Gemini 3.8 Flash发布时的情况：速度、价格截止日期以及安全方面的注意事项。
Gemini 3.8 Flash评测：官方基准测试成绩提升，每秒处理304个令牌，促销价格将于2027年结束，Cyber模型以及多语言安全方面的问题。
来源: Gemini 3.8 Flash First Impressions: Speed, Stronger Agents, and a Pricing Clock
Gemini 3.8 Flash于2026年9月2日发布，其核心优势在于：在为闪速级延迟和规模设计的模型中，具备更出色的推理、编程能力以及智能体性能。谷歌将其视为迄今为止最智能的“主力模型”，旨在被反复部署，与各类工具集成，并通过完整工作流的成本与产出效果来评判，而非仅仅作为追求基准测试成绩的展示产品。
初步测试结果支持这一定位，但也存在一些限制。谷歌自身的评估显示，该模型相比Gemini 3.7 Flash确实有了显著提升，而独立的人工智能分析报告也显示其速度表现十分出色。不过，初始定价已到期，安全测试项中包含了多语言处理功能，而极高的处理吞吐量也无法消除首个token的生成延迟。尽管Gemini 3.8 Flash在面向实际应用的智能体领域展现出巨大潜力，但最终评价仍需通过工作流层面的测试才能确定，而非仅凭某项基准测试的分数。
模型可处理的输入及运行环境
该模型能够接收文本、代码、图片、音频、视频和PDF文件，并以文本形式回复。其技术规格包括一百万个标记的上下文窗口、64,000个标记的输出上限、函数调用功能、搜索工具以及计算机使用能力。基于这些特性，它适用于处理大型代码库、长篇文档、融合多种媒体类型的研究内容，以及需要在行动前先查看信息的多步骤任务。
该模型广泛集成在谷歌的各种产品中。开发者可通过Gemini API、Google AI Studio、Android Studio、Antigravity或Stitch来使用它，而普通用户和企业则可在Gemini应用、AI模式、Gemini Enterprise以及Sheets中体验它，具体使用资格和条款因使用场景而异。
百万令牌的窗口大小确实引人注目，但容量并不等同于可靠的检索能力或正确的执行效果。在实际应用中，还有更关键的问题需要考虑：模型能否获取正确的证据？其使用的工具参数是否有效？它能否从故障中恢复？能否在不超出令牌限制的情况下完成任务？从这些角度审视，其余的测试结果才更有意义。
谷歌的官方数据
报告显示，该模型在软件工程、金融、法律工作以及综合推理方面的表现均有提升：
- DeepSWE v1.1的准确率为71.0%，而Gemini 3.7 Flash的准确率为65.3%。
- Vals Finance Agent v2的准确率从59.0%上升至61.4%。
- Harvey's Legal Agent Benchmark的准确率从8.8%上升至10.0%。
- HLE-Verified的准确率从53.6%上升至54.9%。
所有这些数据的来源都是 Google DeepMind 发布的资料、模型说明及评估方法，因此它们仅适用于所规定的测试环境，不应被视为普遍适用的保证。
对于正在开发编程智能体的团队而言，DeepSWE 最为适用。在关乎长期软件工程的基准测试中，其准确率从 65.3% 提升至 71.0%，这一提升绝非微不足道；而成本与性能对比图显示，该模型处于 Google 对比结果中效率较高的那一端。
金融和法律领域的测试结果也表明了同样的趋势：它在需要多步骤处理、领域知识以及规范输出的工作流程中表现更好，而不仅仅是简单的问答功能。HLE-Verified 的提升幅度则较小，这提醒我们这只是一个升级，而非在所有方面都实现跨越式进步。
综合来看，这些官方数据足以支持对智能编码与知识处理技术开展深入的试点测试，但它们无法替代在您自己的代码库、文档及业务规则上的实际测试。
独立速度数据
谷歌公布的表格只是其中一个参考角度。Artificial Analysis在2026年9月2日发布了高负载配置下的另一组数据：
- 智能指数：59，195个样本中排名第16位。
- 输出速度：每秒304.6个标记，195个样本中排名第1位。
- 执行一次智能指数任务的成本：0.58美元，195个样本中排名第59位。
- 等待首个答案出现的时间：13.39秒。
有一条方法论原则很明确：这些数据不应与谷歌提供的模型评分混为一谈。
Artificial Analysis使用自己设定的任务组合、参数及成本模型，因此其数据更适合作为独立的、特定时间点的参考。
从这个角度看，生成速度才是关键。若每秒能输出300个标记以上，那么在文本开始生成后，长篇回复、代码生成以及迭代式智能体循环的响应速度都会显著提升。不过，首个回复标记需要13.39秒才能出现，这一情况增加了复杂性，因为处理速度并不等同于即时回复。交互式产品既关注启动延迟，也关注持续运行速度。
平均数值在这里可能会产生误导。那种虽然写入速度快但每一步都会停滞的编码智能体，其表现可能与启动迅速但速度较慢的模型有所不同。唯一有意义的比较标准，是实际工作流程中的端到端耗时。
定价及其有效期
对于全球标准使用情况，谷歌公布的截至2026年12月31日的每百万标记初始费率如下：
- 输入成本为0.75美元。
- 文本输出服务，包括回复内容与推理过程，费用为3.75美元。
- 已缓存输入数据的费用为0.075美元。
从2027年1月1日起，将适用常规全球价格：输入数据费用为1.50美元，文本输出费用为7.50美元，已缓存输入数据费用为0.15美元。
谷歌的定价页面说明，优惠价格是指针对特定模型，符合条件的净支出可获得50%的返现。这三种有效价格在试用期结束后都会翻倍，且非全球地区的价格有所不同，因此各团队应根据其部署地区的具体情况及计费条款进行核实。仅凭这一点来看，常规价格也并非没有竞争力，但若依据发布当天的数据来做预测，其结果将会出现较大偏差。
现在任何评估该模型的人都需要计算两种预算：一种用于促销场景，另一种用于稳态运行场景，同时要考虑重试次数、推理令牌数、不断增长的上下文长度以及缓存命中率。较低的令牌价格固然有帮助，但那些会循环执行、超时或需要反复修正的任务仍可能产生高昂成本。真正值得追踪的是每项成功任务的成本。
Cyber版本
此次发布还带来了Gemini 3.8 Flash Cyber，这是一种专门用于自动发现漏洞并修复它们的模型。它与通用模型是分开的，并非通用模型内部的隐藏设置。
该系统的访问需通过Fairwind进行授权，仅向经过审核的防御方开放，其中包括政府机构、关键基础设施运营方以及软件维护人员。在CWE-Bench测试中，谷歌报告的通过率为47.2%@1，略低于其引用的领先模型所达到的47.8%，同时称其成本要低得多。
这种近乎相同的性能十分值得关注，其分布式处理方式也同样重要，因为网络防御能力与访问控制必须同步发展。该功能并非专为普通公众设计。
安全性测试结果
在整体安全性和表现方面，谷歌称该模型与Gemini 3.7 Flash大致相当。而其详细的自动化开发评估则给出了更为复杂的结论：
- 文本生成的安全性指标下降了-0.4个百分点，不过数值越低代表安全性越高，因此仍属改善。
关于范围的一个说明：该表格反映的是自动化开发评估结果，并非人工审核或红队测试报告。另外，模型卡片指出谷歌通过手动红队测试并未发现任何严重问题，而当人们审查自动化检测出的错误时，普遍认为这些是误报或问题并不严重。因此，不应将这一多语言相关数据曲解为该模型存在安全风险，但也不应对其隐瞒。任何支持多种语言的模型在更广泛推广之前，都应先进行独立的提示词处理、拒绝检测以及政策敏感场景测试。
模型卡片还列出了常见的注意事项：可能会出现幻觉，较长或复杂的请求处理速度可能会变慢甚至超时，而且处理复杂任务会消耗更多令牌。即便使用了更新版本的模型，依然需要保持验证、可观测性以及备用方案。
其可能的应用场景
最有力的论据并非该模型能“独占鳌头”，而是谷歌将更强的智能体性能、广泛的多模态处理能力以及极高的输出效率与Flash的经济性相结合。这种组合可能在以下三个领域带来显著优势：
- 能够扫描大量代码库、调用工具并快速迭代的编码与终端智能体。
- 涉及PDF、图片、音频、视频及结构化输出等大量文档的知识型工作。
- 对延迟和总任务成本要求与峰值推理能力同样重要的高容量应用场景。
不应仅凭初始性能数据就批准将其投入实际应用。内部评估应记录：
- 实际完成的任务，而不仅仅是看似合理的答案；
- 工具调用及数据结构的失败率；
- 生成首个标记的时间以及完整工作流程的延迟；
- 每项已完成任务对应的输入、输出、推理过程及缓存标记数量；
- 在长上下文任务中对引用来源的忠实度；
- 每种支持语言中的安全性及拒绝响应行为；
- 2027年1月价格调整前后的性能表现。
如果该模型能在这些测试中保持其初始表现水平，便有望成为生产环境智能体的理想默认选择。无需在所有独立基准测试中都取得最佳成绩，一个能以合理价格快速输出有用结果的高效模型才更具价值，而这一优势需在工作流程中得到体现。
参考资料
谷歌发布的Gemini 3.8 Flash与Flash Cyber相关内容、DeepMind的产品页面、模型卡片及评估方法，Google Cloud的生成式AI定价页面，Artificial Analysis的模型页面，以及DeepSWE基准测试网站。该分析将谷歌的官方评估结果与独立机构Artificial Analysis的测试结果进行了区分。
相关阅读
- 在GPT-5.6 Sol、Grok 4.5和Gemini 3.6 Flash之间调度编码智能体 —— 不必再选择唯一的最佳模型。可根据风险、上下文、工具及输出规模来调度每个智能体任务，同时支持长上下文处理、分级调度机制以及TypeScript路由器。