AI Models阅读约 7 分钟

一份周报需要多少推理?Gemini 4 Hydrogen 的对比测试

用同一份会议录音、PDF 和电子表格,对比 Gemini 4 Hydrogen 不同推理设置下的审核时间、成本和来源准确性。

K
Ken Jo

会议结束四十分钟了。你手上有一份录音、一张电子表格和修订后的项目 PDF。负责人想要一份简报,列出获批的截止日期、各项工作的负责人和变更原因。模型几秒钟就能给出答案,可如果你还要重听会议才能找到日期的出处,就可能再花十五分钟。

Google 于 2026 年 11 月 12 日发布 Gemini 4 Hydrogen,将它定位为适合日常编程和智能体工作的 Gemini 4 模型。公告列出了 Gemini 应用、Google AI Studio、Gemini API 等使用入口。在 Google Cloud 的 Agent Platform 上,Hydrogen 接受音频、图像、视频、文本,以及多种 Office 和 OpenDocument 文件。对其他条件相近的请求,开发者可以用四档推理级别调节模型投入的思考量。 Google 发布公告 · Google Cloud 模型文档

第一次可以拿团队每周都要做的一份报告来试。把同一组文件交给两种 Hydrogen 设置,要求生成同样的简报,然后分别记录审核人员多久能确认并通过。资料发生冲突时,更深的推理是否能省下人工,就容易比较了。

答案虽短,需要核对的依据可能不少

假设项目 PDF 第 12 页把上线计划写为 5 月 14 日,进度表写着 5 月 19 日,录音里则有人提议改到 5 月 21 日。三个日期的含义不同。改期提议可以写进简报,但需要与已确认的日期区别开。即使最终只有四行,输出也应该保留这些区别。

这类工作适合尝试原生多模态输入,因为证据散落在不同介质里。有人可能在会上解释了表格数字为何改变,PDF 可以说明发出的是哪版计划,已批准的金额也许在某个单元格里,单位则写在列标题上。把资料一起交给模型,可以省下手工转录、重打表格或复制个别页面的工夫。模型选用哪条证据也因此更重要。

比较前给每份输入取一个稳定的名称。录音注明文件名和时间戳格式,电子表格注明工作表,并要求引用单元格或行。PDF 印刷页码与文件页码不同时,写清采用哪一个。这点准备能让审核人员在资料移到共享文件夹后仍能核对引用。

从会议录音、项目 PDF 和电子表格提取各条结论,审核人员再逐一回到原始资料核对

给每条影响决策的结论附上审核人员能打开的出处。Telli.sh 原创图。

在测试里放一个尤其容易的对照案例。如果批准的预算在一张标记清楚的工作表里,两种设置都应该很容易找到它。再加一个难例,比如会议讨论了两个预算方案,但没有最终决定。明确标注「尚未决定」应当得分。难例越接近团队日常碰到的审核错误,比较就越有用。

四档推理级别可以作为对照变量

Google Cloud 为 Hydrogen 列出了 LOW、MEDIUM、HIGH 和 XHIGH。在文档所描述的 API 界面上,默认是 HIGH。团队可以先比较 LOW 与默认值,若两者都处理不好反复出现的边缘情况,再加另一档。先核对计划使用的产品入口。API 提供的选项,在面向消费者的应用中未必以同样的四项菜单出现。 Google Cloud 模型文档

配置尽量简单。模型 ID、附件、提示词和预期的输出格式都保持一致。关闭对比中不需要的工具,以免文档审核变成网页搜索或一连串无关操作。答案长度应符合实际读者的需要。委员会要在一页纸上看到六项决定,那就控制在一页,即使某个设置能生成长得多的报告。

记录发出请求到完整答案返回的时间。如果有人会边生成边读,也记下开始输出的时刻。再测量审核人员核对、纠正和签字通过的时间。首个 token 迟迟不来会影响交互体验,首个 token 很快也可能要等很久才生成完。两种观察都有用,但都不包含人核对无依据数字的时间。

把两份草稿放到同一种审核格式里,请审核人先不看生成设置。逐条标记截止日期、负责人和数字。给出精确出处应比只链接项目文件夹得分更高。区分事实错误和措辞修改,就不会让风格差异掩盖证据质量。

记录项目可观察的现象记录的理由
完整响应时间最终答案全部返回所需的时间表明批量审核人员要等多久才能开始
来源准确性指定页、单元格或时间段是否支持结论衡量核实一条引用的负担
冲突处理相互矛盾的日期是否被清楚标为未决避免把暂定方案写成已作决定
人工审核时间确认、纠正和通过需要几分钟纳入生成后剩下的实际工作
请求成本对应服务入口的使用量、费用及重试成本算清一份团队能采用的简报花了多少钱

百万 token 的容量也需要分配

Google Cloud 文档把相应 Hydrogen 接口的输入和输出合计上限列为 1,048,576 token。这里的输出包括推理、函数调用和最终答案。一次前台生成片段最多可输出 65,536 token,支持继续生成的流程可以在总上限内延长生成。与分别公布上下文和输出限制的系统比较时,要考虑这个区别。 Google Cloud 模型文档

第一轮没有必要把整个部门的归档都放进去。周报需要的是现行资料,以及理解这次变更所需的最少历史信息。旧进度表在制作变更记录时可能有用。若没有标明日期和状态,直接放在当前文件旁边,则会多出一些看起来也说得通的引用。

音频和扫描文件也值得单独列为用例。录音里说话很轻的人,或多次提到相似名字的人,可能比会议元数据里的与会人更难识别。Google Cloud 的文档说明,扫描 PDF 默认不使用 OCR。如果扫描附件是核心资料,要先确认你使用的流程能否取得所需文字,再判断结果是否受推理级别影响。 Google Cloud 模型文档

合理使用上下文的一种方式,是围绕同一份资料包问两个问题。先要一份简洁的决策清单,再针对一条有争议的说法做审核,要求列出对应段落或时间戳以及仍不确定的地方。第一个回答应方便快速浏览。第二个应有足够资料,让审核人不用从头调查也能解决分歧。

同一份资料包交给两种推理设置,再比较响应时延、成本、来源准确性和审核工作量

用相同输入比较两种设置,把生成后的审核工作也计入。Telli.sh 原创图。

草稿更快,得看能否更早通过审核

Google 的发布资料称,Hydrogen 在 Multimodal Knowledge Agent 上得到 53.4%,在 Agents' Last Exam v1.1 上得到 71.6%。这是 Google 披露的指定评测结果,可以作为试点文档综合任务的理由。若团队经常遇到表格版本争议,仍应设计自己的案例,测试看似可信的答案与表格内容冲突时会怎样。 Google 发布公告、基准和演示

假设有两次运行。第一份草稿 20 秒就出来,但两处引用含糊,得花四分钟核查。第二份用了 45 秒,却给每个数字标了具体出处,只要一分钟就能确认。生成更快的一份反而让审核人员等得更久。反过来,如果较深的设置花更多时间解释一个明确的文件,日常简报也可能变慢而没有改善。

做一张简单的对比表。记录是否需要重新生成,以及原因。遇到重要错误,区分模型是忽略了某份输入、误读日期格式、引用了真实但不能支持结论的段落,还是自行推断出从未发生的批准。原因不同,对应的修法也不同。缺少信息时可以改进资料准备,矛盾理解错误时可能要换模型设置,或增加针对该项的人工确认。

若任务会反复使用同一份背景材料,把首次请求和重复请求的速度分开记录。Google Cloud 介绍了 Hydrogen 的隐式缓存。对比设置时要纳入缓存和实际计费,因为第二次运行与第一次的差别可能和推理无关。要可信地估算周报成本,应模拟生产中会重复使用的文件和上下文。 Google Cloud 模型文档

用一次小试点确定下一份周报的做法

  1. 选三套已知决定及其出处的往期材料。一套常规资料,一套修订写在另一个文件里,还有一套有真实冲突。根据使用的服务,选择公开、合成或经批准的材料。
  2. 在计划部署的 API 或工作空间打开 Hydrogen。通过 API 对比时,确认设置已生效,其余请求条件一致。文档所述 Cloud API 可先试 LOW 和 HIGH。
  3. 要求在一页内写清决定、负责人、时间和每项的精确出处。指示模型区分提议和批准,有冲突就明确标记。能提供页码、工作表单元格或时间戳范围时应写出来。
  4. 在不知道生成设置的情况下给每份草稿评分。把证据错误和措辞修改分开计数。用服务的用量信息记录完整响应时间、总审核时间、重试和观察到的费用。
  5. 按对比结果分配任务。如果常规材料能稳定通过,就从那里开始使用。若分歧常见,可以给争议项使用更强的设置或人工确认。流程改变后再补充新案例。

相同的方法也能用在结构相似的工作里。客户成功团队可以用交接录音和工作说明书核对承诺。研究者可以把简报录音与已发表的结果表放在一起,检查口头解释是否符合数字。都应把答案建立在人能回去验证的原文位置上。

报告准备发给别人之前,再看一遍它如何表达不确定之处。一份早期草稿写明「负责人尚未确认」,往往比一个自信的猜测更有用。生成终稿时继续标明缺失的信息,记录哪些项目在发出前需要人来决定。即使下一次还是用同一个模型,审核也会更容易。

Hydrogen 的推理选项让团队能够调节生成报告花的时间。哪种设置值得采用,可以看它能否缩短从打开原始资料到审核通过一份可信报告的过程。

来源


想把原始文档、会议记录和跟进笔记保存在一起,可以创建 Telli.sh 账号。


← 返回博客