Gemini 3.8 Flash上线：性能接近Opus 5，价格不变但任务更贵

文 | 字母AI Gemini 3.8 Flash，来得比想象中还快。 8月13日，Gemini 3.7 Flash刚刚上线；9月2日，Gemini 3.8 Flash已经接棒。过去6周，Google已经连续更新了三次Flash。 就在前一天，Anthropic刚发布了“全球最先进的”Fable 5.1和Mythos 5.1；OpenAI也已经开始为下一代模型Astra预热，官方称其将“很快”上线。新一轮前沿模型大战正在开打，谷歌要是再不拿出点“大牌”，留给Gemini 3的型号已经不多了。 只看Benchmark，Gemini 3.8 Flash在部分任务上已接近Opus 5。 在长程软件工程测试DeepSWE v1.1中，Gemini 3.8 Flash拿到73.7%，距离Opus 5的74.0%只差0.3个百分点；Terminal-Bench 2.1上，它甚至以89.4%超过了Opus 5的89.1%。 谷歌并没有顺手给它涨价。Gemini 3.8 Flash的API输入价格仍然是0.75美元/百万Token，输出3.75美元/百万Token，和上一代3.7 Flash完全一样。 但这一次，便宜并不像看上去那么简单。 谷歌自己也提醒，3.8 Flash会比上一代“work harder”——它会进行更多推理、调用更多工具，也消耗更多Token。Artificial Analysis的首轮测试里，3.8 Flash的单任务成本反而比3.7 Flash上涨了约40%。 也就是说，虽然Token没涨价，但完成一件事变得更贵了。 谷歌啊，在性能上向顶级模型学习就够了，不要连这种事情也学Anthropic啊…… Flash碰上了旗舰模型 从谷歌公布的Benchmark来看，Gemini 3.8 Flash这次最明显的提升仍然集中在Coding和Agent能力。 和3.7 Flash相比，它在长程软件工程测试DeepSWE v1.1上的成绩从65.3%提高到73.7%，一下涨了8.4个百分点，距离Opus 5的74.0%只差0.3个百分点。 Terminal-Bench 2.1也是类似的情况，在这个命令行Agent实战测试里，3.7 Flash此前已经拿到85.8%，而3.8 Flash进一步提高到89.4%，略微超过Opus 5的89.1%。 另外，面向金融分析任务的Vals Finance Agent v2中，3.8 Flash拿到61.4%，高于Opus 5的58.6%；Harvey的法律Agent测试中，3.8 Flash为10.0%，Opus 5为6.7%；衡量多学科专家级推理能力的HLE-Verified上，两者则分别为54.9%和54.4%。 谷歌因此把3.8 Flash定位成目前“最智能的Flash主力模型”，重点面向长程软件工程、自治Agent和复杂企业工作流。 至少在一部分Coding和Agent任务里，Gemini 3.8 Flash已经跑到了Opus 5身边。 不过，暂时还没能实现完全赶超。 在更难、更强调通用Agent能力的Terminal-Bench 4.0上，3.8 Flash只有19.1%，而Opus 5达到了51.8%；GDPVal-AA v2知识工作测试中，3.8 Flash为1545 Elo，Opus 5则达到1824；测试电脑操作能力的OSWorld 2.0上，两者分别为59.0%和75.4%。 独立评测给出的结果也更接近这种判断：Artificial Analysis跑完了Gemini 3.8 Flash的low、medium和high三档推理强度，其中high档在Artificial Analysis Intelligence Index上拿到59分，而Opus 5 max目前是63分。 顺便一提，昨天刚发布的Fable 5.1 max已经达到了66分，当前榜单前七个席位都被Anthropic模型的不同推理档位占据。 所以，准确地说，Gemini 3.8 Flash只能算是一款开始在部分旗舰任务上越级竞争的Flash模型。 速度上，它保持了“Flash”的优势。在Artificial Analysis通过Google API进行的测试中，3.8 Flash high的输出速度达到304.6 Token/秒，在其比较组195个模型中排名第一。 核心产品规格方面，3.8 Flash和上一代完全一样。它依然拥有约100万Token上下文窗口和65,536 Token最大输出，支持的主要工具能力也保持不变。谷歌的模型卡直接说明，3.8 Flash建立在3.7 Flash之上，是一次继续迭代，而非底层模型换代。 和Gemini 3.8 Flash一起升级的，还有Gemini 3.8 Flash Cyber。 新的3.8 Flash Cyber在CyberGym漏洞发现测试中超过上一代3.5 Flash Cyber；在谷歌覆盖20种编程语言的内部真实漏洞测试中，成功率超过70%；在CWE-Bench自动漏洞修补测试中则达到了47.2%，超过GPT 5.6 Sol。 在“安全模型”上，谷歌和Anthropic的做法不太一样。Fable 5.1和Mythos 5.1本质上是同一个底层模型，只是通过不同的网络安全和生物安全限制区分开放范围；谷歌则从3.5 Flash开始单独做了一条Cyber支线，在Flash基础上针对漏洞发现、验证和修补进行专项微调，同时为Cyber版本采用更宽松的网络安全限制。 有意思的是，这种专项训练开始反过来影响主模型。 谷歌称，3.8 Flash和3.8 Flash Cyber共享同一个基础智能核心，而这一代在Coding和Reasoning上的提升，部分就来自网络安全这一高难度领域的训练。 模型价格正在从Token价格转向任务成本 如果只看API价目表，Gemini 3.8 Flash几乎是一次免费的性能升级。 它的输入价格依然是0.75美元/百万Token，输出3.75美元/百万Token，缓存读取0.075美元/百万Token，和3.7 Flash完全一样。性能涨了，Token单价一分钱没涨。 但真正跑起来，账单可不是这么算的。 Artificial Analysis的测试中，Gemini 3.8 Flash high完成一个Intelligence Index任务的平均成本达到0.58美元，而上一代3.7 Flash只有约0.40美元。 也就是说，同样的Token价格，单任务成本上涨了四成。 原因很简单：3.8 Flash变得更能“想”了，也更能花Token了。 Artificial Analysis发现，3.8 Flash high每个任务平均生成约4.8万个输出Token，比3.7 Flash增加了30%；在Agent测试中，它还会进行更多次交互。最终，虽然Token没有变贵，但为了完成同一套测试，需要购买的Token更多了。 值得注意的是，这并不是谷歌一家碰到的问题，Anthropic刚用Fable 5.1展示了一个更极端的案例。 Fable 5.1这次没有调整普通输入和输出价格，依然是10美元和50美元/百万Token，但An