谷歌邪修Gemini 3.8！险胜DeepSeek，姚顺宇：RSI一大步

Jay 发自 凹非寺
量子位 | 公众号 QbitAI

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？？？

参考链接：
[1]https://blog.google/innovation-and-ai/models-and-research/gemini-models/3-8-flash-and-3-8-flash-cyber/