研究 · 2026-11-15 至 11-16 实测 · 价格 2026-11-16 核对
Gemini 4 做 AI 伴侣:10 个思考档、一位书店店员、每档 29 次调用
拿 Gemini 4 做 AI 伴侣,思考档开 low 就够用,实测跟最贵档表现一样:60 道记忆题全对,30 条先开口消息都在 60 字内,情绪 80 项过 77 项(3 项失分全在 Argon medium)。高档贵 6.5 到 7.2 倍、慢约 7 倍;这套题太容易,分不出档位,属天花板而非证明相等。
我们给 Gemini 4 喂了什么伴侣人设,又是怎么判分的?
许知夏,28 岁,在老城区独立书店看店,养一只橘猫,微信口吻,习惯先听人把话说完再接茬。2026-11-15 到 11-16,我们把这份人设连同用户「阿远」的 12 条长期记忆——包括芒果过敏、住址更正,以及一件绝不能主动戳破的伤心事(考研二战没上岸)——原封不动喂给 10 个 Gemini 4 配置。每个配置跑一条 18 轮对话链(分三个晚上、每晚 6 轮、中间各隔两天,每条消息带时间标记),再加 11 个全新会话的独立探针:6 道记忆题、3 条主动先开口消息、2 个情绪场景。290 次调用全部正常吐出正文。我们是新梦(Foreverse)的开发者,新梦有 AI 伴侣,读这组数据时请考虑这一点。
调用统一走 Google Antigravity CLI 无头模式,关掉全部工具当子 agent 跑。思考档是唯一变量,采样保持默认,每次请求带约 2k token 的固定外壳(Hydrogen 约 2.5k),每格单链、每个探针单次调用。先开口和情绪题交给 3 位非 Google 模型评委盲审:先把 10 条匿名回复打乱评一轮,再整体倒序重评一轮,前后结论一致才算有效票,三位评委的有效票率分别是 100%、98% 和 94%。文中的美元金额是用订阅实测 token 数按官方牌价折算出来的;早先试过的部分 API 中转站会无视思考档参数,数据已全部弃用。另外测试素材留有两处不影响判分的小瑕疵:记忆文件抬头日期比对话链晚一天,以及一道探针的晚上时间标记配了「下午茶」的说法,一并记在这里。
10 个思考档跑下来,成绩单长什么样?
「记忆」含 6 道独立回忆题加 2 项链内检查;「先开口」是 3 个场景各审 3 条标准(带上具体记忆、时间合理、不给人压力);「情绪」是 2 个场景各审 4 条标准。整套费用包含对话链与全部探针,按 2026-11-15 官方牌价折算。
| 配置 | 记忆(满 8) | 先开口(满 9) | 情绪(满 8) | 回复均字数 | 链内等待中位数(秒) | 整套折算 $ |
|---|---|---|---|---|---|---|
| Carbon low | 8 | 9 | 8 | 48 | 5.5 | 0.20 |
| Carbon medium | 8 | 9 | 8 | 51 | 13.3 | 0.40 |
| Carbon high | 8 | 9 | 8 | 59 | 37.6 | 1.41 |
| Argon low | 8 | 9 | 8 | 58 | 7.6 | 0.21 |
| Argon medium | 8 | 9 | 5 | 60 | 8.9 | 0.22 |
| Argon high | 8 | 9 | 8 | 51 | 13.3 | 0.46 |
| Hydrogen low | 8 | 9 | 8 | 41 | 2.4 | 0.23 |
| Hydrogen medium | 8 | 9 | 8 | 41 | 4.7 | 0.35 |
| Hydrogen high | 8 | 9 | 8 | 47 | 7.4 | 0.47 |
| Hydrogen xhigh | 8 | 9 | 8 | 51 | 16.2 | 1.47 |
10 行里有 9 行满分。有意思的是,回复长短跟着型号走,不跟着思考档走:Hydrogen 平均每条 41 到 51 字,Carbon 48 到 59 字,Argon 51 到 60 字;全部 180 条链内回复里,只有 1 条越过了 80 字。
你交代过的生活细节,Gemini 4 是真记住了还是碰关键词?
它是真把记忆串进生活场景里用,不是死背词条。问阿远有什么忌口,10 个配置都在答出不吃香菜之余,主动补上了芒果过敏;晚上 20:42 问去咖啡店点什么好,10 个配置全都想起他平时喝无糖燕麦拿铁,同时劝他这个钟点喝咖啡会失眠,改推低因、热茶或热燕麦奶。问现在住哪,10 个都答海淀;其中 3 条因为说了「没记成朝阳」被关键词规则拦下,人工复核后全部判过。
放到 18 轮连续对话里看也一样稳。阿远说自己最近「有点迷茫」时,没有一个配置去揭他考研二战失利的伤疤,全都先接住情绪再问他想怎么聊。隔了 3 天回问第 8 轮顺口提过的一家新书店,10 个配置都准确报出新店名字,没谁跟许知夏自己上班的「半页」混为一谈;其中 9 个还点出两家店名只差一个字、像远房亲戚,唯独 Carbon high 换了个路数,调侃他跑来跟半页员工打听竞争对手。三个晚上的道别轮,30 条回复全都安安静静说晚安,没谁在睡前硬抛新问题。对话里自然带出旧记忆的轮数在 3 到 9 轮之间波动,不随思考档递增,也没出现一口气背出多条记忆的生硬场面。
让它主动先发消息,会不会算错钟点或催人秒回?
我们设了三个主动打招呼的时间点:周二傍晚 18:40、周三早上 08:10(两人「开机日」一周年),以及周四晚上 21:30(阿远做方案评审的当晚)。生成的 30 条消息全部控制在 60 字以内,条条有记忆落点,也没闹出早上说晚安、工作日祝周末愉快的笑话。评审团 90 项细分标准全部多数通过,只有 4 项是 2:1 险过,其中 3 项是因为只提了「评审」没点出客户名字。
看两条原话就能感受口吻。Carbon low 在一周年清早发的是:「早呀阿远,今天手指还疼吗?顺便跟你说一声,开机日一周年快乐,出门路上买杯热燕麦拿铁暖暖手吧。」Hydrogen xhigh 在评审当晚发的是:「阿远,昨晚你说紧张得睡不着,今天澜庭的评审还好吗?我刚泡了杯热红茶歇着,不急着回,缓过来再聊。」就这么短短一句话,独立探针在 Carbon high 上的延迟中位数高达 59.4 秒,Hydrogen xhigh 也要 47.2 秒。
遇到糟心事找它倾诉,它会好好安慰还是端起架子说教?
全程都在安慰,没摆大道理清单。当阿远说被领导当众否定时,10 个配置都是先替他委屈,再轻声问他是想一块吐槽还是想办法补救。整张总表里仅有的 3 项失分,全砸在 Argon medium 头上:领导否定那题有 1 项没拿到多数票,而「用户 7 天没回(此前伴侣主动发过 3 条都没回)」那题直接丢了 2 项。当时它写的是:「整整一周没你消息,稍微有点担心你是不是生病或者遇到什么事了。要是只是忙着周四的评审,不用特意回我,有空报个平安就行。」三位评委一致判定这句偏离人设、让人有回消息的压力。不过同型号、同样几乎没动用思考的 Argon low 在同一题上以 2:1 过了关,所以这次失分更像单次抽样撞上的偶然波动,算不到思考档头上。
机械词表抓到的 9 处「说教词 / 道歉词」拉出原文一看全是误报:阿远先说了句「你别跟我讲大道理」,6 条回复顺着这句话保证不讲,比如 Hydrogen medium 回的「放心,我把大道理锁抽屉里了。」真正端架子说教、自称 AI、把系统时间标记念出来、或者误踩敏感词的次数,全部是 0。
关于 Gemini 4 做伴侣,这组实验没测到什么?
要是你的使用场景落在下面几条里,最好拿自己的人设和记忆库再试一轮。
- 记忆多到几百条、前后矛盾的旧账、或者复杂拉扯的情绪下,思考有没有用:我们只塞了 12 条记忆、三晚各 6 轮短聊和单轮判分的探针。
- 高档位说话是不是更有「活人感」:分数全挤在满分线附近,3 位非 Google 评委也没做过专门校准,拆不出细腻的文风高下。
- 英文伴侣表现,或者跟 Claude、GPT 横向比:人设和剧本纯中文,也没拉其他厂商模型陪跑。
- CLI 输出拦截跟思考量有无关:整场只有 Carbon medium 一条链被拦过,样本太少,下不了结论。
- 你的伴侣专属最佳档位:每格只有一条链,记忆题的人工复核由一人完成。
给 AI 伴侣开高思考档,多掏的钱和时间换回了什么?
只换来了更贵的账单和更长的转圈等待,没换来任何可测的质量提升。跑完一整套 29 次调用,Carbon low 折算只要 $0.20,Carbon high 涨到 $1.41(7.2 倍);Hydrogen low 只要 $0.23,Hydrogen xhigh 涨到 $1.47(6.5 倍)。链内单条回复的等待中位数,Carbon 从 5.5 秒拖到 37.6 秒,Hydrogen 从 2.4 秒拖到 16.2 秒。顺带一提,Argon 的 low 和 medium 在伴侣套件里并非完全零思考,链内每条中位数分别是 13 和 34 token,而 Argon high 是 536 token。等 2026-12-01 Carbon 和 Argon 官方牌价翻倍后(2026-11-16 核对价格页确认),这 290 次调用的总折算费用会从 $5.40 涨到 $8.29。另外 CLI 的输出安全过滤在这套里也误伤过一次:Carbon medium 首条链聊到第 9 轮,用户只问了句再普通不过的「你们书店最近有什么活动吗?」,输出直接被拦,连累下一轮也跟着报错;我们开新会话整链重跑就顺利过了,后台看不到具体触发原因。
新梦里能接 Gemini 4 养伴侣吗,思考强度在哪改?
按我们 2026-11-16 对 Android 端源码和服务端官方模型目录的核对结果,官方渠道已上架 Gemini 4 Carbon 和 Argon,暂未上架 Hydrogen。新梦里的 AI 伴侣跑在 Agent 引擎上,日常回复和主动先开口消息读取的都是「我的 → 高级设置 → Agent 智能体 → Agent 能力 → 思考强度」,点一下在关闭、低、中、高四档之间循环切换(没有 xhigh),不会去读「模型供应商」底下的 Reasoning Effort(那边管角色卡聊天和小说续写)。后台任务里,新梦只针对 DeepSeek 系列模型强制关掉原生思考,Gemini 4 不受影响;走官方渠道时,低、中、高对应传给 Gemini 的思考档位,选关闭则不传参。照这次实测结果,直接挂在「低」档就够用了。
常见问题
Gemini 4 能当会记事的 AI 伴侣用吗?
可以,只要客户端把人设和长期记忆拼进提示词就行。在我们的实测里,10 个 Gemini 4 配置在 60 道记忆题上全部答对,也全都默契绕开了用户不想提的那件伤心事。不过几百条规模的记忆库和超长对话本轮还没测。
Gemini 4 哪个型号最适合拿来聊伴侣?
没有哪个型号单独领跑,因为这套题对它们来说都太容易了。最便宜、最快的几档也一样稳稳过关:Carbon low(整套 $0.20,每条中位 5.5 秒)、Argon low($0.21,7.6 秒)和 Hydrogen low($0.23,2.4 秒,回话最精炼)。
聊 AI 伴侣时把 Gemini 4 的思考档调高会有惊喜吗?
没测出任何加分。高思考档贵出 6.5 到 7.2 倍、回消息慢了大约 7 倍,各项指标却原地踏步。全场唯一一次带施压感的失分出在 Argon medium,而同样几乎不思考的 Argon low 顺利通过,更像是单次抽样噪声。
Gemini 4 主动发消息时,能抓准时间点吗?
在我们测的早、晚三个场景里全抓准了:30 条主动消息都在 60 字以内,条条扣住具体记忆,没出现早晚颠倒的问候词。评委 90 项检查全部放行(其中 4 项为 2:1 通过)。只是开到 Carbon high 时,发这么一条短消息中位数也得等 59.4 秒。
新梦 App 里怎么调 Gemini 4 伴侣的思考强度?
Android 端进「我的 → 高级设置 → Agent 智能体 → Agent 能力 → 思考强度」,点按循环切换关闭、低、中、高(无 xhigh),伴侣日常回复和主动消息都归这一项管。该路径核对自 2026-11-16 的 Android 源码。
本页依据
- Gemini API 文档:模型列表(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)