Google lance Gemini 4 Hydrogen, un modèle d’exécution rapide qui délègue la réflexion à Carbon
Le 12 novembre 2026, Google lance Gemini 4 Hydrogen, un modèle rapide et bon marché dérivé de Gemini 4 Carbon, pensé pour écrire du code et exécuter des tâches agentiques pendant que les modèles frontière planifient. L’option Orchestrator d’Antigravity pousse cette division du travail au sein d’un même projet : comptez vos tokens de réflexion et réservez-les aux étapes qui le méritent.
12 novembre 2026. Google lance Gemini 4 Hydrogen, un modèle rapide dérivé de Gemini 4 Carbon, destiné à l’exécution de code et aux workflows agentiques. Tarification au lancement : 1,50 $ par million de tokens en entrée et 7,50 $ en sortie, contre des modèles frontière facturés nettement plus cher. 12 novembre 2026, toujours. L’option Orchestrator de Google Antigravity dévoile la vraie nouveauté : un même projet peut désormais faire planifier par Carbon et exécuter par Hydrogen, en changeant de modèle au fil de la tâche. Pourquoi c’est important : la course aux modèles ne se joue plus seulement sur le benchmark le plus haut, mais sur le routage entre un planificateur cher et un exécuteur bon marché — et c’est une décision d’architecture que chaque équipe qui bâtit un agent va devoir arbitrer.
Deux modèles, deux vitesses : la famille Gemini 4 se spécialise
Gemini 4 Hydrogen n’est pas un simple successeur de Gemini 3.8 Flash. Il remplit un rôle distinct dans la gamme Gemini 4 : Carbon et Argon assument le jugement architectural et le raisonnement long, quand Hydrogen prend en charge l’exécution rapide — écrire du code, lancer les tests, vérifier les changements, faire de la recherche et piloter des agents outillés. Il accepte texte, image, audio et vidéo, et affiche une fenêtre de coupure de connaissances en mars 2026.
La logique économique est explicite. Les modèles frontière coûtent cher à l’inférence ; or une grande partie du travail d’un agent ne demande pas du raisonnement profond, mais de la vélocité : appliquer un patch, relancer une suite de tests, lire une page de documentation. En isolant ces étapes dans un modèle moins coûteux, Google facture la réflexion à son juste prix et l’exécution au sien.
La fiche produit fournit des points de comparaison mesurables. Face à Gemini 3.8 Flash, Hydrogen termine les tâches 2,5 fois plus vite au niveau de raisonnement « haut », passe de 18,2 % à 57 % sur Terminal-Bench 4.1, et divise par plus de cinq les affirmations fabriquées. Sur l’Artificial Analysis Intelligence Index, il affiche 51 au niveau haut — au-dessus d’Argon, qui pointe à 50 — et 54 en niveau « xhigh ». La qualification importante vient du model card : sur Terminal-Bench 4.1 corrigé des tricheries, Claude Sonnet 5.5 reste devant avec 63,9 % contre 57,0 % pour Hydrogen. Autrement dit, Hydrogen améliore fortement l’ancien Flash sans détrôner tous ses concurrents sur chaque comparaison.
Orchestrator : la séparation planification / exécution devient un produit
La vraie nouveauté n’est pas le modèle, mais l’orchestration. Dans Google Antigravity, l’option Orchestrator applique la division du travail au sein d’une même session. Carbon explore les dépendances et produit un plan dans une phase en lecture seule ; Hydrogen édite ensuite le code, met à jour les paquets et exécute les tests. Si l’exécution rencontre un obstacle, le contrôle revient à Carbon pour inspecter l’état et réparer le plan.
La différence avec un routeur statique est de nature, pas de degré. Un routeur statique engage la totalité d’une tâche sur un modèle unique à partir de la requête d’ouverture ; Orchestrator change de modèle quand le travail change. L’équipe Antigravity rapporte un taux de réussite quasi équivalent à Carbon sur Terminal-Bench 4.1, avec 24 % de quota en moins et 19 % de temps gagné en moyenne. En travail parallèle, Carbon coordonne pendant que Hydrogen alimente des agents travailleurs et vérificateurs dans des espaces de travail isolés.
Le déploiement suit la logique des abonnements : Hydrogen arrive chez les abonnés payants AI Pro et AI Ultra d’Antigravity, tandis qu’Orchestrator démarre sur AI Ultra, avec un accès entreprise via Gemini for Business.
Une fenêtre d’un million de tokens, et quatre niveaux de réflexion
Le budget de tokens devient une ressource à gérer explicitement. Hydrogen partage une unique fenêtre de 1 048 576 tokens entre l’entrée, la réflexion et la sortie. Les réponses synchrones plafonnent à 65 536 tokens par saut, l’exécution en arrière-plan ou la continuation côté client pouvant s’étendre jusqu’à la capacité restante de la fenêtre.
Hydrogen expose quatre niveaux de réflexion : bas, moyen, haut par défaut, et le nouveau « xhigh ». Google recommande « haut » pour la plupart des tâches complexes et réserve « xhigh » aux problèmes multi-étapes où « haut » échoue, en notant que « xhigh » peut sur-raisonner sur des requêtes simples. Ces réglages rendent le budget partagé lourd de conséquences : la réflexion consomme une capacité qui aurait pu contenir de l’entrée ou de la sortie finale, et les niveaux élevés augmentent aussi la latence. Pour une équipe qui facture ses appels d’API à l’usage, c’est une variable de coût de plus à surveiller — et une raison de ne pas laisser « xhigh » en réglage par défaut sur un pipeline.
La face cachée du modèle est documentée honnêtement. Google rapporte des réductions allant jusqu’à 81 % de l’excès d’initiative agentique (agentic overreach) et 79 % du sous-service, ainsi qu’une meilleure résistance à l’injection indirecte de prompt — des modes de défaillance qui comptent dès qu’un modèle sélectionne des outils et agit à travers des services connectés. En contrepartie, le model card enregistre une hausse de 5,57 points des refus injustifiés par rapport à Gemini 3.8 Flash, et liste hallucinations, lenteurs occasionnelles et consommation de tokens accrue aux niveaux de réflexion élevés.
Ce que ça change pour qui construit des agents
La signification large de Hydrogen tient moins à ses scores qu’à la division du travail qu’il rend économique. Le raisonnement frontière peut être réservé aux étapes difficiles, pendant qu’un modèle d’exécution rapide absorbe le volume — tests, retouches, lecture de logs, génération de configuration — qui domine en pratique le temps d’un agent.
C’est exactement le même arbitrage qu’un SRE fait déjà entre un travailleur coûteux et un travailleur bon marché dans une file d’attente : ne pas payer le prix fort pour une tâche qui n’en a pas besoin. La nouveauté, c’est que ce découpage sort du bricolage interne et devient une fonctionnalité produit, avec des garanties mesurées de quota et de latence. Reste la question centrale de ce lancement : les gains d’efficacité annoncés — 24 % de quota, 19 % de temps — survivront-ils à l’usage quotidien, une fois confrontés aux refus et aux limitations de fiabilité documentés ? La réponse se mesurera dans les pipelines réels, pas dans les fiches de lancement.
Verdict
Si votre agent passe le plus clair de son temps à exécuter — générer du code, lancer des tests, retoucher des fichiers —, mesurez le coût d’Hydrogen contre votre modèle frontière actuel : à 1,50 $ le million de tokens en entrée, la marge est substantielle dès que l’exécution domine. Gardez le modèle frontière pour les étapes de planification et de débogage difficile, et ne laissez pas « xhigh » actif sur l’ensemble d’un pipeline : réservez-le aux problèmes multi-étapes où « haut » échoue réellement.
Si vous bâtissez un agent multi-étapes, le signal à retenir n’est pas le modèle, c’est l’architecture Orchestrator. Un planificateur cher qui produit un plan en lecture seule, un exécuteur bon marché qui l’applique, et un aller-retour vers le planificateur quand l’exécution bute : c’est un patron que vous pouvez reproduire avec n’importe quelle paire de modèles, et qui déplace la question de « quel modèle choisir » vers « quel modèle pour quelle étape ».