导读9 月 2 日谷歌发布 Gemini 3.8 Flash 与网络安全特化版 Cyber，这是六周内第三款 Flash，单价不涨、直接 GA。长程软件工程测试 DeepSWE v1.1 追到 73.7%，距 Claude Opus 5 仅 0.3 个百分点；但谷歌在官方博客里写明，这代模型靠“更努力地工作”——更多推理步骤、更频繁地迭代调用工具——换性能，高负载下 token 消耗会上涨，而考查陌生任务的 Terminal-bench 4.0 只拿到 19.1%。本文拆清它的成绩、机制、成本账和能力边界。
六周三款 Flash，这次谷歌连 Preview 都不要了
美国当地时间 9 月 2 日，谷歌正式推出 Gemini 3.8 系列，包含两个版本：通用的 Gemini 3.8 Flash，以及专攻网络安全的 Gemini 3.8 Flash Cyber。算上 3.6 和 3.7，这是谷歌六周内发布的第三款 Flash。
节奏快之外，还有两个细节值得注意。一是这次没有 Preview 后缀，API 里的稳定模型名就是 gemini-3.8-flash，发布即 GA；二是价格维持 3.7 Flash 的首发促销价：输入每百万 token 0.75 美元，输出 3.75 美元。
但价格页里藏着一行小字：这个促销价 2026 年 12 月 31 日到期，2027 年 1 月 1 日起输入涨到 1.50 美元、输出涨到 7.50 美元，直接翻倍。规格方面，3.8 Flash 支持 100 万 token 上下文、最大 64K 输出，接受文本、图片、音频、视频和 PDF 输入，函数调用、代码执行、搜索均已可用，电脑操作还处于 Preview。
图片来源：Google 官方博客
谷歌给这代模型的定位很明确：不是更聪明的旗舰，而是“最智能的干活模型（workhorse model）”。
这也不只是谷歌一家的转向。过去一年，前沿模型在传统考试类基准上的差距越拉越近，“谁更聪明”越来越问不出区分度；各家发布会的主角，换成了“能不能把活从头干完”的长程任务测试。旗舰也在往这个方向走，只是 Flash 把这件事说得最直白——官方给它的定位原话就是 workhorse，干活的马。
理解这句话，得先看它交出的成绩单。
长程 Coding，Flash 摸到了旗舰的门槛
这次最硬的一个数字来自 DeepSWE v1.1。这个基准测的是模型能不能在陌生代码库里持续工作，把复杂工程问题从头做到尾——长程软件工程，正是 Coding Agent 最核心的场景。
3.8 Flash 拿到 73.7%，上一代 3.7 Flash 是 65.3%。作为参照，Claude Opus 5 是 74.0%，GPT-5.6 Sol 是 72.7%。也就是说，Flash 和旗舰的差距只剩 0.3 个百分点，而单价差着一个数量级：Opus 5 的 API 定价是输入 5 美元、输出 25 美元每百万 token。
图片说明：横轴为单任务平均成本（越靠右越便宜），纵轴为准确率；数据源为 Datacurve AI。图片来源：Google 官方博客
其他几项关键成绩：Terminal-bench 2.1（智能体终端编码）89.4%，微超 Opus 5 的 89.1%；金融分析任务 Vals Finance Agent v2 拿到 61.4%，反超 Opus 5 的 58.6%；法律工作流 Harvey 测试 10.0%，同样是参测模型里最高（该测试口径为 all pass rate，绝对值普遍偏低）；跨学科专家推理 HLE-Verified 54.9%，与 Opus 5 的 54.4% 基本持平。据第三方平台 Artificial Analysis 的统计（经媒体转述），它的输出速度约为 305 tokens/s，单任务成本约 0.58 美元。
一款走量定位的便宜模型，在旗舰传统强项里打到这个位置，是这次发布真正的新闻点。但谷歌自己在博客里把话挑明了：这个成绩不是白来的。
谷歌的解法：让模型“更努力地工作”
官方博客原文有一句很坦率的话：性能提升源于一个核心设计选择——3.8 Flash works harder。面对复杂任务，它会执行额外的推理步骤，反复迭代调用工具；在更高的 effort 档位下，可能消耗更多 token。谷歌同时给了退路：在意成本的开发者可以调低 effort，或者继续使用仍完全支持的 3.7 Flash。
翻译成工程语言：这代模型把“想不通就多试几遍”做成了默认策略。写代码、运行、报错、读报错、修改、再运行——这个 agentic loop（智能体循环）本来就是 Agent 干活的方式，而 Flash 的单价和速度让高频循环在经济上成立：同样的任务，它循环十次的成本，可能仍低于旗舰模型深思一次。
行业里三条路线的分化因此更清楚了：Anthropic 押知识可靠与稳定输出，OpenAI 押深度推理，谷歌则把极低成本的高速循环做到极致。这不是“笨办法”三个字能否定的——在长程编码这类任务天然需要反复试错的场景里，循环次数本身就是资源。
谷歌官方演示的四个 Demo——3D 巫师游戏、地形剖面工具、硬件拆解可视化，以及最有画面的 DOS 版谷歌地图——都是这个思路的注脚。最后一个：在 Agent 开发环境 Antigravity 里输入一条目标指令，模型自己搭项目、调真实地图 API、写测试，最终交出可检索地点、规划路线、甚至能看 360 度街景的成品，27 项自动化测试全部通过。
图片说明：录屏截取自官方演示，DOS 地图中路线规划为伦敦威斯敏斯特至国王十字，3.9 英里约 26 分钟；由 Google 官方发布视频转换。图片来源：Google 官方博客
到这里为止，循环说的都是模型在跑任务时多卖力气。姚顺宇那句“RSI 一大步”指的是另一层：循环也在参与造模型。
他在 X 上写道：对模型而言这只是一小步，但对 RSI 来说是一次巨大飞跃。RSI 是 Recursive Self-Improvement 的缩写，即递归自我改进——让模型参与评估和改进自身的闭环。谷歌博客里有一句对应的官方表述：两款模型都由长期运行的 agentic loop 加速，这些循环被设计用来递归地评估和改进底层模型；编码能力的增益，部分还来自网络安全这类高要求领域的训练——Cyber 版在最难的攻防任务上练出的东西，反哺了两个版本共用的底座。
换句话说，agent 对这代 Flash 有两重身份：既是它干活的方式，也是它被改进的方式。前一重有 DeepSWE 73.7% 这样的成绩单；后一重谷歌只给了定性描述，没有配套技术报告，循环具体贡献了多少增益、反馈如何进入训练，目前还是黑箱。
同一张官方总表，也把边界写得很清楚
官方总表如果只看蓝底高亮的格子，全是好消息。但把整张表读完，故事会复杂很多。
最刺眼的是 Terminal-bench 的新旧版本对比。2.1 版上，3.8 Flash 是 89.4%，微超 Opus 5；到了 8 月底新出的 4.0 版，它只有 19.1%，而 Opus 5 是 51.8%，GPT-5.6 Sol 是 37.3%。
图片说明：上图为 Terminal-bench 2.1（智能体终端编码），下图为 4.0（通用智能体能力）；数据来自谷歌官方总表。图片来源：Google 官方博客
同一个模型，两代考试差出 70 个百分点，合理的解释是：2.1 这类发布较早的基准，题型和解法已被充分吸收进训练与工具链；4.0 考的是陌生的、未经打磨的真实世界任务，循环堆次数的收益大幅下降，底层智能的差距重新露出来。电脑操作基准 OSWorld-2.0 也是类似格局：3.8 Flash 59.0%，Opus 5 为 75.4%；知识工作类的 GDPVal-AA v2，它的 Elo 是 1545，Opus 5 是 1824。
然后是那笔成本账。单价没涨，但“更努力工作”意味着高 effort 档位下单任务 token 消耗可能明显高于 3.7 Flash——任务总成本取决于完成率和循环次数，不是单价一个数字。再加上促销价 2027 年翻倍，把大批量任务长期压在 Flash 上的成本模型，需要按总 token 重新算一遍。
外界的冷水也来得很快。发布同期 Meta 推出 Muse Spark 1.3，其首席 AI 官公开嘲讽 Gemini 在智能指数上落后；社区也有“刷榜”的质疑。需要注明的是，Muse Spark 1.3 目前还是受限预览，而 Terminal-bench 4.0 的落差是谷歌自己总表里的数字，比任何口水都有说服力。
所以迁移建议其实很清楚：长程编码、批量 Agent 流水线这类“循环多、容错高、成本敏感”的任务，值得立刻在自己的代码库里试 3.8 Flash；陌生环境泛化、电脑操作、知识密集型分析，旗舰仍然更稳；跑大批量固定流程时，盯紧任务总 token，而不是只看单价。
还有一个“只防不攻”的 Cyber 版
同场发布的 Gemini 3.8 Flash Cyber 是另一个故事。按官方说法，它与普通版由同一套底座智能驱动、共享核心增益，在此之上做网络安全方向的特化训练，并放宽了一部分网络安全类限制；训练优先级明确偏向防御——补丁修复，而不是漏洞利用。
两者共享到什么程度、又在哪里分开，官方留了模糊空间。特化训练是官方明说的，而只要训练，权重就必然有差异——CyberGym 考的是模型自身的挖洞能力，若两个版本的区别只是系统提示和安全过滤器的松严，“解锁”不出本来不存在的能力。谷歌没有公开的是分叉的深度和形态：最轻的一端是 LoRA 一类挂在冻结底座上的轻量适配器，最重的一端是从共享底座晚期分叉、各自跑完领域强化与安全对齐的两套完整权重；而“放宽限制”那部分，大概率还叠加了运行时的安全策略调整——训练决定模型“会不会”，策略层决定“让不让答”，两层通常同时存在，各占多少同样没有交代。
成绩相当抢眼。漏洞发现基准 CyberGym（C/C++ 代码库）上，它拿到 86.2%，超过前代 3.5 Flash Cyber 的 77.5%，也高于 GPT-5.6 Sol 的 83.6%。在谷歌内部一套覆盖 20 种编程语言的代码库测试中，漏洞发现成功率超过 70%（该数字为谷歌内部基准，无外部独立复现）。补丁修复基准 CWE-Bench 上，它的 pass@1 为 47.2%，领先前沿模型为 47.8%，几乎打平，单次成本却低得多。
图片来源：Google 官方博客
实战案例更能说明它的定位：Chrome 安全团队用它生成漏洞补丁，正确补丁数量是最强商业模型的 2.6 倍；安全公司 Wiz 的内部渗透测试中，漏洞发现召回率提升 7.5 到 9.7 个百分点，成本只有其他前沿模型的 2.3 到 5.2 分之一；谷歌云漏洞研究团队用它在不到两小时内挖出一个关键基础漏洞，这类漏洞以往通常需要专家数月研究。
但普通开发者拿不到它。Cyber 版只通过新的 Fairwind 计划，向可信政府机构、关键基础设施运营方和软件维护者开放申请。API 里那个 gemini-3.8-flash 是普通版，不是 Cyber 端点。谷歌同时强调，3.8 系列内置化学、生物、放射、核风险与网络攻击滥用的防护，第三方 Gray Swan 测试显示其抗提示词注入能力也有明显提升。
写在最后：真正的考试在下一张卷子
3.8 Flash 已经全量可用：开发者可以在 Gemini API、AI Studio、Android Studio 和 Antigravity 中调用，企业用户走 Gemini Enterprise，AI Pro/Ultra 订阅用户能在 Gemini App、搜索 AI Mode 和 Google Sheets 里直接用。
这代发布最值得记住的，不是某个单项分数，而是竞争尺度的变化：Flash 与旗舰的问题，已经从“便宜模型能不能做”变成了“在什么任务上该用谁”。谷歌用六周一款的迭代速度，把 Pro 缺席的空档填成了 Flash 的主场；而“高速循环堆智能”这条路线能不能成立，最终不取决于 DeepSWE 这类已被充分研究的任务，而取决于 Terminal-bench 4.0 那个 19.1%——下一款 Flash 发布时，这个数字会不会涨上来，比这次的 73.7% 更值得盯。
参考资料
Google 官方博客：Introducing Gemini 3.8 Flash and 3.8 Flash Cyber： https://blog.google/innovation-and-ai/models-and-research/gemini-models/3-8-flash-and-3-8-flash-cyber/
Google DeepMind：Gemini 3.8 Flash 模型页： https://deepmind.google/models/gemini/flash/
Google AI for Developers：Gemini 3.8 Flash 模型文档： https://ai.google.dev/gemini-api/docs/models/gemini-3.8-flash
Google AI for Developers：Gemini API 定价页： https://ai.google.dev/gemini-api/docs/pricing
Google DeepMind：Gemini 3.8 Flash 模型卡： https://deepmind.google/models/model-cards/gemini-3-8-flash/
Google DeepMind：Gemini 3.8 Flash 评测方法： https://deepmind.google/models/evals-methodology/gemini-3-8-flash/
— THE END —
文章仅做学术分享，如有侵权请联系删除，非常感谢！