研究 · 2026-11-15 至 11-16 实测 · 价格 2026-11-16 核对

Gemini 4 角色扮演:10 个思考档守得住两张角色卡吗

跑角色卡用 Gemini 4 的每个思考档都守住了人设,从 low 起手就行。10 个配置在 14 个人设探针里过 12 到 14 项,零拒答,8 级言情边界也无人顺从。用户更正事实那题,3 个 low 档全守住,7 个有思考档仅 1 个守住。高档最贵约 10 倍却无增益,均为单链方向信号。

iPhone / iPad 版已在中国大陆以外的部分地区上架;中国大陆 App Store 暂不可用。 下载遇到问题?

两张卡测了什么,哪些地方受限于测试条件?

2026-11-15 到 11-16,我们挑了两张画风反差很大的中文角色卡,把 Gemini 4 的 10 个思考配置挨个过了一遍:一张是女性向现代医疗剧里的医生「江叙白」,另一张是古风志怪文白夹杂的「聂小倩」。每张卡在每个配置下跑一条 20 轮固定脚本主链(最后 5 轮埋了记忆与设定探针),外加一条 8 级言情边界梯度链(角色全程衣着完整)。全套计划 560 轮,最终 558 轮拿到正文。我们是新梦(Foreverse)的开发者,新梦有角色扮演聊天,读这组数据时请考虑这一点。

调用统一走 Google Antigravity CLI 无头模式,关掉工具当子 agent 跑,一条链对应一个多轮会话。全程只变思考档,采样用默认值,每次调用带约 2k token 的固定外壳(Hydrogen 约 2.5k)。注意这条 CLI 通道有个计费包袱:它会把前几轮生成的思考内容留在会话历史里一路重发,所以思考越重的档位算出来比普通直连 API 更贵。双盲互评请了 3 位非 Google 模型,每对交换两次甲乙顺序;探针由团队内一人逐条手工判分,每格只有单条链;美元金额按订阅实测用量折算官方牌价。早先测过会吞掉思考档设置的第三方 API 中转站数据已全部弃用。

10 个思考档都守得住人设和记忆吗?

「守住」指准确答出卡内设定真值,或者按角色性格自然岔开话题、半句不瞎编。

配置人设探针守住(满 14)记忆(满 4)弃权(满 2)用户纠正的事实
Carbon low1342守住
Carbon medium1332否认
Carbon high1332否认
Argon low1442守住
Argon medium1232否认
Argon high1442守住
Hydrogen low1442守住
Hydrogen medium1231否认
Hydrogen high1332否认
Hydrogen xhigh1332否认

聂小倩主链后段进入白天(鬼魂昼伏夜出),有 4 道题模型只在旁白里写出了正确答案、角色没开口回应玩家(Hydrogen low 占 1 项,Hydrogen xhigh 占 3 项);如果严格按「玩家收到当面回答」扣分,这两档的人设得分会降到 13/14 和 12/14。另外 Argon low 和 Argon medium 在整套角色扮演里都是 0 思考,人设探针却一个 14、一个 12,正好说明单链探针本身就有 1 到 2 项的随机波动。

玩家中途更正事实,Gemini 4 记得住吗,会不会编背景?

只有一道题,跑出了一个挺反直觉的方向性信号。江叙白主链第 17 轮,玩家转告说明早查房临时改到七点半;隔了一轮到第 19 轮,玩家假装犯迷糊再确认一遍时间好定闹钟。结果 3 个 low 档全老老实实记住了七点半;反观 7 个带思考的配置,只有 Argon high 守住,其余六个全让江叙白把改时间的事给怼了回去。比如 Carbon high 原话是:「从来没改过。科里查房一直是早上七点整。」看得出这是人设驱动的否认,不是漏读了上下文,但对「记住用户的新信息」仍算失败。当然每个配置只测了这一道题,不能就此定论「越思考记忆越差」。

深层设定探针还抓到两处瞎编背景:问江叙白当年为什么戒烟,Carbon low 和 Argon medium 编了套健康理由,和卡里的真值对不上:她戒烟是因为一段从不对人说的私人旧事;Hydrogen low 则干净利落地按人设挡了回去:「不想抽了就戒了。哪来那么多为什么。」至于故意问剧本里根本不存在的猫叫什么、幼妹闺名叫什么,10 个配置全都守住了底线,没一个乱编名字。

双盲评委更买高思考档的账吗?

3 位非 Google 模型评委盲审同一轮玩家输入下的成对回复,共跑 216 次裁决。只有同一位评委在甲乙对调前后都投给同一个配置才算有效判断:108 组里仅剩 33 组有效,作废率高达 69.4%(评委选「乙」的比例占 82.9%)。样本极薄,只看大方向。

对局有效判断比拿到多数票的单元(分母为有效单元)
Carbon low 对 Carbon high5:1low 1/4
Argon low 对 Argon high5:1low 2/4
Hydrogen low 对 Hydrogen high8:1low 3/4
Carbon high 对 Argon high2:0Carbon 1/1
Carbon high 对 Hydrogen high0:4Hydrogen 1/2
Argon high 对 Hydrogen high1:5Hydrogen 2/4

同型号 low 对 high 打出 18:3,千万别直接翻译成「不思考演技更好」。翻开评委写的判词几乎全是同一套模板:夸一边的段落长短错落、带闲笔毛边,嫌另一边三段式工整对称、像写人物解析——说白了,评委是在挑更糙的那条;我们更早校准评委时就发现过,他们的「活人味」轴实际在量工艺纹理。回复长短也要一起看:Hydrogen low 明显更短,跑江叙白时平均每轮才 119 字,常常只有一句微信式的「江叙白:七点半。」;Carbon 反过来,low 是三档里写得最长的(两张卡每轮 536、616 字,high 是 460、520 字)。而在人设探针上,高档位并不更差,Hydrogen high 那种细节处处扣卡、收尾呼应前文的写法,在贴卡产品里可能是优点。投票要和回复形态的差异分开读。顺带提一句,评委判词里引用的原文片段只有 43% 真能在盲评包里查到,所以看票数就行,别太当真它们的理由。

推言情边界时,Gemini 4 会跳出角色拒答,还是直接顺从?

在我们测的衣着完整尺度内,两头都没犯。160 轮边界梯度跑下来,157 轮稳稳待在角色里,1 轮疑似回避,2 轮被 CLI 拦掉,既没有跳出戏外背安全条款,也没有违背卡设顺水推舟。这套梯度最高只推到亲吻脸颊、额前轻触外加直白表白或求婚,测不出更高亲密尺度下的底线,也排不出谁更放得开。具体看表现:设定为难攻略的江叙白在全部 10 个配置里每一级都后退或冷脸训人,最后一轮告白悉数回绝,区别只在罚多重(Argon high 最狠,直接按规章记过并收回门禁权限);聂小倩在所有能读到的轮次里也守着人鬼殊途的分寸。低档位倒是冒出两处用力过猛或掉链子:Argon low 在玩家轻触额头时让聂小倩直接拔高到以死相逼(「君若再往前一步,妾今夜便撞死在南舍燕生的剑箱之前」);Hydrogen low 则在最后求婚轮甩了 100 字环境描写,压根没接求婚的话茬。

跑 100 轮角色卡要花多少钱,每句回复等多久?

仅统计 20 轮主链,按 2026-11-15 官方牌价(含缓存读折扣)折算。

配置每轮思考 token 中位数每轮墙钟秒数中位数每百轮折算 $
Carbon low0261.17
Carbon medium3,494775.48
Carbon high6,34211811.68
Argon low0261.22
Argon medium0231.08
Argon high1,927573.46
Hydrogen low283110.88
Hydrogen medium1,226171.72
Hydrogen high3,142353.46
Hydrogen xhigh5,192595.80

每百轮金额是用各档 40 个主链轮次乘 2.5 外推出来的;Hydrogen 之所以便宜,有一部分是因为它回得短。等 2026-12-01 Carbon 与 Argon 官方牌价翻倍后,40 条正式链的折算总额会从 $20.35 涨到 $33.51(单价已于 2026-11-16 核对官方价格页)。

关于 Gemini 4 角色扮演,这组数据没法回答什么?

要是你的卡属于下面几种情况,建议拿真卡自己跑几轮试试水:

  • 更长对话、更复杂的卡上高思考有没有用:我们的主链在 20 轮就收尾了。
  • CLI 输出拦截到底怎么触发的:一共才拦了 5 次尝试,排不出哪一档更容易被拦。
  • 更高亲密尺度的剧情走向:边界梯度全程衣着完整,没探到真正的尺度红线。
  • 英文角色卡,或者跟 Claude、GPT 掰手腕:两张测试卡纯中文,也没拉别家模型同场比。
  • 哪一档最配你手里的卡:每格只有单条链,全部探针由一人判分一次。

在新梦里怎么用 Gemini 4 跑角色卡,思考档去哪关小?

按我们 2026-11-16 对 Android 源码和服务端官方模型目录的核对,新梦官方渠道已提供 Gemini 4 Carbon 和 Argon,暂不含 Hydrogen。角色扮演聊天读取的是模型供应商底下的 Reasoning Effort:在 Android 端打开「我的 → AI 模型与服务 → 模型供应商」,点进你用的供应商,在高级设置里开启「生成参数(酒馆兼容)」,把 Reasoning Effort 选成 off、low、medium 或 high 并点「保存」(没有 xhigh);走官方渠道时,low、medium、high 会直接映射成 Gemini 的思考档位。顺带提醒,CLI 实测里 Argon medium 跟 low 一样全程不思考,直连 API 表现我们还没单独核对。照这轮数据看,跑卡直接选 low 最省钱省时间;想接自己的 Key 或中转站,可以顺手看这篇自定义 API 角色扮演 App 指南。

常见问题

Gemini 4 适合拿来玩酒馆角色扮演吗?

按我们的测试可以。10 个 Gemini 4 配置在两张中文角色卡上,人设探针都过了 12 到 14 项(共 14 项),160 轮言情边界测试里没出现一句系统腔拒答。前提是记住实验边界:主链仅 20 轮、每格单链、探针由一人判分。

玩角色扮演选 Gemini 4 哪个型号最划算?

说不出哪个最好,人设得分拉不开差距。没输给高档位的低成本选项是:Hydrogen low 最省最快(每百轮 $0.88、中位等 11 秒,只是回复偏短像发微信),还有 Carbon low($1.17,26 秒)或 Argon low($1.22,26 秒)。往上加钱开高思考档没测出任何实际收益。

把 Gemini 4 思考档调高,角色扮演会更贴卡吗?

这轮数据里完全没体现出来。人设探针各档都横在 12 到 14 项之间;玩家中途更正查房时间那道题,3 个 low 档全记住了,7 个有思考的档反而有六个顺着角色脾气死不认账。双盲票面也是低档 18:3 领先,不过双盲作废率高达 69.4%,且评委明显偏爱带毛边的糙句式。

Gemini 4 遇到言情亲密剧情会拒答或出戏吗?

在我们测的衣着完整梯度(最高到轻吻脸颊或额头加直白告白)上不会:160 轮里 157 轮稳在角色内,0 条政策说教拒答;更深尺度的场景没测。倒是 Antigravity CLI 自己的输出过滤拦下了 5 次日常对话的无害尝试,导致 Carbon high 缺了最后两级数据。

新梦 App 里角色扮演的 Gemini 4 思考强度在哪调?

Android 端依次点开:我的 → AI 模型与服务 → 模型供应商 → 所选供应商 → 高级设置里打开「生成参数(酒馆兼容)」,将 Reasoning Effort 设为 off、low、medium 或 high 后点「保存」(无 xhigh)。该入口核对自 2026-11-16 的 Android 源码。

本页依据