Google DeepMindは2026年11月12日にGemini 4 Hydrogenを発表しました。Gemini 3.8 Flashでコード修正やツール実行を行っているなら、次に評価したいモデルです。ただし、要件が衝突する設計や長期の計画までHydrogenに置き換える、という話ではありません。その段階ではGemini 4 Argonを使う理由が残ります。
この記事では同じGoogleのモデルだけを扱います。3.8 Flashを移行元、Hydrogenを日常の実行役、Argonを計画の比較対象として見ます。Carbonはより深い計画の階層に位置づけられていますが、日常の実行モデルを選ぶ主な比較には含めません。以下のベンチマークはGoogleが公表または引用した数値であり、3モデルに同じ課題をAPIで実行した結果ではありません。
Gemini 4 Hydrogenへの移行で最初に確認したい設定
3.8 Flashも、もともとソフトウェア開発や複数段階のAgent処理に使われるモデルです。Hydrogenを評価する際に重要なのは、用途の名前よりも、同じタスクを渡したときの既定動作の違いです。
| 確認項目 | Gemini 3.8 Flash | Gemini 4 Hydrogen | 実装上の意味 |
|---|---|---|---|
| 既定の思考レベル | medium |
high |
モデルIDだけを替えても推論への投入量が変わる。 |
| 思考レベル | 3.8 Flashの設定による |
low、medium、high、xhigh
|
xhighは難しい課題でhighとの差を確かめるために使う。 |
| コンテキストの表記 | 入力1,048,576トークン、出力65,536トークンを別々に記載 | 入力・思考・出力で共有する1,048,576トークン | 旧モデルに1M規模の入力がなかったわけではない。 |
| 改善の焦点 | コーディングと複数段階の処理 | ツール利用、失敗後の継続、タスクの完了 | 回答文だけでなく実際の実行記録を確認する。 |
短い分類や単純な編集なら、highへの変更が常に得になるとは限りません。反対に、調査から修正、テストまで続く作業では、最終的な品質と全工程の所要時間を一緒に見る必要があります。Googleの「既定のhighでタスク完了が2.5倍速い」という発表も、任意の1回のAPI応答が2.5倍速いという意味ではありません。
Gemini 4 Hydrogenの1Mトークンは何に使われるか
Hydrogenのコンテキスト上限は1,048,576トークンです。入力だけの枠ではなく、会話履歴、モデルの思考、出力も同じ枠を使います。通常の同期出力は既定で最大65,536トークンです。さらに長い出力には、文書化されたバックグラウンド出力または継続生成の経路が必要で、共有枠の残量にも制約されます。
例えば、投入したコードと履歴が800,000トークンを占めたら、思考と出力に残るのは248,576トークンです。これは同期応答で248,576トークンをそのまま返せるという意味ではありません。大きなリポジトリや長いログを扱うときは、回答のための余地も残して入力を設計します。
入力にはテキスト、画像、音声、動画を利用でき、モデル資料にはPDF、Office、OpenDocumentのファイルも挙げられています。出力はテキストです。画像・音声・動画の完成品を直接生成するモデルではなく、Live APIによるリアルタイムの音声・動画対話にも対応しません。エラー画面を読ませて原因を検討することと、画像そのものを生成することは別の用途です。
APIを経由する場合は、設定した経路が思考レベルと出力上限を実際に受け渡すか確認します。CrazyrouterのOpenAI互換エンドポイントはhttps://api.crazyrouter.com/v1で、この比較で使うモデルIDはgemini-3.8-flash、gemini-4-hydrogen、gemini-4-argonです。Google系モデルの一覧でIDと利用可能な経路を確認できます。ここで示したのは接続情報であり、この記事で3モデルを同じ課題に対して呼び出したという意味ではありません。
Gemini 4 Hydrogenの公表値をどう読むか
| 指標 | Hydrogen | 比較対象 | 読み取り方 |
|---|---|---|---|
| Terminal-Bench 4.1 | 57.0% | 3.8 Flash:18.2% | ターミナル上のAgent課題の成績。 |
| タスク完了速度 | 既定のhighで2.5倍 |
3.8 Flash | Googleの課題群での結果。単発の応答時間ではない。 |
| 実行していない作業を完了と述べる誤り | 5分の1未満 | 3.8 Flash | 最終報告とツールの実行記録を照合したい。 |
| Artificial Analysis Intelligence Index |
high:51、xhigh:54 |
Argon:50 | 総合指標だけで設計タスクの適性は決められない。 |
Terminal-Benchの正答率、タスク完了速度、総合指数は測っているものが違います。指数でHydrogenがArgonを上回る項目があっても、自分のシステムの依存関係や移行順序を正しく設計できるかは別に調べる必要があります。これらの数値は、移行試験でどの課題を優先するか決める材料として扱うのが実務的です。
コーディングAgentの比較で残すべき記録
例えば、再現手順が決まった不具合修正を評価するなら、3.8 FlashとHydrogenに同じ入力、同じツール権限、同じ合格条件を与えます。Hydrogenはまず既定のhighで試し、難しい課題で結果が足りない場合だけxhighを追加します。Argonについては、実装よりも方針決定が難しい課題を別に用意すると役割の差が見えます。
| 保存するもの | 確認できること |
|---|---|
| 変更差分 | 必要なファイルだけを直したか。 |
| コマンドとツールの戻り値 | 検索・修正・テストが実際に行われたか。 |
| エラー後の行動 | ツールが失敗したときに手順を修正したか。 |
| 最終報告 | 完了した作業と未確認事項が実行記録と一致するか。 |
| 作業全体の時間 | 最初のトークンではなく、検証を含む完了までの時間。 |
本記事の元資料には、この条件で3モデルを比較したAPIの生記録はありません。この表は再利用できる評価方法を示すもので、実施済みの比較結果ではありません。
Gemini 3.8 Flash、Hydrogen、Argonの使い分け
3.8 Flashは、短い処理が安定稼働していて待ち時間に敏感な場合、比較結果が出るまで維持します。Hydrogenは、修正範囲と合格条件が明確なコーディング、連続したツール操作、作業の締めくくりに向きます。Argonは、制約の衝突や長期の依存関係を整理してから実装を始めたい場合に選びます。さらに深い計画が必要なときに、Carbonを別途検討します。
「修正案が自然に見える」だけで完了と判定しないことが、この選択の共通条件です。差分、テスト結果、未確認の点まで揃って初めて、Agentが仕事を終えたと判断できます。
参考資料
- Google, Introducing Gemini 4 Hydrogen, 2026年11月12日。
- Google DeepMind, Gemini 4 Hydrogen Model Card, 2026年11月。
- Google Cloud, Gemini 4 Hydrogenのモデル仕様と開発者向け資料、2026年11月17日確認。
- Google, Gemini 3.8 Flashの発表資料、2026年9月。
- Google DeepMind, Gemini 4 Hydrogenの評価結果と方法、2026年11月。


