Jay 发自 凹非寺

刚刚，Gemini 3.8 Flash，正式发布。

Coding 能力大幅提升，LMArena 上，Gemini 3.8 Flash 空降 Agent 榜单第 14 名，以微弱优势险胜 DeepSeek-V4-Pro。

对一款走量定位的 Flash 模型来说，无疑是超常发挥了，值得表扬。

毕竟价格一分没涨。

是的，3.8 Flash 在定价上，仍然与 3.7 Flash 保持一致。

Benchmark 啥的就不细说了，大家看看就行。

相比而言，背后的方法论可能更有意思一点——

从谷歌披露的这些数据看来，Gemini 好像「邪修」上了啊。。。

OpenAI 和 Anthropic 都在努力让模型表现更强，同时用更少的步骤完成任务。

谷歌这边，完成任务需要走的步骤却越来越多，主打靠 Loop 大力出奇迹。

估计也是为了弥补模型智能本身的不足吧。

这可能也是 Gemini 如此注重「速度」的原因。

目前看来，3.8 Flash 是市面上输出最快的模型，断崖碾压的那种，比第二名 Meta 高了几乎一倍。。。

但就是不知道实际用起来到底咋样。

如果智能水平跟不上，输出的全是劣质 Token 啊。

这方面，有网友发现了端倪。

说这玩意儿完全就是刷分刷出来的，像 Terminal-bench 4.0 这种 8 月底刚出的 bench，新版 Gemini 表现纯纯一坨。

但不管怎么样，谷歌这次，终于是睡醒了吧。

过去一个半月，谷歌经历了一窝人事变动，甚至连二进制能力拥有者 Jeff Dean 都离职了——

谷歌，却连出了三款 Flash。

关于这点，DeepMind 成员姚顺宇的新帖子，或许能给出一点解释。

对模型来说，那只是一小步；但对 RSI 来说，则是一次巨大的飞跃呢

六周三款 Flash，搞不好只是开胃菜。

Gemini 3.8 Flash：笨，但很努力

3.8 Flash 无疑是一款性价比模型，相比 3.7 Flash 性能大涨，多数场景已经逼近更高成本的旗舰模型。

DeepSWE v1.1 上，它能端到端自主解复杂工程问题，得分超过大多数体型大得多的前沿模型，成本只要零头。

金融和法律这类企业级 agent 场景，它也压过 3.7 Flash 和其他前沿模型。

HLE-Verified，人类最后的考试上拿到  54.9%，跨 STEM、人文、专业领域的多步推理，和旗舰的差距肉眼可见地缩小了。

但智能方面，似乎并没有本质的提升。

3.8 Flash 能考出这个分数，单纯是靠卷出来的。。。

是的，面对复杂任务，它会多走几步推理，反复迭代调用工具，所以在高 effort 档位下，它可能比前辈们烧更多 Token。

这么一看，好像也没性价比到哪去啊。

谷歌如果想重回第一梯队，光靠这种 Trick 估计是不太行的。

还是坐等一手 Pro 吧。

只守不攻的 Cyber 模型

对了，还有一款模型——

3.8 Flash Cyber。

谷歌史上最强的网络安全模型。专攻自主发现漏洞、自动生成补丁。

基准上，CyberGym 漏洞发现测试里，3.8 Flash Cyber 超过 3.5 Flash Cyber，也超过大得多的前沿模型。在覆盖 20 种编程语言的内部代码库测试里，挖洞成功率超过 70%。

修洞方面，CWE-Bench 上它 pass@1 达到 47.2%，目前领跑的前沿模型是 47.8%，几乎打平，成本却低出一大截。

更硬核的是实战报告，它已经在谷歌内部上岗了。

Chrome 安全团队拿它修洞，产出的正确补丁数量，是最强商业模型的  2.6 倍。

Wiz 用它跑内部渗透测试，召回率提升 7.5 到 9.7 个百分点，同样成绩的花费，只有其他前沿模型的 2.3 到 5.2 分之一。

最夸张的是 Google Cloud 漏洞研究团队，用它不到两小时，就挖出了一个以往需要研究数月的关键基础漏洞。

不过吧，这又是一个不公开发布的模型。。。

是的，谷歌表示能力太强，只通过 Fairwind 计划向受信防御者开放。

One More Thing

就在谷歌发模型的当口，Meta 也端出了新货，Muse Spark 1.3。

又是一款对标 Opus 5 的模型，Agent 和 Coding 能力同样大幅提升。

还顺手嘲讽了 Gemini 一波——

我真不想这么说，但是……

Gemni，谁啊？

不是，bro，你跟 Gemini 比个啥啊？？？