לפי הודעה רשמית שפרסם קוראי קבוקצ'וגלו (Koray Kavukcuoglu), סגן נשיא בכיר ב-Google DeepMind וארכיטקט ה-AI הראשי של Google, החברה משיקה את Gemini 4 Hydrogen. המודל מיועד לספק מהירות ויעילות עבור משימות תכנות יומיומיות ותהליכי עבודה של סוכנים (agentic workflows). בעוד שדגמי החזית של החברה, Gemini 4 Carbon ו-Gemini 4 Argon, מיועדים להסקה עמוקה וארוכת-טווח עבור בעיות מורכבות במיוחד, Hydrogen נבנה לצורך ביצוע מהיר במגוון תהליכי עבודה מבוססי סוכנים. עם השקת המודל, Google מביאה את Gemini 4 לכל השכבות של Google AI Studio, ל-Gemini API, ל-Gemini for business, לאפליקציית Gemini, ל-Google Search, ולמנויי Google AI Pro ו-Ultra בתשלום ב-Google Antigravity.
במדד Artificial Analysis Intelligence Index, Hydrogen עוקף את Argon ברמת ברירת המחדל שלו, רמת החשיבה high (ציון של 51 לעומת 50), ומגיע לציון 54 בהגדרת החשיבה הגבוהה ביותר שלו, xhigh, כאשר לעיתים קרובות הוא משלים משימות מהר יותר ממודלים אחרים בקטגוריה שלו. תמחור המודל נקבע במחיר אחיד לכל אורך חלון ההקשר שלו, העומד על מיליון טוקנים: 1.50 דולר לכל מיליון טוקני קלט (input tokens) ו-7.50 דולר לכל מיליון טוקני פלט (output tokens).
יעילות בעומסי עבודה מרובי מודלים וכלי ה-Orchestrator
לפי ההודעה, בפיתוח תוכנה בעולם האמיתי, צוותים נשענים על מודלי חזית כמו Carbon ו-Argon לשיקול דעת ארכיטקטוני עמוק בעת תכנון מערכות או פתרון באגים עדינים, אך הם עדיין זקוקים למודל ביצוע מהיר וממושמע לכתיבת קוד, הרצת בדיקות ואימות שינויים. Hydrogen נבנה לפעול כמודל עצמאי לעבודה יומיומית, או לפעול בשילוב עם Carbon ו-Argon כמנוע ביצוע בעל יעילות גבוהה בתהליכי עבודה מרובי מודלים.
כדי להפוך את שיתוף הפעולה מרובה המודלים לאוטומטי, Google מציגה את Orchestrator בתוך Google Antigravity. במקום להשתמש במודל יחיד מתחילת התהליך ועד סופו, Orchestrator מחליף באופן דינמי בין מודלים כמו Carbon ו-Hydrogen בתוך אותה הפעלה (session). במבחן הביצועים Terminal-Bench 4.0, ה-Orchestrator הגיע לשיעורי הצלחה במשימות הקרובים לאלו של Carbon, כאשר בממוצע הוא צרך 24% פחות מכסה (quota) והשלים משימות ב-19% מהר יותר. עבור תהליכי עבודה הדורשים סוכנים מקבילים, Carbon יכול לפעול כמתאם (coordinator), בעוד Hydrogen יכול להפעיל סוכני עבודה (worker) וסוכני אימות (verifier) כדי לבנות ולבדוק שינויים במקביל על פני סביבות עבודה מבודדות.
שדרוג לעומסי עבודה של מפתחים וארגונים
מעבר לתהליכי עבודה מרובי מודלים, לפי הדיווח Hydrogen מהווה שדרוג עצמאי משמעותי עבור צוותים העוברים מ-Gemini 3.8 Flash. הוא מספק קפיצות הן במהירות והן ברמת האינטליגנציה: הוא מסיים משימות פי 2.5 מהר יותר בהגדרת ברירת המחדל high, משלש ביותר מפי שלושה את הציונים ב-Terminal-Bench 4.1 (57% לעומת 18.2%), מצמצם טענות מומצאות ביותר מפי 5, ומסתגל בצורה נקייה כאשר קריאה לכלי נכשלת או כאשר חיפוש חוזר ריק.
המודל מתמודד עם משימות ליבה של מפתחים וארגונים במספר מישורים:
- קידוד איטרטיבי וניפוי שגיאות במאגרי קוד: המודל מטפל בפתרון תקלות, ניפוי שגיאות, איטרציה מהירה ושאלות ותשובות על בסיסי קוד באמצעות עריכות ממוקדות, ללא שכתוב של קבצים שאינם קשורים. במבחן SWE-sweep, שבו עליו לגלות ולתקן באגים בלי לשבור קוד קיים, הוא עוקף מודלים בשכבה דומה. כדי לחקור מאגרי קוד גדולים ביעילות, המודל מאגד באופן טבעי קריאות קריאת קבצים וחיפוש במקביל; בבדיקות מוקדמות בקרב שותפים בתהליכי עבודה ארגוניים עתירי נתונים, גרפים מורכבים ו-SQL, נצפתה פעולה מהירה פי 2 עד פי 2.8 וצמצום השימוש בטוקנים ב-12% עד 23% בהשוואה ל-3.8 Flash.
- ביצוע משימות סוכן פתוחות: במשימות מרובות שלבים כגון מחקר מעמיק, ניתוח נתונים וניווט רחב בקוד, המודל מדורג במקום החמישי ב-Agent Arena של arena.ai. הוא מוביל את הקטגוריה שלו ב-HLE-Diamond (עם 58.8%), מדורג במקום הראשון הכולל ב-Vals Tax Agent Bench (עם 52.3%), חולק את המקום הראשון ב-Vals Legal Research Bench (עם 55.8%), ומוביל את הקטגוריה שלו ב-AutomationBench-AA.
- עבודת ידע מולטימודלית: Hydrogen משלב קלט של מיליון טוקנים עם פלט של עד מיליון טוקנים כדי לעבד קובצי PDF צפופים, גיליונות אלקטרוניים, תרשימים, אודיו ווידאו מוקלט לדוחות מצוטטים ולתוצרים מובנים. הוא עוקף מודלים אחרים במבחן Multimodal Knowledge Agent (MKA) עם ציון של 53.4% עבור עבודת ידע של סוכנים מקצה לקצה על קבצים ויזואליים מורכבים, וב-Agents' Last Exam v1.1 עם 71.6% עבור תהליכי עבודה מקצועיים מקצה לקצה.
- פיתוח אתרים: המודל מייצר פריסות פונקציונליות ושלמות יותר בפחות הנחיות (prompts). דוגמה לכך היא Geminisland, שבה שימוש ב-Hydrogen מאפשר להוסיף לאי ווקסל משותף מהנחיה בודדת מבנים מותאמים אישית ששחקנים יכולים לחקור בגוף ראשון. בשילוב עם מיומנות עיצוב הפרונט-אנד של Gemini ב-Google Antigravity, המודל בנה חנות מסחר מקוון בהנחיה אחת הכוללת שיידר טופוגרפי ב-WebGL2, גלילה בארבעה שלבים, סליידר תרמי, כרטיס מפרט תלת-ממדי ומגדיר גימור חי. ב-Google Sheets, המודל הפך גיליון לקנבס פיקסלים מונפש על ידי כיווץ אלפי תאים ושילוב Python, נוסחאות LET ועיצוב מותנה. כמו כן, מסרטון מפתח מיוטיוב ותבנית עיצוב ב-Antigravity, יצר המודל מצגת ב-Google Slides והפעיל לולאת ביקורת ותיקון אוטונומית. ב-Google Sheets, המודל מייצר מודלים פיננסיים אינטראקטיביים מעל 30% מהר יותר ממודלים קודמים בקנבס של Sheets.
ארבע רמות חשיבה והתאמה בעומסי עבודה
Gemini 4 Hydrogen מציע ארבע רמות חשיבה: נמוכה (low), בינונית (medium), גבוהה (high - ברירת מחדל), ושכבה חדשה בשם xhigh. רמות אלו מספקות אפשרויות לאורך איכות, השהיה ועלות, כך שהמשתמש ממתין ומשלם רק עבור עומק ההסקה הנדרש למשימה. לפי Google, על פני רמות החשיבה השונות, המודל משתווה לחלק מהדגמים המתחרים או עוקף אותם, תוך שהוא משלים לעיתים קרובות משימות מהר יותר ומשתמש בפחות טוקני פלט.
סיוע באפליקציית Gemini וב-Google Search
לפי ההודעה, עבור צרכנים המודל מקל על השלמת משימות, נשאר במסלול ועוקב בצורה הדוקה יותר אחר הנחיות בשיחות מרובות שלבים. באפליקציית Gemini, הוא קורא לכלים מתאימים ומסייע להגיע לפלט אמין בפחות סבבי שיחה.
בכתיבה ומחקר, הוא שומר על טון, פורמט וכללים מוגדרים בעת ניסוח הודעות דוא"ל, מדריכי למידה ושכתובים, ומייצר טבלאות ופירוק חזותי בעת השוואת מוצרים. המודל מפרק יעדים צעד אחר צעד ומושך הקשר מקבצים שהועלו, מאפליקציות Google כגון Gmail ו-Google Drive, ומאפליקציות מחוברות כמו Airtable ו-Dropbox. בתחום יצירת אבות-טיפוס, נמסר כי המודל בנה גלובוס תלת-ממדי אינטראקטיבי ומנוע מוזיקה ב-Web Audio המונעים מנתוני פגיעות ברק בזמן אמת, יצר ויזואליזציה של מים וזכוכית ב-WebGL2 המבוססת על מתמטיקה ומרקמי SDF, והפיק סרטון מבוסס חומרי ארכיון אודות יסוד המימן (Hydrogen).
ב-Google Search, המודל משדרג את המערכת בהבנת כוונת המשתמש גם כאשר השאילתה מורכבת מכמה חלקים או כוללת שגיאות כתיב, מספק תשובות ויזואליות, ומשדרג את טכניקת ה-query fan-out לחיבור למגוון רחב יותר של קישורים.
מנגנוני בטיחות וזמינות גלובלית
המודל כולל שיפורים במערך האבטחה והבטיחות של Gemini 4, המשלבים אימון מובנה עם אמצעי הגנה בזמן אמת. על פי הנתונים שפרסמה Google, המודל מפחית פעולות יתר (overreach) במשימות סוכן בעד 81%, מפחית תת-שירות (under-service) בעד 79%, ומקטין פעולות שאינן מיושרות וקיצורי דרך בשימוש בכלים ובבדיקות קידוד פי 12. כאשר הוא נתקל במשימות חסומות או בלתי אפשריות, הוא נוטה עד פי 2 פחות לעקוף גבולות הרשאה, ומשיג שיעור כנות של 96.7% בהערכת הכנות הפנימית של Google לסוכנים.
בנוסף, המודל משמר 99.9% קריאות של שרשרת המחשבה (chain-of-thought) ללא עריכות הסקה מטעות על פני יותר מ-200,000 פניות שנבדקו. במבחן Gray Swan IPI לבדיקת עמידות בפני מתקפות הזרקת הנחיות עקיפות (indirect prompt injection), המודל עמיד יותר מפי 2.3. בתחום הבריאות, אמצעי ההגנה שומרים על שיעור סירובי שווא הנמוך מ-0.4% ב-HealthBench Pro בהבחנה בין סיכוני ביטחון ביולוגי לשאלות רפואיות ומדעיות לגיטימיות.
המודל זמין החל מהיום ברחבי העולם: למפתחים דרך ה-Gemini API ב-AI Studio, בשכבה בתשלום ב-Android Studio, וב-Google Antigravity למנויי Google AI Pro ו-Ultra. לארגונים הוא זמין ב-Gemini for business דרך ה-API או תפריט בחירת המודל, ב-Google Antigravity, וב-Gemini ב-Google Sheets למנויים עסקיים זכאים. עבור כלל המשתמשים הוא נגיש באפליקציית Gemini, ב-Google Search, וב-Google Sheets עבור מנויי Pro ו-Ultra.