BenchLeader

Gemini 4 Hydrogen vs GPT-5.4

完整资料:Gemini 4 Hydrogen(Google)和 GPT-5.4(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,Gemini 4 Hydrogen 与 GPT-5.4 的质量不相上下(BenchLeader Index 63.4 比 63.1,在 ±3.3 的误差范围内)。Gemini 4 Hydrogen 更便宜,对方的价格是它的 1.9 倍(每百万 token 混合价格 $3.00 比 $5.63)。看重知识(69 比 59)、编程(69 比 65)和推理(70 比 66)选 Gemini 4 Hydrogen;看重智能体与工具(63 比 62)选 GPT-5.4。Gemini 4 Hydrogen 的首次回答更快(16.2 秒 比 144.9 秒)。Gemini 4 Hydrogen 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Gemini 4 Hydrogen 的 BenchLeader Index 为 63.4,GPT-5.4 为 63.1(BenchLeader,2026年11月16日)。
  • Gemini 4 Hydrogen 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • GPT-5.4 每百万 token 混合价格为 $5.63(标价,2026年11月16日)。
  • Gemini 4 Hydrogen 比 GPT-5.4 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
编程Gemini 4 Hydrogen类别得分 69 比 65中
智能体与工具调用GPT-5.4类别得分 63 比 62中
数学Gemini 4 Hydrogen类别得分 68 比 65中
推理Gemini 4 Hydrogen类别得分 70 比 66中
知识Gemini 4 Hydrogen类别得分 69 比 59高
对话质量(人类偏好)–只有 Gemini 4 Hydrogen 有 Arena 评分(类别得分 68)无法比较
成本最低Gemini 4 Hydrogen每百万 token 混合价格 $3.00 比 $5.63;智能体编程会话 $0.120 比 $0.210–
首次回答最快Gemini 4 Hydrogen首个回答 token 16.2 秒(Gemini 4 Hydrogen (high))比 144.9 秒(GPT-5.4 (xhigh))–
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • Gemini 4 Hydrogen (high) 与 GPT-5.4 (xhigh) 的质量不相上下(63.4 比 63.1,在 ±3.3 的误差范围内)。
  • Gemini 4 Hydrogen (high) 在编程、知识、数学、推理方面更强。
  • GPT-5.4 (xhigh) 在智能体与工具方面更强。
  • Gemini 4 Hydrogen (high) 更便宜,对方的价格是它的 1.9 倍(每百万 token 混合价格 $3.00 比 $5.63)。
  • Gemini 4 Hydrogen (high) 的输出速度是对方的 2.3 倍(170 比 73 token/秒)。

概览

规格Gemini 4 HydrogenGPT-5.4
提供商GoogleOpenAI
发布日期2026年11月12日2026年3月5日
上下文窗口(token)1,048,5761,050,000
对比时的配置Gemini 4 Hydrogen (high)GPT-5.4 (xhigh)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.50 / $7.50 / $0.075$2.50 / $15.00 / $0.250

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Gemini 4 Hydrogen (high)GPT-5.4 (xhigh)领先者
推理69.665.7Gemini 4 Hydrogen
编程68.864.7Gemini 4 Hydrogen
智能体与工具61.763.0GPT-5.4
数学67.864.8Gemini 4 Hydrogen
知识68.558.6Gemini 4 Hydrogen
指令遵循–72.4无法比较
人类偏好68.2–无法比较
多模态–60.8无法比较
长上下文–65.7无法比较

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程智能体与工具数学知识Gemini 4 Hydrogen, 推理: 69.6Gemini 4 Hydrogen, 编程: 68.8Gemini 4 Hydrogen, 智能体与工具: 61.7Gemini 4 Hydrogen, 数学: 67.8Gemini 4 Hydrogen, 知识: 68.5GPT-5.4, 推理: 65.7GPT-5.4, 编程: 64.7GPT-5.4, 智能体与工具: 63.0GPT-5.4, 数学: 64.8GPT-5.4, 知识: 58.6

未绘制(测得的模型少于两个):指令遵循, 长上下文, 多模态, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 0 项基准测试中,Gemini 4 Hydrogen 领先 0 项,GPT-5.4 领先 0 项。所有同时评测两者的综合评分都认为 Gemini 4 Hydrogen 更强。

综合 IndexGemini 4 Hydrogen (high)GPT-5.4 (xhigh)领先者
BenchLeader Index63.463.1不相上下
Arena Text14901475†Gemini 4 Hydrogen

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Gemini 4 Hydrogen (high)GPT-5.4 (xhigh)
每百万 token 混合价格$3.00$5.63
每百万 token 输入 / 输出$1.50 / $7.50$2.50 / $15.00
每百万 token 缓存输入$0.075$0.250
每项任务价格:聊天回复$0.0029$0.0055
每项任务价格:总结一份 30 页的报告$0.022$0.039
每项任务价格:代码编辑$0.020$0.037
每项任务价格:智能体编程会话$0.120$0.210
每项任务价格:结构化信息提取$0.0045$0.0080
智能体编程会话(输入大多命中缓存)$0.056$0.109
每项基准测试任务成本(AA Index)$1.87–
每项任务输出 token(AA Index)85k–
其中推理部分48k–
每项任务耗时(AA Index)8 min–
输出速度170 tok/s73 tok/s
首次回答时间16.2 秒144.9 秒
完整回答耗时(最近一次测量 2026年11月13日)63.3 秒193.1 秒

每个模型都按其排名最高的推理强度设置进行对比。Gemini 4 Hydrogen (high) 得分 63.4,首个回答 token 需 16 秒;Gemini 4 Hydrogen (xhigh) 为 61.8(42 秒)。GPT-5.4 (xhigh) 得分 63.1,首个回答 token 需 145 秒;GPT-5.4 (low) 为 58.8(3 秒),GPT-5.4 (high) 为 58.6(2 秒)。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 148 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Gemini 4 Hydrogen (high)GPT-5.4 (xhigh)
BenchLeader IndexBenchLeader63.463.1
智能体与工具得分BenchLeader61.763.0
编程得分BenchLeader68.864.7
人类偏好得分BenchLeader68.2–
知识得分BenchLeader68.558.6
数学得分BenchLeader67.864.8
推理得分BenchLeader69.665.7
指令遵循得分BenchLeader–72.4
长上下文得分BenchLeader–65.7
多模态得分BenchLeader–60.8
混合价格(美元/百万 token)BenchLeader$3.00$5.63
输出速度BenchLeader170 tok/s73 tok/s
首次回答时间BenchLeader16.2 秒144.9 秒
上下文窗口BenchLeader1,048,576 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–93.3%
Humanity's Last ExamScale AI / CAIS–36.2%
Arena Hard PromptsArena (LMArena)15141487†
LiveBench 2.0 ReasoningLiveBench88.6%†–
LiveBench 1.0 ReasoningLiveBench–88.1%
GPQA Diamond (AA)Artificial Analysis–92.0%
Humanity's Last Exam (AA)Artificial Analysis–43.7%
HLE-Diamond (AA)Artificial Analysis54.9%–
GPQA Diamond (Vals)Vals AI–91.7%
Kagi LLM BenchmarkKagi LLM Benchmark–63.8%†
ARC-AGI-1ARC Prize–93.7%
ARC-AGI-2ARC Prize–74.0%
ARC-AGI-3ARC Prize–0.2%†
CritPtArtificial Analysis–23.4%
CritPt v2 hard subset (AA)Artificial Analysis61.5%–
Arena ExpertArena (LMArena)15421491†
Chess PuzzlesEpoch AI Benchmarking Hub–48.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–37.0%
CL-benchEpoch AI Benchmarking Hub–27.9%
CL-bench LifeEpoch AI Benchmarking Hub–21.7%
LMCAEpoch AI Benchmarking Hub–52.0%
DTBenchEpoch AI Benchmarking Hub–94.4%
ForecastBenchForecastBench–63.0%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–76.9%†
SciCodeSciCode–56.6%
显示全部 148 项基准测试
指标发布方Gemini 4 Hydrogen (high)GPT-5.4 (xhigh)
编程
WeirdMLWeirdML–77.7%
GSO-BenchGSO-Bench–31.4%
Arena CodingArena (LMArena)15181511†
Arena WebDevArena (LMArena)17041400†
LiveBench 2.0 CodingLiveBench78.5%†–
LiveBench 1.0 CodingLiveBench–77.5%
LiveCodeBenchVals AI–84.1%
SWE-bench (Vals)Vals AI–78.2%
SWE-Bench ProScale AI SEAL–59.1%
Code MigrationVals AI–35.0%
ProgramBenchVals AI–0.0%
Vibe Code Bench v1.1Vals AI87.8%†67.4%
SWE-Bench Pro (private)Scale AI SEAL–43.4%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–40.8%
SWE Atlas v1.0: RefactoringScale AI SEAL–44.3%
SWE Atlas v1.0: Test WritingScale AI SEAL–44.4%
MirrorCodeEpoch AI Benchmarking Hub–23.3%
DeepSWE v1.1Epoch AI Benchmarking Hub–51.8%
ALE-BenchEpoch AI Benchmarking Hub–1607†
AlgoTuneAlgoTune–1.9†
Terminal-Bench 4.0 (AA)Artificial Analysis54.0%–
Terminal-Bench 2.1 (AA)Artificial Analysis–78.3%
GameBench 2 OverallDuelLab GameBench 2–53.4†
GameBench 2 by reasoning settingDuelLab GameBench 2–62.1
Design Arena WebsiteDesign Arena1320†1190†
FrontierCode 2.0 (AA)Artificial Analysis36.3%–
智能体与工具
Terminal-BenchTerminal-Bench56.4%81.8%†
APEX-AgentsMercor–52.4%†
LiveBench Long AgenticLiveBench61.8%†–
LiveBench BrowserLiveBench77.1%†–
LiveBench Agentic CodingLiveBench–53.8%
Terminal-Bench HardArtificial Analysis–57.6%
τ²-Bench Telecom (AA)Artificial Analysis–87.1%
MCP AtlasScale AI SEAL–70.6%
HiL-BenchScale AI SEAL–9.7%†
τ³-bench Bankingτ²-bench–39.4%
GDPval-AA v2.1Artificial Analysis–1256
τ³-Banking (AA)Artificial Analysis–39.6%
APEX-Agents (AA)Artificial Analysis–33.3%
Finance Agent v2.1Vals AI65.1%†–
Harvey's Legal Agent Benchmark v1.1Vals AI11.3%†–
Harvey's Legal Agent Benchmark v1Vals AI–0.0%
Legal Research BenchVals AI53.9%†–
SkillsBenchVals AI–51.7%
Tax Agent BenchVals AI52.3%†–
Terminal-Bench 2.0 (Vals)Vals AI–58.4%†
Terminal-Bench 4.0 (Vals)Vals AI54.0%†–
Arena SearchArena (LMArena)–1196†
DeepResearch BenchDeepResearch Bench–35.1%†
PostTrainBenchEpoch AI Benchmarking Hub–17.8%†
METR Time HorizonsMETR–74.3%
GBAEvalEpoch AI Benchmarking Hub–45.1%†
Vending-Bench 2Andon Labs–6144.2†
AutomationBenchArtificial Analysis74.4%–
GDP.pdf (AA)Artificial Analysis30.0%–
AA-Briefcase v1.1Artificial Analysis1497–
Design Arena AgenticDesign Arena1262†1042†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis41.4%–
DeepSearchQAGoogle–63.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–78.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub–49.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub–95.3%
ProofBenchVals AI–56.0%
LiveBench MathematicsLiveBench–94.2%
AIME (Vals)Vals AI–96.7%
AIME 2026MathArena–99.2%
HMMT February 2026MathArena–97.7%
USAMO 2026MathArena–95.2%
MathArena ApexMathArena–54.2%
Arena MathsArena (LMArena)14951459†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–45.1%
LiveBench 2.0 Data AnalysisLiveBench83.2%†–
LiveBench ResearchLiveBench86.8%†–
LiveBench 1.0 Data AnalysisLiveBench–79.3%
AA-Omniscience v1.1Artificial Analysis43.7–
MMLU-ProVals AI–87.5%
LegalBenchVals AI–86.0%
CorpFinVals AI–65.3%
TaxEvalVals AI–74.0%
MedQAVals AI–96.1%
PRBench FinanceScale AI SEAL–45.6%†
PRBench LegalScale AI SEAL–44.4%†
MultiNRCScale AI SEAL–58.3%†
CaseLaw v2Vals AI–63.8%
Excel Modeling Benchmark v1.1Vals AI75.8%†–
MedCodeVals AI–41.3%
MedScribeVals AI–77.5%
EBR-benchEpoch AI Benchmarking Hub–25.4%
AA-Omniscience v1.1: accuracyArtificial Analysis48.2%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis91.3%–
指令遵循
LiveBench LanguageLiveBench–82.6%
LiveBench Instruction FollowingLiveBench–70.2%
IFBenchArtificial Analysis–74.0%
Arena Instruction FollowingArena (LMArena)15031460†
人类偏好
Arena TextArena (LMArena)14901465†
EQ-Bench 4EQ-Bench–1258†
EQ-Bench Creative Writing v3EQ-Bench–1841†
Arena Creative WritingArena (LMArena)14921433†
Arena Multi-turnArena (LMArena)14761480†
Arena Longer QueriesArena (LMArena)15141477†
多模态
Arena VisionArena (LMArena)–1292†
LiveBench DesignLiveBench77.3%†–
MMMU-ProArtificial Analysis–78.4%
VISTAScale AI SEAL–50.9%†
MMMU-Pro (Vals)Vals AI–87.5%
MortgageTaxVals AI–68.3%
VTBScale AI SEAL–29.2%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–27.1%†
Furniture AssemblyEpoch AI Benchmarking Hub–37.5%
长上下文
AA-LCR v1.1Artificial Analysis–82.0%
Arena DocumentArena (LMArena)–1471†
MLCRArtificial Analysis21.1%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–157.8†
LiveBench 2.0LiveBench77.0%†–
LiveBench 1.0LiveBench–78.0%
AA Intelligence Index v5.0.1Artificial Analysis50.8–
AA Intelligence Index v4.3.2Artificial Analysis–39.0
AA Progress Index v1Artificial Analysis–311.6
Vals IndexVals AI68.5†–
Vals Finance IndexVals AI66.1%†–
Vals RSI IndexVals AI–15.5%
Vals Legal IndexVals AI73.6%†–
安全与诚实
MASKScale AI SEAL–89.7%†

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

变化

  • GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Gemini 4 Hydrogen (high):10 项新结果(Arena Text, Arena Hard Prompts, Arena Coding…)。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • GPT-5.4 (xhigh):1 项分数修订。
  • GPT-5.4 (xhigh):1 项新结果(AA Progress Index v1)。
  • GPT-5.4 (xhigh):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。
  • GPT-5.4 (xhigh):2 项新结果(USAMO 2026, τ³-bench Banking)。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Gemini 4 Hydrogen vs GPT-5.4:常见问题

Gemini 4 Hydrogen 比 GPT-5.4 更好吗?
Gemini 4 Hydrogen (high) 与 GPT-5.4 (xhigh) 的质量不相上下(63.4 比 63.1,在 ±3.3 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
Gemini 4 Hydrogen 和 GPT-5.4 哪个更便宜?价格会变吗?
目前 Gemini 4 Hydrogen 更便宜:每百万 token $3.00 比 $5.63(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
编程用 Gemini 4 Hydrogen 还是 GPT-5.4 更好?
Gemini 4 Hydrogen 在编程方面得分更高(类别得分 69 比 65,50 为平均水平)。
Gemini 4 Hydrogen 和 GPT-5.4 哪个更快?
Gemini 4 Hydrogen 输出更快(约 2 倍;输出 170 比 73 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 4 Hydrogen 还是 GPT-5.4 更好?
GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 62,50 为平均水平)。
更多问题(3)
处理长文档哪个更好?
两者都约为 1.1M token(Gemini 4 Hydrogen 为 1,048,576,GPT-5.4 为 1,050,000)。
哪个延迟更低?
Gemini 4 Hydrogen 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 16.2 秒比 144.9 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
Gemini 4 Hydrogen 是什么时候发布的?
Gemini 4 Hydrogen 于 2026年11月12日 发布。