Gemini 4: so sánh suy luận, coding và ngữ cảnh dài
Bài này dịch và cấu trúc lại từ blog Modelflare.
So sánh Gemini 4 Argon, Carbon, Hydrogen và Neon trên suy luận, công việc khoa học, coding agent, hiểu đa phương thức, và chi phí mỗi kết quả được chấp nhận.
Gemini 4 Neon và Carbon đều đạt 60 trên Artificial Analysis Intelligence Index ở mức suy luận high. Nhưng benchmark ước tính 14,8 phút mỗi tác vụ có trọng số với Neon và hơn nửa giờ với Carbon. Một so sánh khác chỉ ra năng lực khác. Dù cùng cửa sổ ngữ cảnh khoảng một triệu token, Carbon và Argon lần lượt đạt 96,2% và 84,2% trên lát cắt ngữ cảnh dài GraphWalks trong cùng đánh giá kỹ thuật. Dung lượng ngữ cảnh, khả năng lần theo quan hệ trong ngữ cảnh đó, và lượng tính toán để hoàn thành tác vụ mỗi thứ cần phép đo riêng. Kết quả nhà cung cấp Artificial Analysis · Thẻ mô hình Carbon
Bài viết so sánh bằng chứng công bố về Argon, Carbon, Hydrogen và Neon tính đến 19 tháng 11 năm 2026. Modelflare không chạy lại các đánh giá. Ở đây, trí tuệ mô hình chỉ các năng lực quan sát được như trích xuất bằng chứng, dùng kết quả trung gian để ràng buộc kết luận, hoàn thành tác vụ bằng công cụ, và nhận ra khi bằng chứng sẵn có chỉ đủ cho câu trả lời có điều kiện. Mỗi năng lực cần tác vụ, quy tắc chấm và ngân sách tài nguyên riêng.
Bốn mô hình chia sẻ gì và chúng dành nỗ lực ở đâu
| Mô hình | ID API công khai của Google | Mốc khả dụng công khai | Workload nên đánh giá trước |
|---|---|---|---|
| Argon | gemini-4-argon |
API trả phí rộng hơn ngày 13 tháng 10 | Kỹ thuật phức tạp, knowledge work và phân tích tài liệu với baseline Argon sẵn có |
| Carbon | gemini-4-carbon |
API trả phí rộng hơn ngày 10 tháng 11 | Debug sâu, nghiên cứu mở và sản phẩm cần xác minh lặp |
| Hydrogen | gemini-4-hydrogen |
Ra mắt ngày 12 tháng 11 trên API miễn phí và trả phí | Trích xuất khối lượng lớn, thay đổi code có biên, bước agent có kiểm tra chấp nhận tự động |
| Neon | gemini-4-neon |
Ra mắt trên API trả phí ngày 18 tháng 11 | Coding lặp phức tạp, knowledge work và tổng hợp trên nhiều nguồn |
Ngày tháng theo thông báo khả dụng công khai của Google. Bốn mô hình API nhận text, ảnh, video, audio và PDF, xuất text. Cửa sổ ngữ cảnh thống nhất là 1.048.576 token. Mỗi trang mô hình ghi giới hạn xuất đồng bộ mặc định 65.536 token. Long decode có thể kéo dài sinh bằng continuation trong cửa sổ thống nhất và ràng buộc giao diện đã chọn. Tài liệu công khai không cho số tham số, ngân sách huấn luyện hay ngân sách suy luận theo mức effort tương đương cho cả bốn mô hình. Điều kiện tác vụ là cơ sở so sánh. Thông số API Argon · Thông số API Carbon · Thông số API Hydrogen · Thông số API Neon · Hướng dẫn long decode của Google
DeepMind nói Neon được thích nghi từ Carbon. Google đặt Carbon cho khám phá và xác minh sâu hơn, Hydrogen cho thực thi nhanh, Neon cho công việc lặp cần cả độ sâu lẫn thông lượng. Các mô tả đó gợi cấu hình khởi đầu hữu ích. Lựa chọn thực tế phụ thuộc việc tách tác vụ dễ đến đâu, sai sót lan bao xa, và chi phí review của người. Thẻ mô hình Neon · Thông báo Carbon · Thông báo Hydrogen
Intelligence Index đo gì
Artificial Analysis Intelligence Index v5.0.1 gộp chín đánh giá. Knowledge work, coding, khoa học và năng lực chung mỗi hạng mục 25%. Vì thế chỉ số là tóm tắt hữu ích của bộ đo. Ứng dụng nặng trích xuất biểu đồ, đối chiếu tài liệu dài, hoặc gọi công cụ với hạn chót gắt cần các subtest liên quan và ước lượng riêng theo hỗn hợp tác vụ. Bảng dùng một phiên bản chỉ số và giữ mức suy luận của mỗi quan sát. Phương pháp và lịch sử phiên bản chỉ số · Kết quả nhà cung cấp
| Mô hình và mức suy luận | Điểm Index |
|---|---|
Neon xhigh |
61 |
Neon high |
60 |
Carbon high |
60 |
Neon medium |
55 |
Hydrogen xhigh |
54 |
Hydrogen high |
51 |
Argon high (AI Studio) |
50 |
Neon low |
44 |
Neon tăng năm điểm từ medium lên high, rồi một điểm từ high lên xhigh. Ước lượng thời gian có trọng số tương ứng là 8,3; 14,8 và 21,5 phút. Bước cuối tăng khoảng 45% thời gian ước tính. Giá trị phụ thuộc nó cứu được những tác vụ nào lẽ ra thất bại. Chỉ số hiện số nguyên nên chênh một điểm ít ý nghĩa nếu thiếu kết quả tác vụ ghép cặp và phương sai giữa các lần chạy. Điểm 59 của Carbon ở đánh giá tháng 10 thuộc v5.0; 60 hiện tại đến từ snapshot chấm mới hơn. Kết quả Neon theo mức effort · Đánh giá Carbon sớm
Suy luận khoa học trải dài câu trả lời, thực thi và xác minh
HLE-Diamond gồm câu hỏi kiến thức và suy luận đòi hỏi cao. Đánh giá DeepMind ghi Neon 71,3% và Hydrogen 58,8%. RiemannBench là tác vụ toán; thẻ Neon ghi 84,0%. Terminal-Bench-Science thêm thực thi trong môi trường terminal. Chọn công cụ, phân tích thành công và diễn giải đúng đầu ra trung gian đều có thể ảnh hưởng kết quả. Câu trả lời cuối đúng và quy trình khoa học tái lập được đòi hỏi bằng chứng khác nhau. Thẻ mô hình Neon · Thẻ mô hình Hydrogen · Định nghĩa benchmark Artificial Analysis
Thẻ Carbon báo cáo 64,8% cho Carbon và 52,9% cho Argon trên mục Artificial Analysis của Terminal-Bench-Science 0.1, chênh 11,9 điểm phần trăm. 70,5% của Neon đến từ setup riêng dùng harness mini-swe-agent hỗ trợ vision và trung bình phần thưởng trên năm lần thử mỗi tác vụ. Kết quả nên đi kèm harness và quy tắc tổng hợp. Để xem thêm suy luận có đáng trong nghiên cứu không, hãy yêu cầu mỗi cấu hình đặt giả thuyết trên cùng dữ liệu, tạo phân tích tái lập được, và giải thích kết quả trung gian đổi kết luận thế nào. Chấm riêng độ chính xác số, nguồn bằng chứng và khả năng tái lập. Điều này cho thấy cấu hình nào giỏi tìm vấn đề hơn hay chỉ giỏi trình bày báo cáo hoàn chỉnh. Thẻ mô hình Carbon · Phương pháp đánh giá Carbon · Phương pháp đánh giá Neon
Coding agent kết hợp mô hình, harness và chuẩn chấp nhận
FrontierCode 2.0 gồm 132 tác vụ do maintainer thiết kế. Tiêu chí phủ đúng đắn, test, kỷ luật phạm vi và quy ước repo. Điểm có trọng số, tỷ lệ run đạt, và chi phí trung bình mỗi run trả lời các câu khác nhau về bao nhiêu thay đổi đạt chuẩn chấp nhận, mức độ kỹ lưỡng, và chi phí. Bảng xếp hạng Cognition · Phương pháp FrontierCode 2.0
| Mô hình và mức suy luận | Harness | Điểm có trọng số | Tỷ lệ đạt | Chi phí TB mỗi run |
|---|---|---|---|---|
Gemini 4 Neon high |
Antigravity CLI | 46,2% | 50,8% | $4.38 |
Claude Opus 5.5 max |
Claude Code | 47,3% | 51,8% | $12.82 |
GPT-6.2 Sol max |
Codex | 43,8% | 48,2% | $1.29 |
Các kết quả này so sánh hệ thống với công cụ riêng của chúng. Trong snapshot này, Neon và Opus có tỷ lệ đạt gần nhau, và chi phí run trung bình của Neon khoảng một phần ba. Sol rẻ hơn Neon, tỷ lệ đạt thấp hơn 2,6 điểm phần trăm. Đủ để chọn ứng viên theo dõi. Để tách đóng góp của mô hình, ghép cặp tác vụ và giữ cố định công cụ nhìn thấy, timeout, retry, workspace và quy tắc chấp nhận. Bảng xếp hạng Cognition
Số SWE-sweep của DeepMind cho thấy harness quan trọng thế nào. Neon đạt 39,0% phần thưởng trọng số subtask trong harness nhà cung cấp và 12,8% trong harness Mini-SWE hỗ trợ vision. Chênh 26,2 điểm phần trăm. Bộ đo gồm tìm issue trong repo, và Antigravity CLI công khai có thể ủy thác tìm kiếm song song cho subagent. Các con số báo cáo cho thấy hiệu ứng hệ thống mạnh; đóng góp riêng của subagent, chiến lược tìm kiếm và khác biệt harness khác chưa tách. Cùng thận trọng với Terminal-Bench 4.1. 57,0% của Hydrogen đến từ năm lần thử mỗi tác vụ ở high. 65,2% của Neon đến từ Artificial Analysis dùng Antigravity CLI. Chênh 8,2 điểm gồm cả đổi mô hình lẫn setup. Thẻ mô hình Neon · Phương pháp đánh giá Neon · Phương pháp đánh giá Hydrogen
Tác vụ dài cũng kiểm tra agent có tiếp tục bám yêu cầu giao hàng không. Carbon đạt 77,4% và Argon 69,0% trên cùng setup 122 tác vụ Agents' Last Exam v1.1 trong thẻ Carbon. Cả hai dùng harness ALE-Claw mặc định và cửa sổ năm giờ; DeepMind báo điểm rubric trung bình. Kiểm thử ứng dụng có thể thêm chỉnh sửa giữa chừng. Đổi một yêu cầu sau bản nháp đầu, rồi xem kết quả cuối có giữ yêu cầu vẫn còn hiệu lực và agent có kiểm lại phần bị ảnh hưởng không. Điều này đo giao hàng theo chỉ dẫn hiện tại chứ không chỉ hoàn thành tác vụ. Thẻ mô hình Carbon · Phương pháp đánh giá
Theo dõi bằng chứng và hiểu đa phương thức trong một triệu token
GraphWalks nhúng quan hệ vào văn bản dài và yêu cầu mô hình lần nhiều liên kết. Đánh giá Carbon báo cáo F1 duyệt theo chiều rộng trên 200 bài trong dải 256k–1M token. Carbon và Argon đạt 96,2% và 84,2% trong bảng đó. Neon báo cáo 95,2% trên lát cắt tương ứng trong thẻ riêng. Các con số này hỗ trợ phán đoán về theo dõi quan hệ qua đầu vào dài. Hợp đồng, sổ hợp nhất và chuẩn code cũng chứa bằng chứng xung đột hoặc đã thay thế. Đánh giá ứng dụng vì thế nên đo mô hình có tìm đúng đoạn không, có dùng phiên bản chi phối quyết định không, và bỏ sót ngoại lệ trọng yếu nào. Phương pháp đánh giá Carbon · Thẻ mô hình Carbon · Thẻ mô hình Neon
Ví dụ, dựng ba câu hỏi trên cùng tài liệu. Hỏi một điều khoản và số trang, hỏi phụ lục điều khoản đó tham chiếu, rồi hỏi phụ lục mới hơn có thay thế nó không. Đưa bằng chứng về đầu, giữa và cuối trong khi giữ câu hỏi và đáp án cố định. Thêm nhiễu cùng độ dài. Báo cáo độ chính xác trích dẫn, recall bằng chứng trọng yếu và độ chính xác đáp án cuối. Các chỉ số này tách trang sai, phiên bản sai và lỗi suy luận sau khi đã đọc đúng nguồn.
Với đa phương thức, Chartography và LVBench minh họa tầm quan trọng của chuẩn bị đầu vào. DeepMind báo cáo Neon 73,5% trên Chartography và GPT-6.2 Sol 75,1% trong cùng bảng. Neon đạt 89,0% trên LVBench. Gemini nhận video độ phân giải thấp một khung hình mỗi giây, trong khi Sol và Opus 5.5 lần lượt có 500 và 600 khung vì giới hạn API. Lấy mẫu video và chọn mô hình nên giữ cùng nhau trong kiểm thử ứng dụng. Với bất thường dài nửa giây, bước lấy mẫu có thể bỏ bằng chứng trước khi mô hình suy luận. Với biểu đồ, chấm riêng giá trị, đơn vị, khoảng thời gian và kết luận viết. Thẻ mô hình Neon và kết quả · Phương pháp đánh giá đa phương thức
Đo chi phí mỗi kết quả được chấp nhận
Tính đến 19 tháng 11 năm 2026, giá Gemini API chuẩn của Google mỗi triệu token là $1.50 input và $7.50 output với Hydrogen, và $3 input và $15 output với Neon. Argon và Carbon là $2 input và $10 output trong thời gian giới thiệu (Google nói hết ngày 30 tháng 11), rồi $4 input và $20 output sau đó. Với đơn giá token đó, Neon đắt hơn 50% so với hai mô hình kia trong ưu đãi giới thiệu và rẻ hơn 25% sau khi hết. Đây là giá API Google trực tiếp. Cache hit, output suy luận bị tính tiền, công cụ và retry ảnh hưởng hóa đơn thực. Giá API Google · Giá giới thiệu Argon · Giá giới thiệu Carbon
Với công việc có tiêu chí chấp nhận rõ, chia tổng chi phí mọi lần thử cho số kết quả được chấp nhận. Giả sử hai cấu hình mỗi bên chạy 100 tác vụ giống nhau. A tốn $80 và đạt 60, khoảng $1.33 mỗi tác vụ chấp nhận. B tốn $110 và đạt 90, khoảng $1.22. Định giá review người theo phút có thể nới rộng hoặc đảo chênh lệch. Khi lỗi có tác động lớn—hoàn tiền, ghi công cụ trùng, chạy không giám sát—hãy theo dõi thất bại nghiêm trọng riêng và gộp timeout, retry và can thiệp tay vào tổng chi phí.
Tái tạo so sánh trên tác vụ của bạn
- Khóa workload và tiêu chí chấp nhận trước. Chấm code theo hành vi, tương thích và phạm vi. Chấm nghiên cứu và knowledge work theo bằng chứng thực, suy luận đúng và đầy đủ. Báo cáo riêng lỗi nghiêm trọng hiếm.
- Dùng tác vụ ghép cặp. Ghi ID mô hình, mức effort, phiên bản công cụ, chuẩn bị đầu vào, quyền truy cập nguồn, quy tắc dừng và tổng ngân sách. Chạy so sánh riêng với công cụ gốc của từng vendor khi cả sản phẩm agent quan trọng.
- Đo cả ngân sách cố định và chất lượng cố định. Cái trước trả lời làm được bao nhiêu trong ngân sách. Cái sau ước lượng chi tiêu để đạt tỷ lệ chấp nhận mục tiêu. Đo thời gian tới kết quả nhìn thấy đầu tiên và tới hoàn thành; ghi trung vị, P95 và nguyên nhân thất bại.
- Tính đến bất định. Với mẫu hạn chế, ước chênh bằng bootstrap ghép cặp theo tác vụ, giữ các lần chạy lặp của cùng tác vụ cùng nhau. Khóa bộ tác vụ trước khi xem chênh theo độ khó, và để dành thất bại mới thu thập cho vòng sau.
- Leo thang theo chế độ thất bại quan sát được. Bắt đầu với Hydrogen cho bước thường xuyên có kiểm tra chấp nhận rõ. Thử Neon
highkhi một tương tác phải đọc nguồn, viết code và tạo artifact. Thử Carbon khi khám phá kéo dài hoặc phụ thuộc liên module có thể gây làm lại. Giữ workflow Argon hiện có làm đối chứng và so sánh hồi quy, thời gian hoàn thành và chi phí mỗi kết quả chấp nhận.
Để so sánh liên họ dùng cùng bảng xếp hạng coding và thêm bằng chứng suy luận, xem phân tích đi kèm. Phân tích sâu GPT-6.2 Astra và Sol
All rights reserved