Gemini 4 Hydrogen เทียบกับ Carbon: แหล่งข้อมูลบอกอะไรได้บ้างเกี่ยวกับการสกัดข้อมูลแบบมีโครงสร้าง
เปรียบเทียบหลักฐานที่มีการระบุไว้เกี่ยวกับการเขียนโค้ด การใช้เครื่องมือ และผลลัพธ์แบบมีโครงสร้างของ Gemini 4 Hydrogen และ Carbon พร้อมออกแบบเวิร์กโฟลว์สกัดข้อมูลที่ตรวจสอบด้วย schema
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
| ด้าน | Gemini 4 Hydrogen | Gemini 4 Carbon | สิ่งที่แหล่งข้อมูลไม่ได้ยืนยัน |
|---|---|---|---|
| การเขียนโค้ด | Google อธิบายถึงการดีบัก repository การแก้ไขเฉพาะจุด และการเรียกอ่านไฟล์และค้นหาแบบขนาน โดยรายงานคะแนน Terminal-Bench 4.1 ที่ 57% เทียบกับ 18.2% ของ Gemini 3.8 Flash | Google วางตำแหน่ง Carbon สำหรับการตัดสินใจด้านสถาปัตยกรรมและการจัดการบั๊กที่ตรวจพบได้ยาก | คะแนนเปรียบเทียบ Hydrogen กับ Carbon โดยตรงสำหรับการเขียนโค้ดหรือดีบัก repository |
| การเรียกใช้เครื่องมือ | Google ระบุว่า Hydrogen ปรับตัวได้เมื่อการเรียกใช้เครื่องมือล้มเหลวหรือการค้นหาไม่พบผลลัพธ์ และสามารถรวมการอ่านไฟล์และการค้นหาเป็นชุดได้ | Google อธิบายว่า Carbon อาจทำหน้าที่ประสานงาน agent ที่ทำงานแบบขนานได้ | ผลเปรียบเทียบความแม่นยำในการเรียกใช้เครื่องมือ การกู้คืนจากความล้มเหลว หรือประสิทธิภาพการเรียกแบบขนานของทั้งสองโมเดล |
| ผลลัพธ์แบบมีโครงสร้าง | Google อธิบายถึงผลงานที่มีโครงสร้าง พาร์ตเนอร์รายหนึ่งรายงานว่าปฏิบัติตามรูปแบบได้ 100% ตลอดชุดการประเมินด้านการให้เหตุผลและความคิดสร้างสรรค์ของตน | ไม่มีผลลัพธ์ด้านผลลัพธ์แบบมีโครงสร้างที่เทียบเคียงกันได้ | โมเดลใดโมเดลหนึ่งรองรับตัวเลือก JSON Schema API ใดเป็นพิเศษหรือไม่ รวมถึงผลเปรียบเทียบการปฏิบัติตาม schema และความแม่นยำในการสกัดข้อมูล |
| เวิร์กโฟลว์แบบผสม | Antigravity Orchestrator ของ Google สลับใช้โมเดลต่าง ๆ รวมถึง Carbon และ Hydrogen โดย Google รายงานว่าอัตราความสำเร็จของงานใกล้เคียง Carbon ใช้โควตาน้อยลง 24% และทำงานเสร็จเร็วขึ้น 19% บน Terminal-Bench 4.0 | Carbon เป็นจุดอ้างอิงสำหรับผล Orchestrator ที่รายงาน | การเปรียบเทียบ 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
nullออกจากศูนย์หรือสตริงว่างให้ชัดเจน 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
Guides
วางแผนค่าใช้จ่าย GPT Image 2.6 Sunburst API สำหรับการสกัดข้อมูลแบบมีโครงสร้าง
ประเมินงานแปลงภาพเป็น JSON โดยกำหนดสมมติฐานโทเคน การตรวจสอบ schema การลองซ้ำ และข้อจำกัดของข้อมูลราคาอย่างชัดเจน
Guides
ประมาณค่าใช้จ่าย GPT Image 2.6 Flare API สำหรับการสกัดข้อมูลที่ตรวจสอบด้วยสคีมา
วางงบประมาณ API สำหรับการสกัดข้อมูลแบบมีโครงสร้างที่คำนวณซ้ำได้ โดยแยกอัตราโทเคนภาพที่มีเอกสารระบุออกจากราคาการสกัดข้อมูลและราคา OneMux ที่ยังไม่ทราบ
Guides
ค่าใช้จ่าย Qwen3.8 Flash API สำหรับดึงข้อมูลเป็น JSON: ประมาณการที่ตรวจสอบคำนวณซ้ำได้
ประมาณค่าใช้จ่าย Qwen3.8 Flash API สำหรับการดึงข้อมูลแบบมีโครงสร้าง โดยครอบคลุมการใช้โทเค็น การตรวจสอบ schema การลองใหม่ และการเปรียบเทียบอัตราที่เผยแพร่