54 分。差一分。Artificial Analysis 给 Gemini 4 Hydrogen 新增的 xhigh 推理档打出这个数字，比 Claude Sonnet 5.5 的 max 档和 GPT-6.1 Sol 的 max 档各低 1 分。三个名字并排躺在 Intelligence Index 上，差距小到可以当作测量误差处理。真正的信息在另一栏：每任务成本，Hydrogen 约为 Sonnet 的 32%，却约为 GPT-6.1 Sol 的 2.5 倍。谷歌这次没打算抢王座，它想抢的是中间那一层。
一分之差背后，是三种完全不同的算盘
xhigh 这个档位，究竟开给谁
推理档位正在变成模型上的一个旋钮。同一个 Hydrogen，用户可以选让它想三秒还是想三十秒，xhigh 是最费算力的那一格。这个设计的潜台词很直白：智能不再是一个固定属性，而是一条可调曲线，账单跟着一起调。
对做基准测试的人，xhigh 是"这个模型的天花板"；对采购的人，xhigh 是"最贵的那条执行路径"。没有哪个团队会把全量流量都丢进顶档，所以真正的问题从来不是顶档多少分，而是从低档爬到顶档要多付多少钱、换回几个点。
三家挤在同一条线上，价签却各写各的
54、55、55——这种量级的差距已经很难当作采购理由。能力趋同之后，剩下的变量变得朴素：每任务成本、延迟、限流、稳定性、以及出问题时你能不能找到人。榜单的语义也随之改变，它比较的重点，正从"谁更聪明"转向"谁更划算"。
这也是为什么 Artificial Analysis 这次把各推理档的智能、幻觉率、终端任务和成本一起放出来。单看一个分数，判断不了一门生意。
32% 和 2.5 倍，别只记住前一个
对 Sonnet，Hydrogen 便宜得不像同级选手——三分之一的价钱买差一分的智能，这笔账谁都会算。可对上 GPT-6.1 Sol，它反过来贵出 2.5 倍。两句话拼起来才完整：OpenAI 那一档把每任务成本压到了极低，而谷歌的刀口，对准的是 Anthropic。
把三家混在一起算平均价，是选型里最常见的错。你真正的替代项只有一个，不是两个。
只比智商分数，注定选错模型
幻觉率不写进那 54 分
智能指数不会因为模型一本正经地编造而扣分。一个 54 分、幻觉率偏高的模型，放进客服、法务条款比对、病历摘要这类场景，省下的推理费会以人工复核的工时还回去，而且往往还得更贵。Artificial Analysis 把幻觉率单独列出来，理由就在这里——它是成本项，不是质量项。
更反直觉的是，幻觉率在不同推理档位之间并不单调。多给思考预算，有时能压住胡编，有时反而让模型更自信地沿着错误路径走到底。这一条必须自己测，别信任何单一数字。
终端任务：跑得动和跑得完是两回事
跑命令行、改仓库、串多步工具调用，考的是长链路的稳定性，不是单点智商。xhigh 在这类任务上通常收益明显，多出来的预算基本花在自我检查和回退上。但评测集里的任务长度，和真实项目差着数量级。真实任务动辄几十步，步数一长，任何一步的单步成本都会被放大成账单上的一根柱子。
比价要按"办成一件事"结算
per-task cost 已经比 per-token 靠谱得多，可它仍然依赖任务分布。你的活儿如果比评测集更长、更吃工具、更容易触发重试，成本曲线会往上漂。做预算时留 1.5 倍余量，不算保守，算清醒。
谷歌的刀法
贴着 Sonnet 打，绕开 Sol 的正面
32% 这个数字不是随手定的。它精准地落在"让 Anthropic 的客户至少犹豫一下"的位置上。定价从来不只是成本加成，它是市场分层声明：Hydrogen 想服务的是那些原本按月付 Sonnet 账单、正被预算部门追问 ROI 的团队。
至于 GPT-6.1 Sol 那一档的每任务成本，谷歌这次没去碰。承认打不过，比硬报一个低价然后靠限流把客户磨走要诚实。
档位越细，选型的活越重
智能与成本之间不是直线。从低档爬到 xhigh，多付的钱换回的可能只有一两个点。成熟的团队最后大多会把八成流量放在中间档，只在少数任务上升级顶档——这才是档位细化的正确用法，也是它真正的麻烦：你必须先搞清楚，自己哪些任务值那一两个点。
回答不了这个问题，档位越多，浪费越多。你只是在用更精细的方式支付不必要的费用。
把结论落到选型桌上
什么活可以放心交给 xhigh
长链路 agent、跨文件重构、需要多轮自我验证的分析报告、以及那些"做错了要重来一遍"的任务。这些场景里，思考预算花在纠错上，性价比是真的高。评估方式也简单：拿二十个真实任务跑两档，对比一次性通过率，别看平均分。
什么活别交
分类、抽取、格式转换、短问答。用 xhigh 干这些，等于拿手术刀削铅笔。这类流量交给低档位，或者干脆换成更小的模型，省下来的钱足够你在关键路径上敞开用顶档。
接下来盯住哪几个数
三个。一是幻觉率随档位变化的曲线，它很少是直线；二是终端任务的成功率而非分数，成功率才对应返工成本；三是延迟和限流，榜单不测这两项，但它们才是让你半夜爬起来看监控的东西。
至于那 1 分的差距——等下一个版本再说吧。它现在唯一的作用，是让三家在榜单上挨得更近一点，逼着你去看价签。
