【2026年11月版】Google Antigravity 模型选择完全指南：Carbon、Argon、Hydrogen 与 Orchestrator 实战路由

📅 发布日: 2026/11/13, 更新日: 2026/11/13 ⏱️ 预计阅读时间约14分钟 (5,737字)

深度解析 Google Antigravity 中的 Gemini 4 Carbon、Argon、Hydrogen、Orchestrator、Gemini 3.8 Flash、Claude Opus/Sonnet 5.5 与 GPT-OSS 120B。结合官方基准测试与任务容错成本，提供可落地的模型路由策略。

本月结论：在 Antigravity 中不要死磕单一“最强模型”
Antigravity 模型更新脉络
本文的对比方法
按角色解读模型列表
基准测试能读出什么、不能读出什么
分场景实战路由策略
纠结时的选型决策流程图
团队落地时应记录的度量指标
总结
参考资料与出处

本月结论：在 Antigravity 中不要死磕单一“最强模型”

当 Antigravity 的模型列表中同时出现 Carbon、Argon、Hydrogen、Orchestrator 以及 Claude 和 GPT-OSS 时，大家最容易产生的疑问是“到底哪一个最强？”。在真实代码库中反复进行开发与验证后，我的结论是： 按任务难度、迭代次数和失败成本动态切换模型 。

任务类型	首选模型	升级/切换条件	判断依据
小幅修改、摘要、模板代码	Gemini 3.8 Flash	理解偏差或需要跨多文件协同	优先速度与高频迭代
日常功能开发、代码审查、调研	Gemini 4 Argon Medium	需要架构决策或长时间自主执行	日常开发主力标准
复杂故障排查、架构设计、高危变更	Gemini 4 Carbon Medium 或 Claude Opus 5.5	需要独立交叉验证	优先质量与严谨性
中等规模功能的快速迭代	Claude Sonnet 5.5	需要深度推理或最终拍板	兼顾速度与代码质量
拆分多子任务并行推进	Orchestrator（Argon / Carbon）	单次简单任务或配额受限	专为可拆解多步任务设计
评估开源权重模型特性	GPT-OSS 120B	需要托管旗舰级最高质量	结合使用条款与实测结果选择

Note

Carbon、Argon、Hydrogen 与 Orchestrator 是 Antigravity 侧提供的选项名称。由于跨厂商的同条件基准测试以及各名称与底层模型的完整映射表尚未完全公开，本文不将它们强行排入单一总榜。相比猜测未公开的分数，结合已公开评测与自有代码库的验收测试来做选择更加稳妥。

Antigravity 模型更新脉络

模型选项之所以在近期集中扩容，是因为 Antigravity 正从“单一编码助手”演进为“多模型协同的智能体开发平台”。

时间	官方发布与更新	对模型选型的意义
2025年11月20日	Google 发布 Antigravity 公开预览版，除 Gemini 3 Pro 外同时提供 Claude Sonnet 4.5 与 GPT-OSS。	从最初就采用“按场景选模型”而非绑定单一厂商的设计。
2026年10月	发布 Gemini 4 Argon，强化复杂任务与编码推理，并在 Antigravity 中提供。	升级了日常开发与代码审查的标准主力模型。
2026年10月28日	发布 Gemini 4 Carbon，主打长周期智能体任务、软件工程与网络安全。	新增面向高难度架构决策、深度调试与关键变更的旗舰选项。
2026年11月12日	发布 Gemini 4 Hydrogen 与 Antigravity Orchestrator，支持在同一会话内动态切换 Carbon 与 Hydrogen。	让“快速执行者 + 深度规划者”的多模型协同成为可用选项。

Tip

因此，当前的列表并非简单的线性性能排名。 把 Argon / Carbon / Hydrogen 视为不同角色的模型，把 Orchestrator 视为按任务进展动态组合多模型的执行方式 ，选型就会清晰很多。官方数据显示，Orchestrator 在 Terminal-Bench 4.1 上保持接近单用 Carbon 的任务成功率，同时平均节省 24% 配额、缩短 19% 完成时间。不过评测环境未必与你的代码库和套餐完全一致，建议结合下文的任务实测进行验证。

本文的对比方法

如果把不同厂商自报的分数直接排成一列，由于提示词、工具权限、重试次数和评测时间不同，极易产生误导。本文按以下三步判断：

查阅官方公开且评测条件可追溯的基准测试
将 Antigravity 界面上的选项定位与真实任务验收结果区分开
在自己的代码库中实测首次测试通过率、返工轮数与总耗时

特别是在编码智能体场景下，不能只看 SWE-bench 单一指标，还要看是否破坏既有测试、是否严守修改边界，以及代码审查时的返工次数。

按角色解读模型列表

Important

下表中的“适用工作”与“应避免场景”是本文总结的工程实践建议，并非官方综合跑分排名。各厂商的官方跑分将在下一节附带出处单独说明。

选项	角色定位	适用工作	应避免场景
Gemini 4 Hydrogen Medium	轻量高速候选	格式转换、简短问答、前期摸底、补充简单单测	跨模块架构重构、模糊的疑难故障排查
Gemini 4 Argon Medium	标准通用主力	日常功能实现、代码审查、梳理需求规格	单独托管失败代价极高的生产环境决策
Gemini 4 Carbon Medium	高难度深度推理	跨多文件修改、深度调试、架构设计评审	海量重复的单行小修改
Orchestrator（Argon）	多任务拆分推进	将独立的调研、实现、验证并行化	微小改动或模块职责边界模糊的任务
Orchestrator（Carbon）	高难任务拆分推进	拆解复杂任务、交叉评审、长链路工作流	需要极致压缩等待时间与配额消耗的场景
Gemini 3.8 Flash Medium Fast	低延迟高频迭代	初稿生成、分类、短函数编写、快速反馈循环	复杂重构的最终拍板
Claude Sonnet 5.5 Medium	高速高质量候选	代码实现、技术文档、审查、迭代修复	需要极限深度思考的一次性重大决策
Claude Opus 5.5 Medium	深度推理与审计	根因分析、复杂系统设计、最终安全/代码审查	简单重复劳动的批量处理
GPT-OSS 120B（Medium）	开源权重模型选项	对比评估模型特性、推理设置与结构化输出格式	期望开箱即用直接等同于闭源最顶配旗舰

基准测试能读出什么、不能读出什么

Note

本节的数值与性能表述均基于各厂商官方发布，与上表的工程路由建议相互独立，不应跨评测环境直接相加排名。

官方分数：Gemini 4 Carbon / Argon 公开对比

Google DeepMind 的 Gemini 4 Carbon 模型卡 （2026年10月）公布了包含 Gemini 4 Carbon、Gemini 4 Argon 与 Claude Opus 5.5 的同条件评测表，核心数据如下：

评测领域	基准测试	Gemini 4 Carbon	Gemini 4 Argon	Claude Opus 5.5	最高分模型
通用能力	AA Index v5.0	59	50	58	Carbon
智能体编码	SWE-sweep	9.6%	4.3%	3.6%	Carbon
智能体编码	FrontierSWE 2	61.2%	55.0%	62.3%	Opus 5.5
终端操作	Terminal-Bench 4.0 (AA)	65.2%	57.1%	59.6%	Carbon
计算机操作	Agents’ Last Exam v1.1	77.4%	69.0%	71.6%	Carbon
计算机操作	OSWorld-2.1（Offline subset）	81.5%	74.7%	87.2%	Opus 5.5
知识工作	AutomationBench（Zapier）	53.9%	51.3%	42.5%	Carbon
网络安全	CWE-bench	71.0%	68.0%	67.0%	Carbon

Note

上述分数为 Google 公布评测条件下的结果。仅凭公开资料尚无法断言模型卡中的 Gemini 4 Carbon 与 Antigravity 界面中的 Gemini 4 Carbon Medium 在系统配置上完全一致，因此请将其作为 模型卡能力参考 。

分数解读补充

Carbon ：在 SWE-sweep、Terminal-Bench 4.0、AutomationBench 与 CWE-bench 中拿下最高分，适合稳妥推进复杂编码、终端操作、自动化与安全审计。
Argon ：峰值虽低于 Carbon，但在 FrontierSWE 2（55.0%）与 AutomationBench（51.3%）上表现扎实，足以胜任日常研发任务。
Claude Opus 5.5 ：在 FrontierSWE 2（62.3%）和 OSWorld-2.1（87.2%）中位列第一，在棘手的编码挑战与涉及界面操作的验证中是极具竞争力的首选或二审模型。

Hydrogen / Orchestrator 官方公开分数

Hydrogen 与 Orchestrator 的数据来自 Antigravity 官方博客公告 ：

选项	指标	公开结果	对比基准与条件
Gemini 4 Hydrogen	Artificial Analysis Intelligence Index	51（最高配置下为 54）	对比 Argon 的 50
Gemini 4 Hydrogen	Terminal-Bench 4.1	57%	对比 Gemini 3.8 Flash 的 18.2%
Orchestrator	Terminal-Bench 4.1	任务成功率接近单用 Carbon	未公布绝对百分比
Orchestrator	配额消耗	平均减少 24%	对比单用 Carbon
Orchestrator	完成时间	平均提速 19%	对比单用 Carbon

Note

Orchestrator 的 24% 与 19% 反映的是在 Carbon 与 Hydrogen 之间动态切换带来的资源与时间节省，不代表单模型智商提升 24%。

Anthropic 官方发布指出，Claude Opus 5.5 在终端任务评测中比上一代减少约 40% 的调用次数并节省一半 Token；Claude Sonnet 5.5 则比 Sonnet 5 快 30% 以上且成本最高降低 30%，这有力支持了“日常用 Sonnet、攻坚用 Opus”的分工策略。

分场景实战路由策略

1. 需要极速往返交互时：Flash 或 Hydrogen

修改 UI 文案、正则表达式、单个函数或初步归类日志时，响应延迟决定了总体耗时。先用 Gemini 3.8 Flash 或 Hydrogen，一旦出现以下任一情况立即升级到 Argon：

同一个问题重复指正 2 次以上
修改范围扩散到 3 个以上文件
必须先通读项目既有规范与测试夹具

2. 日常功能研发：Argon 或 Sonnet

这是单次会话走完“需求 -> 实现 -> 测试 -> 审查”的标准档位。建议在同等难度的工单上对比 Argon 与 Sonnet 5.5，以“直到 CI 变绿的总对话轮数”和“代码 Diff 的清晰度”来决定团队主力。

3. 失败代价极高时：Carbon 或 Opus

涉及权限鉴权、支付计费、数据迁移、生产故障或大规模重构时，直接从 Carbon 或 Opus 起步，并严格执行三步分工：

让 Carbon / Opus 输出根因假设与分步修改计划
让另一个模型从反例、边界条件与安全视角进行交叉审查
将单元测试、静态分析与 Diff 检查作为硬性门禁

4. 拆分长周期任务时：Orchestrator

Orchestrator 会在 单一执行轨迹（single trajectory）内 双向切换 Carbon 与 Hydrogen，这与人工在多个聊天窗口间复制粘贴、每次重新读取代码库完全不同。

Warning

官方并未公开模型切换时内部对话历史、工具输出和文件读取缓存的复用粒度。因此对于强耦合任务、需要反复查阅超大日志的任务或频繁调整方向的任务，保持单一模型会话可能反而更快更稳。

角色	输入	完成条件
调研担当	需求与既有代码	列出影响范围与代码依据
实现担当	已批准的计划	提交最小 Diff 与单元测试
验证担当	Diff 与测试结果	报告失败用例与回归风险
整合担当	各阶段产出物	整理采纳理由与最终补丁

5. 对比开源权重模型表现时：GPT-OSS 120B

将 Antigravity 列表中的 GPT-OSS 120B 作为 平台内托管选项 来评估（无需自己维护 GPU 推理集群），重点在相同验收测试下对比其指令遵循、结构化输出、工具调用稳定性以及所需的修正轮数。

纠结时的选型决策流程图

flowchart TD A["定义任务"] --> B{"改动小且模式固定？"} B -- 是 --> C["Flash 或 Hydrogen"] B -- 否 --> D{"失败代价高？"} D -- 是 --> E["Carbon 或 Opus"] D -- 否 --> F{"能拆分为独立子任务？"} F -- 是 --> G["Orchestrator Argon / Carbon"] F -- 否 --> H["Argon 或 Sonnet"] C --> I{"测试或审查卡住？"} H --> I I -- 是 --> E I -- 否 --> J["完成"] E --> K["用另一模型做反证审查"] G --> K K --> J

团队落地时应记录的度量指标

为了避免凭感觉选模型，建议在至少 4 周内对同类工单记录以下指标：

指标	度量方法	理想状态
首次测试通过率	首版补丁直接通过 CI 的比例	可按模型横向对比
修正轮数	人类追加提示词的次数	越少越好
Diff 密度	是否包含与目标无关的冗余修改	改动小且易于解释
总耗时	从下达指令到验证通过的完整时间	包含等待时间
升级率	从轻量模型升级到高阶模型的比例	按任务难度分层掌握

总结

Antigravity 的模型选型不在于盲目追新或只看单一榜单。将高速轻量档（Flash / Hydrogen）、日常研发主力档（Argon / Sonnet）、关键变更深度推理档（Carbon / Opus）、并行拆解模式（Orchestrator）以及开源权重参照档（GPT-OSS 120B）按角色分工，并持续积累代码库实测数据，是目前最具可复现性的选型方案。