Googleは米国時間2026年11月12日、新しいAIモデル「Gemini 4 Hydrogen」を発表した。開発者向けのGemini APIで一般提供を開始するとともに、Google検索にも世界規模で展開する。従来のGemini 3.8 Flashを引き継ぐモデルで、コーディングやツールを利用した業務の自動化を中心に性能を高めた。Zapierが実施した業務自動化の評価では、上位モデルのGemini 4 Argonとほぼ同じ成功率を、約半分の推定費用で達成している。ただし、ソフトウェアのバグ修正、端末操作、科学分野の課題ではモデルごとに得意分野が異なり、実際の費用対効果は用途や推論設定によって変わる。
Gemini 3.8 Flashから何が進化したのか
Google DeepMindのモデルカードによると、Gemini 4 Hydrogenは上位モデルのGemini 4 Carbonを基に開発された。GoogleはCarbonとArgonを複雑で長時間の推論が必要な作業に、Hydrogenを日常的なコーディングやツールを組み合わせた業務処理に適したモデルとして位置付けている。特に大規模なコードベースを扱う場合、複数のファイルの読み取りや検索を並列に実行し、その結果から調査対象や修正箇所を絞り込める。こうした処理は、複数のツールを使いながら段階的に作業を進めるAIエージェントにとって重要になる。
Googleが公表した「Terminal-Bench 4.1」の評価では、Gemini 3.8 Flashの成功率が18.2%だったのに対し、Hydrogenは57.0%を記録した。改善幅は38.8ポイントに達する。また、Googleによれば、既定の推論レベルであるHighを使用したHydrogenは、旧Flashより2.5倍速くタスクを完了し、事実に基づかない内容を生成する頻度も旧モデルの5分の1未満に減少したという。ただし、これらはGoogleが公表した評価結果であり、実際の業務でも同程度の改善が得られるとは限らない。
旧モデルから移行する際には、推論レベルの既定値が変更されている点にも注意が必要だ。Google Cloudの移行ガイドによると、Gemini 3.8 Flashの既定値はMediumだったが、HydrogenではHighに引き上げられた。推論レベルを指定せずにAPIを利用している場合、モデルを切り替えるだけで推論設定も変わることになる。その結果、回答品質だけでなく、処理時間やトークン消費量、実行費用にも影響する可能性がある。
業務自動化では上位モデルに匹敵、費用は約半分
業務自動化におけるHydrogenの性能を具体的に測定したのが、Zapierだ。同社は11月10日、顧客管理などを想定した657件の模擬業務を対象に、推論設定を変えながらHydrogenを評価した結果を公表した。評価には「AutomationBench 1.0.6」を使用し、実行後の業務データが課題ごとに定められた条件をすべて満たした場合のみ成功と判定している。AIがもっともらしい説明を生成しても、必要なデータの更新や操作が完了していなければ成功には含まれない。
Zapierのベンチマーク報告によると、推論レベルHighのHydrogenは657件中336件の課題を完了し、成功率51.1%を記録した。これは上位モデルのGemini 4 Argonとわずか0.2ポイント差であり、推定費用は約半分に収まっている。
| Gemini 4モデル（推論レベルHigh） | 成功率 | 推定費用（米ドル／タスク） |
|---|---|---|
| Hydrogen | 51.1% | 0.82 |
| Argon | 51.3% | 1.63 |
| Carbon | 53.9% | 1.94 |
Hydrogenのタスク当たりの推定費用は0.82ドルで、Argonの1.63ドルに対して約50%、Carbonの1.94ドルに対して約42.3%だった。Carbonは成功率53.9%で最も高い成績を記録したが、Hydrogenとの差は2.8ポイントにとどまる。少なくとも今回の模擬業務では、Hydrogenは上位モデルに近い成功率を維持しながら、実行費用を大幅に削減できたことになる。
ただし、Zapierの費用はキャッシュの利用を含む推定値であり、Hydrogenの計算にはGemini 3.8 Flashの定価が使われている。具体的には、キャッシュからの読み取り費用を100万トークン当たり0.15ドルとしているが、Googleが公表したHydrogenの標準有料料金では0.075ドルだ。このため、実際のAPI料金を適用した費用は、Zapierの試算と異なる可能性がある。また、同じ報告ではClaude Sonnet 5.5が44.7%、Claude Fable 5.2が51.4%の成功率を記録したが、両モデルは推論設定がMaxで、費用の算定条件も異なるため、単純な比較には注意が必要だ。
推論レベルを上げても、費用対効果が改善するとは限らない
Hydrogenでは推論レベルによって成功率と実行費用が大きく変わる。ZapierはLow、Medium、Highの3段階で同じ業務評価を実施し、失敗した試行も含めて費用を算出した。さらに、全試行の推定費用を成功件数で割り、成功1件当たりに必要な費用も比較している。
| Hydrogenの推論レベル | 成功率 | 推定費用（米ドル／タスク） | 成功1件当たりの推定費用（米ドル） |
|---|---|---|---|
| Low | 30.6% | 0.18 | 0.58 |
| Medium | 46.7% | 0.41 | 0.88 |
| High | 51.1% | 0.82 | 1.61 |
MediumからHighへ引き上げると、成功率は46.7%から51.1%へ4.4ポイント改善した。一方、タスク当たりの推定費用は0.41ドルから0.82ドルへ倍増し、成功1件当たりの費用も0.88ドルから1.61ドルへ増加している。さらに、業務運用を扱う「Operations」分野に限ると、Mediumの成功率は65.0%、Highは64.0%で、推論レベルを上げても成績は改善しなかった。
この結果は、常に最も高い推論レベルを選ぶことが、業務自動化における最適解とは限らないことを示唆している。例えば、失敗しても容易に再試行できる定型業務では、低い推論レベルの方が費用を抑えられる可能性がある。一方、失敗による影響が大きい作業では、成功率の向上に追加費用を支払う価値があるかもしれない。実際の導入では、API料金だけでなく、再試行の回数や人間による確認・修正に必要な費用も含めて評価する必要がある。
コーディング、端末操作、科学分野ではモデルごとに優劣が分かれる
Hydrogenはすべての評価項目で他社モデルを上回っているわけではない。Google DeepMindが公開したモデルカードでは、Hydrogen、Claude Sonnet 5.5、GPT-6.1 Terraの性能を複数のベンチマークで比較している。ソフトウェアの不具合修正を評価する「SWE-sweep」ではHydrogenが大きくリードした一方、端末操作や科学分野の課題では他社モデルが優位に立つ項目もあった。
| ベンチマーク | Gemini 4 Hydrogen | Claude Sonnet 5.5 | GPT-6.1 Terra |
|---|---|---|---|
| SWE-sweep | 13.5% | 3.1% | 5.8% |
| Terminal-Bench 4.1（不正な解法を考慮した調整後） | 57.0% | 63.9% | 未掲載 |
| Agents’ Last Exam v1.1 | 71.6% | 60.4% | 69.8% |
| AutomationBench-AA | 76.1% | 71.8% | 60.2% |
| OSWorld-2.1（オフライン課題） | 77.6% | 83.9% | 74.2% |
| Chartography | 66.6% | 61.6% | 63.2% |
| Terminal-Bench-Science 0.1 | 51.4% | 59.9% | 58.3% |
| HLE-Diamond | 58.8% | 53.3% | 47.3% |
※ 太字は各評価項目における掲載モデル中の最高値。
HydrogenはSWE-sweepで13.5%を記録し、Sonnet 5.5の3.1%、Terraの5.8%を上回った。業務自動化を評価するAutomationBench-AAでも76.1%で首位となり、Agents’ Last ExamやChartography、HLE-Diamondでも比較対象を上回っている。一方、端末操作を評価するTerminal-Bench 4.1ではSonnet 5.5が63.9%を記録し、Hydrogenの57.0%を上回った。画面操作を伴うOSWorld-2.1でもSonnet 5.5が83.9%と最も高く、科学課題を端末上で解くTerminal-Bench-Science 0.1ではSonnet 5.5とTerraの双方がHydrogenを上回っている。
こうした違いは、AIエージェントに任せる作業の内容によってモデルを選ぶ重要性を示している。コードの不具合を特定して修正する作業と、端末や画面を操作して複数の手順を進める作業では、求められる能力が異なる。実際の開発業務では両方の工程が含まれることも多いため、一つのベンチマークの成績だけで適性を判断することは難しい。
なお、DeepMindの比較表にあるAutomationBench-AAの76.1%と、Zapierが測定した51.1%は、異なる評価条件に基づく数字だ。ZapierはAutomationBench 1.0.6を使用し、課題に設定されたすべての完了条件を満たした場合のみ成功と判定している。名称が似ていても評価方法が異なるため、両者の成功率を直接比較することはできない。
総合指数では上位モデルを上回るが、処理速度には差がある
Googleが発表したArtificial Analysisの総合指数では、Hydrogenは既定の推論レベルHighで51、最大のXHighで54を記録した。Argonの50を上回っている一方、DeepMindが公開したCarbonの別の比較表では、同指数のバージョン5.0でCarbonが59、Argonが50となっている。Hydrogenは一部の総合評価で上位のArgonを超えているものの、Carbonとの差は残っている。
また、人工的な評価環境での処理速度も重要な比較材料となる。Artificial Analysisの掲載値によると、推論レベルLowで総合評価のタスクを完了するまでの所要時間は、GPT-6 Lunaが0.6分、GPT-6.1 Terraが1.1分、Hydrogenが1.3分だった。これは3モデルともLow設定で測定した結果であり、Hydrogenの既定値であるHighの応答時間を示すものではない。実際の導入では、利用する推論レベルをそろえ、成功率と処理時間の両方を比較する必要がある。
API料金と移行条件、旧Flashからの乗り換えで注意すべき点
Gemini 4 Hydrogenの標準API料金は、Gemini 3.8 Flashの通常料金と同水準に設定されている。ただし、旧Flashには2026年末まで導入割引が適用されるため、11月12日時点の料金で比較すると、Hydrogenは入力・出力ともに2倍の単価となる。上位モデルのCarbonとArgonについても導入価格が設定されているが、こちらは11月30日で終了する予定だ。
主要モデルの標準API料金を比較すると、以下のようになる。
| モデル | 入力料金（米ドル／100万トークン） | 出力料金（米ドル／100万トークン） | 料金改定・長文入力の条件 |
|---|---|---|---|
| Gemini 4 Hydrogen | 1.50 | 7.50 | 文脈長による追加料金なし |
| Gemini 3.8 Flash | 0.75 | 3.75 | 2027年1月1日から1.50／7.50ドル |
| Gemini 4 Carbon・Argon | 2.00 | 10.00 | 2026年12月1日から4.00／20.00ドル |
| Claude Sonnet 5.5 | 2.00 | 10.00 | — |
| GPT-6.1 Terra | 1.00 | 5.00 | 入力27万2,000トークン超のリクエストは入力2倍、出力1.5倍 |
※ 2026年11月12日時点の基本単価。キャッシュ利用や検索などのツール呼び出しに伴う費用は含まない。
Hydrogenの入力・出力単価は、CarbonとArgonの導入期間中の価格より25%安く、12月1日の料金改定後は62.5%安くなる。一方、GPT-6.1 Terraの標準単価はHydrogenを下回るが、入力が27万2,000トークンを超えるリクエストでは、入力全体に通常の2倍、出力全体に1.5倍の単価が適用される。このため、大量の資料を入力する用途では、単純な基本単価の比較だけでは実際の費用を判断できない。
また、同じタスクでもモデルによって推論トークンの消費量やツールの呼び出し回数が異なるため、請求額に差が生じる。Hydrogenを導入する際には、入力資料やタスクの完了条件をそろえ、成功率だけでなく実行1回当たりの費用や成功1件当たりの費用も比較することが重要だ。旧Flashから移行する場合は、現在の割引価格ではなく、2027年以降の通常料金も踏まえて運用費を試算する必要がある。
最大約105万トークンの文脈長とAPI仕様
Google Cloudの公開仕様によると、Hydrogenが扱える入力と出力の合計は最大104万8,576トークンとなっている。通常の生成では出力上限が6万5,536トークンに設定されており、この枠には最終回答だけでなく、内部の推論やツール呼び出しも含まれる。長い文章や複雑な処理を継続して生成する場合は、Interactions API、GenerateContent APIのいずれでもv1beta1を使用する必要がある。継続生成を含む出力全体の上限は、合計トークン枠から入力分を差し引いた残りとなるため、大量の資料を読み込ませるほど、推論や出力に利用できる容量は小さくなる。
推論レベルはLow、Medium、High、XHighから選択でき、既定値はHighだ。旧モデルで使われていたthinking_budgetやMINIMALを指定したままリクエストを送ると、HTTP 400エラーが返される。そのため、Gemini 3.8 Flashから移行するアプリケーションでは、モデル名の変更だけでなく、推論設定に関するパラメータも見直さなければならない。
キャッシュについては、入力の共通部分を自動的に再利用する暗黙的キャッシュに対応しており、対象となる最小入力長は4,096トークンだ。共通のシステム指示や大量の参照資料を繰り返し使用する用途では、キャッシュによって費用を抑えられる可能性がある。ただし、旧FlashとHydrogenではキャッシュ料金や既定の推論設定が異なるため、従来の利用条件を前提とした費用見積もりは更新する必要がある。
上位モデルとHydrogenを組み合わせる「Orchestrator」
Googleは開発環境「Antigravity」に、同じ作業セッション内で複数のGeminiモデルを切り替えて利用する「Orchestrator」も導入した。例えば、複雑な作業の計画や割り振りをCarbonに担当させ、実際のコード修正や動作確認はHydrogenが隔離された作業環境で並列に進めるといった使い方ができる。すべての工程を高性能なモデルに任せるのではなく、作業内容に応じてモデルを使い分けることで、処理時間や利用枠の消費を抑える狙いがある。
GoogleがTerminal-Bench 4.0で実施した試験では、Orchestratorを利用した構成はCarbon単独に近い成功率を維持しながら、Googleの利用枠の消費を平均24%削減し、タスクの完了時間も19%短縮したという。ただし、具体的な成功率や利用枠の消費量を金額に換算した数値は公表されていない。今回の結果は、比較的軽量なモデルを実行工程に割り当てることで、AIエージェント全体の効率を改善できる可能性を示している。実際の効果は、どの工程を上位モデルに任せ、どの工程をHydrogenへ振り分けるかによって変わる。
Google検索にも世界規模で展開、Geminiアプリでは自動選択
Hydrogenは開発者向けAPIだけでなく、Google検索にも世界規模で導入される。Googleによると、新しい検索システムは複数の条件を含む質問を受け取ると、調べるべき論点を分解し、それぞれに対応する検索クエリを並列に実行する。Hydrogenの推論能力を活用することで、質問の意図をより詳しく把握し、関連する情報やリンクを幅広く探せるようにするという。回答内容に応じて画像や比較表、専用の操作ツールなども表示される。
今回の更新では、言語理解の改善がGoogle検索のAIモードに対応するすべての言語で適用される。英語だけでなく、日本語を含む各言語の利用者も対象となるため、複雑な質問に対する回答の構成や情報収集の方法が変わる可能性がある。ただし、検索結果の精度や外部サイトへのアクセスがどの程度改善するかについては、Googleは具体的な実測値を示していない。
GeminiアプリでもHydrogenが利用されるが、すべての質問を新モデルが処理するわけではない。無料プランでモデルの自動選択を有効にしている場合、深い推論が必要な質問ではHydrogenが選ばれることがある。一方、一般的な質問の多くはFlash-Liteが担当する。利用者がモデルを明示的に指定しなくても、アプリ側が質問の内容に応じて適切なモデルへ振り分ける仕組みだ。
検索への導入は、Webサイト運営者にとっても注目すべき変化となる。Hydrogenによって検索の対象となる論点や関連リンクが広がれば、従来は検索結果に表示されにくかったサイトが読者に見つけられる機会が増える可能性がある。一方、検索画面に表示される要約や比較表、画像だけで利用者の疑問が解消されれば、外部サイトを訪問する必要がなくなる場合もある。実際に外部サイトへの流入が増えるかどうかは、リンクの表示回数やクリック率、流入数などを継続して確認しなければ判断できない。
Gemini 4 Hydrogenは、AIモデルの性能向上に加えて、実行費用と処理効率を重視した製品といえる。業務自動化では上位モデルに近い成功率を低コストで達成した一方、端末操作や科学分野では他社モデルが優位に立つ評価項目もあり、万能な選択肢ではない。今後は実際の業務でどこまで費用対効果を改善できるかに加え、Google検索への大規模な導入が利用者の検索行動や外部サイトへの流入にどのような変化をもたらすかが注目される。
