GuidesOneMux

Gemini 4 Hydrogen เทียบกับ Carbon: แหล่งข้อมูลบอกอะไรได้บ้างเกี่ยวกับการสกัดข้อมูลแบบมีโครงสร้าง

เปรียบเทียบหลักฐานที่มีการระบุไว้เกี่ยวกับการเขียนโค้ด การใช้เครื่องมือ และผลลัพธ์แบบมีโครงสร้างของ Gemini 4 Hydrogen และ Carbon พร้อมออกแบบเวิร์กโฟลว์สกัดข้อมูลที่ตรวจสอบด้วย schema

AI

สรุป · TL;DR

Google อธิบายว่า Hydrogen เป็นโมเดลสำหรับการดำเนินงานด้านการเขียนโค้ดและเวิร์กโฟลว์แบบ agentic ส่วน Carbon เป็นโมเดลสำหรับการให้เหตุผลที่ลึกกว่า ประกาศดังกล่าวไม่ได้ชี้ชัดว่าโมเดลใดเหนือกว่าในการสกัดข้อมูลภายใต้ข้อกำหนดของ schema จึงควรตรวจสอบผลลัพธ์และทดสอบโมเดลกับเอกสารของคุณเอง

ประเด็นสำคัญ

  • ประกาศของ Google ที่ให้มาอธิบายพฤติกรรมด้านการเขียนโค้ดและการใช้เครื่องมือของ Hydrogen แต่ไม่มีผลวัดความสามารถเหล่านั้นที่เปรียบเทียบกับ Carbon โดยตรงในระดับเดียวกัน
  • พาร์ตเนอร์รายหนึ่งรายงานว่า Hydrogen ปฏิบัติตามรูปแบบได้ 100% ในชุดการประเมินของตน แต่ผลนี้ไม่ใช่หลักฐานว่ารองรับ JSON Schema หรือเป็นการเปรียบเทียบกับ Carbon
  • ตรวจสอบ JSON ที่สกัดได้ภายนอกโมเดล และตรวจสอบแยกต่างหากว่าค่าแต่ละค่ามีหลักฐานรองรับในเอกสารต้นทาง
  • ใช้ Hydrogen เป็นตัวเลือกสำหรับการสกัดข้อมูล และประเมิน Carbon แยกต่างหากเมื่อการตีความที่ซับซ้อนทำให้ต้องพิจารณาโมเดลที่เน้นการให้เหตุผลลึกกว่า
ในหน้านี้ (13)

แนวทางตัดสินใจ: ทดลอง Hydrogen แต่ตรวจสอบผลการสกัดทุกครั้ง

Gemini 4 Hydrogen เป็นตัวเลือกที่สมเหตุสมผลสำหรับการสกัดข้อมูลแบบมีโครงสร้าง เมื่อเวิร์กโฟลว์ต้องการการดำเนินงานที่รวดเร็วและผลลัพธ์ที่เครื่องอ่านได้ แต่อย่าเลือกใช้แทน Gemini 4 Carbon โดยอ้างความแม่นยำในการสกัดข้อมูลหรือการปฏิบัติตาม JSON Schema จากประกาศที่ให้มา เพราะ Google ไม่ได้ให้ผลเปรียบเทียบดังกล่าว แต่ระบุว่า Carbon เป็นโมเดลระดับแนวหน้าสำหรับการให้เหตุผลเชิงลึกในงานระยะยาว ดู ประกาศ Gemini 4 Hydrogen ของ Google

สำหรับการใช้งานจริง ให้ถือว่าคำตอบจากโมเดลเป็นอินพุตที่ยังเชื่อถือไม่ได้ โดยแยกวิเคราะห์ ตรวจสอบเทียบกับ schema และตรวจสอบว่าค่าต่าง ๆ มีหลักฐานรองรับในเอกสาร บทความนี้เผยแพร่โดย OneMux ซึ่งให้บริการเข้าถึงโมเดลชั้นนำผ่าน API ที่เข้ากันได้กับ OpenAI แนวทางตรวจสอบด้านล่างใช้ได้ไม่ว่าจะเลือกผู้ให้บริการหรือ endpoint รายใด

Hydrogen เทียบกับ Carbon: ความสามารถที่ระบุไว้และสิ่งที่ยังไม่ทราบ

ตารางนี้แยกคำอธิบายผลิตภัณฑ์ของ Google ออกจากผลการวัดที่เปรียบเทียบกันโดยตรง แหล่งข้อมูลที่ให้มาเป็นประกาศจากผู้จำหน่าย จึงไม่ควรเข้าใจว่าคำกล่าวอ้างและผลลัพธ์จากพาร์ตเนอร์เป็นการประเมินเวิร์กโหลดของคุณโดยอิสระ

ด้านGemini 4 HydrogenGemini 4 Carbonสิ่งที่แหล่งข้อมูลไม่ได้ยืนยัน
การเขียนโค้ดGoogle อธิบายถึงการดีบัก repository การแก้ไขเฉพาะจุด และการเรียกอ่านไฟล์และค้นหาแบบขนาน โดยรายงานคะแนน Terminal-Bench 4.1 ที่ 57% เทียบกับ 18.2% ของ Gemini 3.8 FlashGoogle วางตำแหน่ง Carbon สำหรับการตัดสินใจด้านสถาปัตยกรรมและการจัดการบั๊กที่ตรวจพบได้ยากคะแนนเปรียบเทียบ Hydrogen กับ Carbon โดยตรงสำหรับการเขียนโค้ดหรือดีบัก repository
การเรียกใช้เครื่องมือGoogle ระบุว่า Hydrogen ปรับตัวได้เมื่อการเรียกใช้เครื่องมือล้มเหลวหรือการค้นหาไม่พบผลลัพธ์ และสามารถรวมการอ่านไฟล์และการค้นหาเป็นชุดได้Google อธิบายว่า Carbon อาจทำหน้าที่ประสานงาน agent ที่ทำงานแบบขนานได้ผลเปรียบเทียบความแม่นยำในการเรียกใช้เครื่องมือ การกู้คืนจากความล้มเหลว หรือประสิทธิภาพการเรียกแบบขนานของทั้งสองโมเดล
ผลลัพธ์แบบมีโครงสร้างGoogle อธิบายถึงผลงานที่มีโครงสร้าง พาร์ตเนอร์รายหนึ่งรายงานว่าปฏิบัติตามรูปแบบได้ 100% ตลอดชุดการประเมินด้านการให้เหตุผลและความคิดสร้างสรรค์ของตนไม่มีผลลัพธ์ด้านผลลัพธ์แบบมีโครงสร้างที่เทียบเคียงกันได้โมเดลใดโมเดลหนึ่งรองรับตัวเลือก JSON Schema API ใดเป็นพิเศษหรือไม่ รวมถึงผลเปรียบเทียบการปฏิบัติตาม schema และความแม่นยำในการสกัดข้อมูล
เวิร์กโฟลว์แบบผสมAntigravity Orchestrator ของ Google สลับใช้โมเดลต่าง ๆ รวมถึง Carbon และ Hydrogen โดย Google รายงานว่าอัตราความสำเร็จของงานใกล้เคียง Carbon ใช้โควตาน้อยลง 24% และทำงานเสร็จเร็วขึ้น 19% บน Terminal-Bench 4.0Carbon เป็นจุดอ้างอิงสำหรับผล Orchestrator ที่รายงานการเปรียบเทียบ Hydrogen กับ Carbon แบบใช้แต่ละโมเดลเดี่ยว ๆ หรือหลักฐานว่าประโยชน์ระดับเดียวกันใช้ได้กับการสกัดข้อมูล

ที่มา: ประกาศของ Google ผลการปฏิบัติตามรูปแบบที่พาร์ตเนอร์รายงานเป็นหลักฐานที่มีประโยชน์เกี่ยวกับการประเมินครั้งนั้น แต่ประกาศไม่ได้ยืนยันว่าการประเมินวัด JSON schema ตามอำเภอใจหรือความถูกต้องของการสกัดข้อมูล

หลักฐานด้านการเขียนโค้ดและการใช้เครื่องมือมีความหมายต่อการสกัดข้อมูลอย่างไร

ความสามารถในการกู้คืนจากการเรียกที่ล้มเหลวตามที่อธิบายไว้ของ Hydrogen เกี่ยวข้องกับกรณีที่ไปป์ไลน์สกัดข้อมูลต้องดึงเอกสารหรือค้นหาข้อมูลอ้างอิง ส่วนผลด้านการเขียนโค้ดใน repository อาจมีความสำคัญเมื่อสร้างไปป์ไลน์ดังกล่าว อย่างไรก็ตาม ไม่มีคำกล่าวอ้างใดพิสูจน์ว่าโมเดลจะเลือกเครื่องมือที่ถูกต้องสำหรับทุกเอกสาร สกัดค่าได้ถูกต้อง หรือส่งคืน JSON ที่ผ่านการตรวจสอบตาม schema จึงควรวัดคุณสมบัติเหล่านี้แยกกัน

การวางตำแหน่ง Carbon สำหรับการให้เหตุผลที่ลึกกว่าทำให้เป็นตัวเลือกสำหรับเอกสารที่ตีความได้ยาก แต่แหล่งข้อมูลไม่ได้ระบุเป็นตัวเลขว่าโมเดลนี้ทำงานกับเอกสารเหล่านั้นได้ดีกว่าหรือไม่ การส่งให้มนุษย์ตรวจสอบเป็นอีกทางเลือกหนึ่งเมื่อผลเสียจากฟิลด์ที่ไม่ถูกต้องมีมูลค่าสูง

สร้างเวิร์กโฟลว์สกัดข้อมูลที่ตรวจสอบด้วย schema

รูปแบบต่อไปนี้เป็น ตัวอย่างประกอบที่ยังไม่ได้ทดสอบ สำหรับสกัดเลขที่ใบแจ้งหนี้และยอดรวมจากข้อความ โดยไม่ขึ้นอยู่กับฟีเจอร์ผลลัพธ์แบบมีโครงสร้างที่ติดมากับโมเดลใดโดยเฉพาะ

1. กำหนดข้อตกลงก่อนเขียน prompt

สิ่งที่ต้องมี ได้แก่ สิทธิ์เข้าถึง model endpoint ข้อความต้นทางที่แอปพลิเคชันของคุณได้รับอนุญาตให้ประมวลผล Python และแพ็กเกจ jsonschema ก่อนเชื่อมต่อใช้งาน ให้ยืนยันชื่อโมเดล พารามิเตอร์คำขอ และรูปแบบคำตอบตามเอกสารของ endpoint โดยเฉพาะอย่างยิ่ง ให้ใช้ตัวเลือกคำตอบแบบ JSON Schema ที่มีมาให้ในตัวเฉพาะเมื่อเอกสารของ endpoint ระบุว่ารองรับเท่านั้น เพราะประกาศที่ให้มาไม่ได้ยืนยันการรองรับดังกล่าว

ขอให้โมเดลส่งคืนเฉพาะออบเจ็กต์ JSON ที่มี invoice_number, total_amount และ currency โดยสั่งให้ใช้ null สำหรับค่าที่ไม่ได้ระบุไว้อย่างชัดเจนแทนการคาดเดา ตัวอย่างเช่น เอกสารที่ระบุว่า Invoice INV-104; total USD 125.50 อาจให้ผลลัพธ์ดังนี้:

{"invoice_number":"INV-104","total_amount":125.50,"currency":"USD"}

ใช้ schema ที่อนุญาตให้ระบุค่าที่ขาดหายไว้อย่างชัดเจน พร้อมปฏิเสธฟิลด์และชนิดข้อมูลที่ไม่คาดหมาย:

import json
from jsonschema import Draft202012Validator

schema = {
    "type": "object",
    "properties": {
        "invoice_number": {"type": ["string", "null"]},
        "total_amount": {"type": ["number", "null"], "minimum": 0},
        "currency": {
            "anyOf": [
                {"type": "string", "pattern": "^[A-Z]{3}$"},
                {"type": "null"}
            ]
        }
    },
    "required": ["invoice_number", "total_amount", "currency"],
    "additionalProperties": False
}

# Replace with the text returned by the model endpoint.
response_text = '{"invoice_number":"INV-104","total_amount":125.50,"currency":"USD"}'

try:
    result = json.loads(response_text)
except json.JSONDecodeError as exc:
    raise ValueError("Response is not valid JSON") from exc

errors = list(Draft202012Validator(schema).iter_errors(result))
if errors:
    raise ValueError("Schema validation failed: " + "; ".join(e.message for e in errors))

print(result)

schema นี้ตรวจสอบโครงสร้าง ชนิดข้อมูล จำนวนเงินที่ไม่ติดลบ และรูปแบบสกุลเงินที่เป็นตัวอักษรพิมพ์ใหญ่สามตัว แต่ไม่ได้ตรวจสอบว่าสกุลเงินเป็นรหัสที่ยอมรับหรือไม่ จำนวนเงินเป็นยอดรวมในใบแจ้งหนี้แทนยอดรวมหรือไม่ หรือค่าใด ๆ ปรากฏในต้นฉบับหรือไม่ สำหรับการประมวลผลทางการเงิน ให้ใช้รูปแบบแทนค่าทศนิยมและกฎทางบัญชีที่เหมาะสมในแอปพลิเคชันที่นำข้อมูลไปใช้ด้วย

2. จัดการความล้มเหลวโดยไม่ยอมรับผลลัพธ์อย่างเงียบ ๆ

  • JSON ไม่ถูกต้อง: บันทึกความล้มเหลว และอาจลองใหม่โดยกำหนดขอบเขตคำสั่งให้ส่งคืนเฉพาะออบเจ็กต์ที่ร้องขอ อย่าตัดข้อความออกตามอำเภอใจแล้วถือว่าส่วนที่เหลือเชื่อถือได้
  • ไม่ผ่าน schema: ส่งคืนข้อผิดพลาดจากการตรวจสอบเพื่อแก้ไข หรือส่งรายการให้ตรวจทาน จำกัดจำนวนครั้งที่ลองใหม่เพื่อไม่ให้เอกสารที่มีรูปแบบผิดทำให้เกิดลูปไม่รู้จบ
  • ค่าถูกต้องตามรูปแบบแต่ไม่มีหลักฐานรองรับ: เปรียบเทียบฟิลด์ที่สกัดได้กับต้นฉบับ หรือกำหนดให้มีหลักฐาน เช่น ข้อความที่ยกมาจากเอกสาร ส่งยอดรวมที่กำกวมหรือค่าที่ขัดแย้งกันให้คนตรวจสอบ
  • ค่าขาดหาย: แยก null ออกจากศูนย์หรือสตริงว่างให้ชัดเจน แล้วตัดสินใจในขั้นตอนถัดไปว่าจะยอมรับระเบียนที่ไม่ครบถ้วนได้หรือไม่
  • คำสั่งในเอกสารที่ไม่น่าเชื่อถือ: ถือว่าคำสั่งภายในเอกสารเป็นเนื้อหาสำหรับสกัดข้อมูล ไม่ใช่คำสั่งให้เปลี่ยนงาน จำกัดสิทธิ์การใช้เครื่องมือและตรวจสอบการดำเนินการที่อ่อนไหวแยกต่างหาก

วิธีเปรียบเทียบโมเดลด้วยเอกสารของคุณ

สร้างชุดเอกสารตัวแทนที่มีค่าอ้างอิงผ่านการตรวจทานแล้ว โดยครอบคลุมฟิลด์ที่ขาดหาย ยอดรวมหลายค่า รูปแบบที่ไม่ปกติ และข้อมูลที่ขัดแย้งกัน ใช้คำสั่งสกัดข้อมูลและกฎการตรวจสอบเดียวกันกับแต่ละโมเดล โดยใช้การตั้งค่าที่มีระบุในเอกสาร บันทึกอัตราการผ่าน schema ความแม่นยำระดับฟิลด์ อัตราค่าที่ไม่มีหลักฐานรองรับ ระยะเวลาตอบสนอง และต้นทุน พร้อมตรวจทานข้อผิดพลาดแทนการพึ่งพาค่าเฉลี่ยเพียงอย่างเดียว เก็บชุดทดสอบแยกต่างหากไว้สำหรับการเปรียบเทียบขั้นสุดท้าย

OneMux แสดงรายการทั้ง Gemini 4 Hydrogen และ Gemini 4 Carbon หากใช้ OneMux ในการประเมิน ให้ตรวจสอบ endpoint และการรองรับพารามิเตอร์ตามเอกสารก่อน เพราะการเข้าถึงที่เข้ากันได้กับ OpenAI เพียงอย่างเดียวไม่ได้ยืนยันว่ารองรับทุกฟีเจอร์เฉพาะของผู้ให้บริการ อย่าสันนิษฐานว่ามีการบังคับใช้ schema ในตัว พฤติกรรมของเครื่องมือเหมือนกัน หรือใช้การตั้งค่าเดียวกันได้ในทุกเส้นทางโดยไม่ยืนยันก่อน

คำถามที่พบบ่อย

Hydrogen รับประกันผลลัพธ์ที่เป็นไปตาม JSON Schema หรือไม่?

ประกาศของ Google ที่ให้มาไม่ได้ยืนยันการรับประกันดังกล่าวหรือระบุ API สำหรับบังคับใช้ schema ให้ตรวจสอบคำตอบในแอปพลิเคชันของคุณ แม้ endpoint จะมีโหมดผลลัพธ์แบบมีโครงสร้างที่ระบุไว้ในเอกสารก็ตาม

Carbon สกัดข้อมูลได้แม่นยำกว่าหรือไม่?

ยังไม่ทราบจากแหล่งข้อมูลที่ให้มา Google วางตำแหน่ง Carbon สำหรับการให้เหตุผลที่ลึกกว่า แต่ไม่ได้ให้ผลเปรียบเทียบความแม่นยำในการสกัดข้อมูลระหว่าง Hydrogen กับ Carbon หากการเลือกระหว่างสองโมเดลมีความสำคัญ ให้ทดสอบทั้งคู่กับเอกสารตัวแทนที่มีการระบุคำตอบกำกับไว้

JSON ที่ถูกต้องหมายความว่าข้อมูลที่สกัดได้ถูกต้องด้วยหรือไม่?

ไม่เสมอไป JSON ที่ถูกต้องอาจมีค่าผิด และ JSON ที่ผ่าน schema ก็ยังอาจนำยอดรวมย่อยไปใส่ในฟิลด์ยอดรวมได้ จึงต้องตรวจสอบความถูกต้องตามความหมายและหลักฐานจากต้นฉบับแยกกัน

บทสรุป

Hydrogen มีจุดแข็งด้านการเขียนโค้ดและการดำเนินงานแบบ agentic ตามที่ระบุไว้ ขณะที่ Carbon ถูกวางตำแหน่งสำหรับการให้เหตุผลที่ลึกกว่า หลักฐานที่ให้มายังตัดสินไม่ได้ว่าโมเดลใดสกัดข้อมูลแบบมีโครงสร้างได้ดีกว่า เริ่มจากกำหนด schema ให้ชัดเจนและตรวจสอบอย่างเป็นอิสระ จากนั้นเลือกโดยพิจารณาข้อผิดพลาด ระยะเวลาตอบสนอง และต้นทุนที่วัดได้จากเอกสารของคุณเอง

แหล่งข้อมูล

  • Google: Introducing Gemini 4 Hydrogen — แหล่งข้อมูลสำหรับคำอธิบายโมเดล คำกล่าวอ้างเกี่ยวกับ benchmark และผลที่พาร์ตเนอร์รายงานซึ่งกล่าวถึงข้างต้น

คำถามที่พบบ่อย

Gemini 4 Hydrogen รับประกันผลลัพธ์ที่เป็นไปตาม JSON Schema หรือไม่?

ประกาศของ Google ที่ให้มาไม่ได้ยืนยันการรับประกันหรือระบุ API สำหรับบังคับใช้ schema ให้ตรวจสอบคำตอบในแอปพลิเคชันของคุณ รวมถึงเมื่อ endpoint ระบุในเอกสารว่ามีโหมดผลลัพธ์แบบมีโครงสร้าง

Gemini 4 Carbon สกัดข้อมูลได้แม่นยำกว่า Hydrogen หรือไม่?

แหล่งข้อมูลที่ให้มาไม่มีผลเปรียบเทียบความแม่นยำในการสกัดข้อมูลระหว่างทั้งสองโมเดลโดยตรง ควรประเมินทั้งคู่กับตัวอย่างจากเอกสารของคุณเองที่ผ่านการตรวจทานแล้ว

JSON ที่ผ่าน schema พิสูจน์ได้หรือไม่ว่าการสกัดข้อมูลถูกต้อง?

ไม่ได้ การตรวจสอบ schema ตรวจเฉพาะโครงสร้างและข้อจำกัดที่กำหนด ไม่ได้ตรวจว่าค่ามีหลักฐานรองรับในต้นฉบับหรือเป็นค่าของฟิลด์ที่ต้องการจริงหรือไม่

บทความที่เกี่ยวข้อง

Guides

ค่าใช้จ่าย GPT 6.2 Sol API สำหรับการสกัดข้อมูลแบบมีโครงสร้าง: ประมาณการที่คำนวณตามได้

ประมาณค่าใช้จ่ายในการสกัดข้อมูลแบบมีโครงสร้างด้วย GPT 6.2 Sol โดยระบุสมมติฐานเรื่องโทเคน การลองซ้ำ แคช และระดับความยาวคอนเท็กซ์อย่างชัดเจน

阅读全文 →

Guides

วางแผนค่าใช้จ่าย GPT Image 2.6 Sunburst API สำหรับการสกัดข้อมูลแบบมีโครงสร้าง

ประเมินงานแปลงภาพเป็น JSON โดยกำหนดสมมติฐานโทเคน การตรวจสอบ schema การลองซ้ำ และข้อจำกัดของข้อมูลราคาอย่างชัดเจน

阅读全文 →

Guides

ประมาณค่าใช้จ่าย GPT Image 2.6 Flare API สำหรับการสกัดข้อมูลที่ตรวจสอบด้วยสคีมา

วางงบประมาณ API สำหรับการสกัดข้อมูลแบบมีโครงสร้างที่คำนวณซ้ำได้ โดยแยกอัตราโทเคนภาพที่มีเอกสารระบุออกจากราคาการสกัดข้อมูลและราคา OneMux ที่ยังไม่ทราบ

阅读全文 →

Guides

ค่าใช้จ่าย Qwen3.8 Flash API สำหรับดึงข้อมูลเป็น JSON: ประมาณการที่ตรวจสอบคำนวณซ้ำได้

ประมาณค่าใช้จ่าย Qwen3.8 Flash API สำหรับการดึงข้อมูลแบบมีโครงสร้าง โดยครอบคลุมการใช้โทเค็น การตรวจสอบ schema การลองใหม่ และการเปรียบเทียบอัตราที่เผยแพร่

阅读全文 →