轮,伴侣那套题又太容易。
- 你的书或卡究竟最吃哪一档:每格只有单条链,两档之间的差距完全可能只是运气。
- 走 API 直连时的表现:命令行锁死了默认采样,temperature 和输出上限都没测。
新梦里能用 Gemini 4 吗,思考强度去哪调?
我们在 2026-11-16 核对了 Android 端源码和服务端官方模型目录(iPhone 端界面暂未逐屏核对)。官方积分渠道目前上架了 Gemini 4 Carbon 和 Argon,还没有 Hydrogen;如果你自带 Google API Key,可以手动填入模型 ID,但我们还没在 App 里实跑过 Hydrogen。模型列表里标着「% Off」折扣的 Gemini 4 条目走的是第三方上游,不在本次测试范围内,结论不能直接套用。
在 Android 版新梦里,思考强度按功能分两处管。角色扮演聊天和小说续写看供应商设置:进「我的 → AI 模型与服务 → 模型供应商」,点开所用供应商,在高级设置里打开「生成参数(酒馆兼容)」,把 Reasoning Effort 设为 off、low、medium 或 high,再点「应用高级参数」那一行的「保存」。AI 伴侣聊天、主动先开口消息等后台任务走的是 Agent 引擎,要去「我的 → 高级设置 → Agent 智能体 → Agent 能力 → 思考强度」里点按循环切换关闭、低、中、高。两边都没有 xhigh 档。走官方渠道时,低、中、高会原样传给 Gemini 当思考档位;选关闭则不传该字段,按 Google 文档回落到模型默认值(Carbon 和 Argon 默认都是 medium)。自带 Google Key 时思考档的具体传递表现,我们还没有核对。
常见问题
Gemini 4 写中文小说,选 Carbon、Argon 还是 Hydrogen?
讲求稳妥和性价比,选 Hydrogen high(每百轮续写 $5.24,单轮中位 27 秒)或 Argon high($6.18,51 秒)。Carbon high 盲评票面略占优,但每百轮要 $13.82、单轮等 140 秒。我们只跑了两本中文书且每格单链,动笔前建议拿自己的章节试几轮。
Gemini 4 Carbon 写小说比 Argon 强吗?
没拉开明显差距。Carbon high 对 Argon high 盲评是 14:10,落在票数噪声范围内,成本却是后者的约 2.2 倍($13.82 对 $6.18),等待时间约 2.7 倍(140 秒对 51 秒)。而且 Carbon 自己的 low、medium、high 三档在盲评里根本分不出高低。
Hydrogen 的 xhigh 档比 high 档写得更好吗?
不能一概而论。xhigh 对 high 总票数虽然赢了 17:7,但赢面全来自《后宫甄嬛传》的 12:0,在玄幻《踏天境》上反而是 5:7 落后,价格却是 high 的 2.3 倍、耗时 3.3 倍。
跑角色卡和聊 AI 伴侣,有必要把思考档开高吗?
在我们的测试里没找到理由。14 个人设探针各档都过了 12 到 14 项,伴侣情绪题 80 项过了 77 项(仅有的 3 项失分全出在 Argon medium)。反过来,角色扮演开 Carbon high 的成本差不多是 Carbon low 的 10 倍(每百轮 $11.68 对 $1.17)。先从 low 起手。
这组评测结论能套用到英文写作,或者拿去跟 Claude、GPT 比吗?
不能。两本测试小说和所有角色卡、伴侣剧本都是中文,本轮也没有同场跑 Claude 或 GPT;唯一引用的外部对手是早先榜单里的 DeepSeek V4,生成通道和参数条件也不完全一样。
本页依据
- Gemini API 文档:模型列表(2026-11-16 查看)
- Gemini API 文档:Gemini 4 Carbon(2026-11-16 查看)
- Gemini API 文档:Gemini 4 Argon(2026-11-16 查看)
- Gemini API 文档:Gemini 4 Hydrogen(2026-11-16 查看)
- Gemini API 价格页(2026-11-16 查看)
- Gemini API 文档:思考档位(2026-11-16 查看)
- Antigravity CLI 文档:无头模式(2026-11-16 查看)