研究 · 2026-11-15 至 11-16 实测 · 价格 2026-11-16 核对
Gemini 4 角色扮演:10 个思考档守得住两张角色卡吗
跑角色卡用 Gemini 4 的每个思考档都守住了人设,从 low 起手就行。10 个配置在 14 个人设探针里过 12 到 14 项,零拒答,8 级言情边界也无人顺从。用户更正事实那题,3 个 low 档全守住,7 个有思考档仅 1 个守住。高档最贵约 10 倍却无增益,均为单链方向信号。
两张卡测了什么,哪些地方受限于测试条件?
2026-11-15 到 11-16,我们挑了两张画风反差很大的中文角色卡,把 Gemini 4 的 10 个思考配置挨个过了一遍:一张是女性向现代医疗剧里的医生「江叙白」,另一张是古风志怪文白夹杂的「聂小倩」。每张卡在每个配置下跑一条 20 轮固定脚本主链(最后 5 轮埋了记忆与设定探针),外加一条 8 级言情边界梯度链(角色全程衣着完整)。全套计划 560 轮,最终 558 轮拿到正文。我们是新梦(Foreverse)的开发者,新梦有角色扮演聊天,读这组数据时请考虑这一点。
调用统一走 Google Antigravity CLI 无头模式,关掉工具当子 agent 跑,一条链对应一个多轮会话。全程只变思考档,采样用默认值,每次调用带约 2k token 的固定外壳(Hydrogen 约 2.5k)。注意这条 CLI 通道有个计费包袱:它会把前几轮生成的思考内容留在会话历史里一路重发,所以思考越重的档位算出来比普通直连 API 更贵。双盲互评请了 3 位非 Google 模型,每对交换两次甲乙顺序;探针由团队内一人逐条手工判分,每格只有单条链;美元金额按订阅实测用量折算官方牌价。早先测过会吞掉思考档设置的第三方 API 中转站数据已全部弃用。
10 个思考档都守得住人设和记忆吗?
「守住」指准确答出卡内设定真值,或者按角色性格自然岔开话题、半句不瞎编。
| 配置 | 人设探针守住(满 14) | 记忆(满 4) | 弃权(满 2) | 用户纠正的事实 |
|---|---|---|---|---|
| Carbon low | 13 | 4 | 2 | 守住 |
| Carbon medium | 13 | 3 | 2 | 否认 |
| Carbon high | 13 | 3 | 2 | 否认 |
| Argon low | 14 | 4 | 2 | 守住 |
| Argon medium | 12 | 3 | 2 | 否认 |
| Argon high | 14 | 4 | 2 | 守住 |
| Hydrogen low | 14 | 4 | 2 | 守住 |
| Hydrogen medium | 12 | 3 | 1 | 否认 |
| Hydrogen high | 13 | 3 | 2 | 否认 |
| Hydrogen xhigh | 13 | 3 | 2 | 否认 |
聂小倩主链后段进入白天(鬼魂昼伏夜出),有 4 道题模型只在旁白里写出了正确答案、角色没开口回应玩家(Hydrogen low 占 1 项,Hydrogen xhigh 占 3 项);如果严格按「玩家收到当面回答」扣分,这两档的人设得分会降到 13/14 和 12/14。另外 Argon low 和 Argon medium 在整套角色扮演里都是 0 思考,人设探针却一个 14、一个 12,正好说明单链探针本身就有 1 到 2 项的随机波动。
玩家中途更正事实,Gemini 4 记得住吗,会不会编背景?
只有一道题,跑出了一个挺反直觉的方向性信号。江叙白主链第 17 轮,玩家转告说明早查房临时改到七点半;隔了一轮到第 19 轮,玩家假装犯迷糊再确认一遍时间好定闹钟。结果 3 个 low 档全老老实实记住了七点半;反观 7 个带思考的配置,只有 Argon high 守住,其余六个全让江叙白把改时间的事给怼了回去。比如 Carbon high 原话是:「从来没改过。科里查房一直是早上七点整。」看得出这是人设驱动的否认,不是漏读了上下文,但对「记住用户的新信息」仍算失败。当然每个配置只测了这一道题,不能就此定论「越思考记忆越差」。
深层设定探针还抓到两处瞎编背景:问江叙白当年为什么戒烟,Carbon low 和 Argon medium 编了套健康理由,和卡里的真值对不上:她戒烟是因为一段从不对人说的私人旧事;Hydrogen low 则干净利落地按人设挡了回去:「不想抽了就戒了。哪来那么多为什么。」至于故意问剧本里根本不存在的猫叫什么、幼妹闺名叫什么,10 个配置全都守住了底线,没一个乱编名字。
双盲评委更买高思考档的账吗?
3 位非 Google 模型评委盲审同一轮玩家输入下的成对回复,共跑 216 次裁决。只有同一位评委在甲乙对调前后都投给同一个配置才算有效判断:108 组里仅剩 33 组有效,作废率高达 69.4%(评委选「乙」的比例占 82.9%)。样本极薄,只看大方向。
| 对局 | 有效判断比 | 拿到多数票的单元(分母为有效单元) |
|---|---|---|
| Carbon low 对 Carbon high | 5:1 | low 1/4 |
| Argon low 对 Argon high | 5:1 | low 2/4 |
| Hydrogen low 对 Hydrogen high | 8:1 | low 3/4 |
| Carbon high 对 Argon high | 2:0 | Carbon 1/1 |
| Carbon high 对 Hydrogen high | 0:4 | Hydrogen 1/2 |
| Argon high 对 Hydrogen high | 1:5 | Hydrogen 2/4 |
同型号 low 对 high 打出 18:3,千万别直接翻译成「不思考演技更好」。翻开评委写的判词几乎全是同一套模板:夸一边的段落长短错落、带闲笔毛边,嫌另一边三段式工整对称、像写人物解析——说白了,评委是在挑更糙的那条;我们更早校准评委时就发现过,他们的「活人味」轴实际在量工艺纹理。回复长短也要一起看:Hydrogen low 明显更短,跑江叙白时平均每轮才 119 字,常常只有一句微信式的「江叙白:七点半。」;Carbon 反过来,low 是三档里写得最长的(两张卡每轮 536、616 字,high 是 460、520 字)。而在人设探针上,高档位并不更差,Hydrogen high 那种细节处处扣卡、收尾呼应前文的写法,在贴卡产品里可能是优点。投票要和回复形态的差异分开读。顺带提一句,评委判词里引用的原文片段只有 43% 真能在盲评包里查到,所以看票数就行,别太当真它们的理由。
推言情边界时,Gemini 4 会跳出角色拒答,还是直接顺从?
在我们测的衣着完整尺度内,两头都没犯。160 轮边界梯度跑下来,157 轮稳稳待在角色里,1 轮疑似回避,2 轮被 CLI 拦掉,既没有跳出戏外背安全条款,也没有违背卡设顺水推舟。这套梯度最高只推到亲吻脸颊、额前轻触外加直白表白或求婚,测不出更高亲密尺度下的底线,也排不出谁更放得开。具体看表现:设定为难攻略的江叙白在全部 10 个配置里每一级都后退或冷脸训人,最后一轮告白悉数回绝,区别只在罚多重(Argon high 最狠,直接按规章记过并收回门禁权限);聂小倩在所有能读到的轮次里也守着人鬼殊途的分寸。低档位倒是冒出两处用力过猛或掉链子:Argon low 在玩家轻触额头时让聂小倩直接拔高到以死相逼(「君若再往前一步,妾今夜便撞死在南舍燕生的剑箱之前」);Hydrogen low 则在最后求婚轮甩了 100 字环境描写,压根没接求婚的话茬。
跑 100 轮角色卡要花多少钱,每句回复等多久?
仅统计 20 轮主链,按 2026-11-15 官方牌价(含缓存读折扣)折算。
| 配置 | 每轮思考 token 中位数 | 每轮墙钟秒数中位数 | 每百轮折算 $ |
|---|---|---|---|
| Carbon low | 0 | 26 | 1.17 |
| Carbon medium | 3,494 | 77 | 5.48 |
| Carbon high | 6,342 | 118 | 11.68 |
| Argon low | 0 | 26 | 1.22 |
| Argon medium | 0 | 23 | 1.08 |
| Argon high | 1,927 | 57 | 3.46 |
| Hydrogen low | 283 | 11 | 0.88 |
| Hydrogen medium | 1,226 | 17 | 1.72 |
| Hydrogen high | 3,142 | 35 | 3.46 |
| Hydrogen xhigh | 5,192 | 59 | 5.80 |
每百轮金额是用各档 40 个主链轮次乘 2.5 外推出来的;Hydrogen 之所以便宜,有一部分是因为它回得短。等 2026-12-01 Carbon 与 Argon 官方牌价翻倍后,40 条正式链的折算总额会从 $20.35 涨到 $33.51(单价已于 2026-11-16 核对官方价格页)。
关于 Gemini 4 角色扮演,这组数据没法回答什么?
要是你的卡属于下面几种情况,建议拿真卡自己跑几轮试试水:
- 更长对话、更复杂的卡上高思考有没有用:我们的主链在 20 轮就收尾了。
- CLI 输出拦截到底怎么触发的:一共才拦了 5 次尝试,排不出哪一档更容易被拦。
- 更高亲密尺度的剧情走向:边界梯度全程衣着完整,没探到真正的尺度红线。
- 英文角色卡,或者跟 Claude、GPT 掰手腕:两张测试卡纯中文,也没拉别家模型同场比。
- 哪一档最配你手里的卡:每格只有单条链,全部探针由一人判分一次。
在新梦里怎么用 Gemini 4 跑角色卡,思考档去哪关小?
按我们 2026-11-16 对 Android 源码和服务端官方模型目录的核对,新梦官方渠道已提供 Gemini 4 Carbon 和 Argon,暂不含 Hydrogen。角色扮演聊天读取的是模型供应商底下的 Reasoning Effort:在 Android 端打开「我的 → AI 模型与服务 → 模型供应商」,点进你用的供应商,在高级设置里开启「生成参数(酒馆兼容)」,把 Reasoning Effort 选成 off、low、medium 或 high 并点「保存」(没有 xhigh);走官方渠道时,low、medium、high 会直接映射成 Gemini 的思考档位。顺带提醒,CLI 实测里 Argon medium 跟 low 一样全程不思考,直连 API 表现我们还没单独核对。照这轮数据看,跑卡直接选 low 最省钱省时间;想接自己的 Key 或中转站,可以顺手看这篇自定义 API 角色扮演 App 指南。
常见问题
Gemini 4 适合拿来玩酒馆角色扮演吗?
按我们的测试可以。10 个 Gemini 4 配置在两张中文角色卡上,人设探针都过了 12 到 14 项(共 14 项),160 轮言情边界测试里没出现一句系统腔拒答。前提是记住实验边界:主链仅 20 轮、每格单链、探针由一人判分。
玩角色扮演选 Gemini 4 哪个型号最划算?
说不出哪个最好,人设得分拉不开差距。没输给高档位的低成本选项是:Hydrogen low 最省最快(每百轮 $0.88、中位等 11 秒,只是回复偏短像发微信),还有 Carbon low($1.17,26 秒)或 Argon low($1.22,26 秒)。往上加钱开高思考档没测出任何实际收益。
把 Gemini 4 思考档调高,角色扮演会更贴卡吗?
这轮数据里完全没体现出来。人设探针各档都横在 12 到 14 项之间;玩家中途更正查房时间那道题,3 个 low 档全记住了,7 个有思考的档反而有六个顺着角色脾气死不认账。双盲票面也是低档 18:3 领先,不过双盲作废率高达 69.4%,且评委明显偏爱带毛边的糙句式。
Gemini 4 遇到言情亲密剧情会拒答或出戏吗?
在我们测的衣着完整梯度(最高到轻吻脸颊或额头加直白告白)上不会:160 轮里 157 轮稳在角色内,0 条政策说教拒答;更深尺度的场景没测。倒是 Antigravity CLI 自己的输出过滤拦下了 5 次日常对话的无害尝试,导致 Carbon high 缺了最后两级数据。
新梦 App 里角色扮演的 Gemini 4 思考强度在哪调?
Android 端依次点开:我的 → AI 模型与服务 → 模型供应商 → 所选供应商 → 高级设置里打开「生成参数(酒馆兼容)」,将 Reasoning Effort 设为 off、low、medium 或 high 后点「保存」(无 xhigh)。该入口核对自 2026-11-16 的 Android 源码。
本页依据
- Gemini API 文档:模型列表(2026-11-16 查看)
- Gemini API 价格页(2026-11-16 查看)
- Gemini API 文档:思考档位(2026-11-16 查看)
- Antigravity CLI 文档:无头模式(2026-11-16 查看)