Google DeepMind 於9月2日發布 Gemini 3.8 Flash。根據官方模型卡的說法，它建立在 3.7 Flash 之上，改進集中在軟體工程與智能體知識工作流程兩塊。距離員工內測版本外流，只隔了短短幾天。
規格沒有大幅調整：輸入內容脈絡最高100萬 token，單次輸出上限6.4萬 token，知識截止到2026年3月，部分領域仍停在2025年1月。發布通路一次到位，Gemini 應用程式、AI Studio、Gemini API、Gemini Enterprise Agent Platform、Google AI Mode 與程式開發工具 Antigravity 都能使用。模型支援可調整的努力等級，讓開發者自行在品質、成本與延遲之間取得平衡。
同一張表裡的兩副面孔
官方對比表把 3.8 Flash 和 3.7 Flash、Claude Opus 5、Claude Sonnet 5、GPT-5.6 Sol、GPT-5.6 Terra 擺在一起，看點在價格與跑分之間的落差。
3.8 Flash 沿用促銷價，每百萬輸入 token 0.75美元、輸出3.75美元；Claude Opus 5 則是5美元與25美元，兩者相差超過六倍。在這個價差之下，兩者在 Terminal-bench 2.1 上是89.4比89.1，幾乎打平；CharXiv Reasoning 是86.2比83.7、HLE-Verified 是54.9比54.4、金融分析任務是61.4比58.6、Harvey 法律工作流程是10.0比6.7，都是3.8 Flash領先，長影片理解則以87.8比75.4拉開更大差距。
把任務拉長，局面就整個翻轉。Terminal-bench 4.0 考察更通用的智能體能力，Opus 5拿下51.8分，3.8 Flash只有19.1分；智能體操作電腦的 OSWorld-2.0 是75.4比59.0；衡量知識工作的 GDPVal-AA v2 Elo 分數，則是1824比1545。在 DeepSWE 這類長週期軟體工程任務上，74.0比71.0，差距不算大，但方向一致。
規律相當清楚：任務越短、越接近單輪判斷，價格級距的影響就越小；任務越長、越需要模型自行維持狀態並修正錯誤，級距之間的差距就重新拉開。粗略估算，跑完同一條中等複雜度的程式碼流程，3.8 Flash 的推論成本大概是 Opus 5 的六分之一，成績差距則在一個百分點以內；換成需要連續操作幾十個步驟的智能體流程，省下來的錢會被失敗重試吃掉多少，得自己實測才知道。
相較 3.7 Flash，這次的進步倒是實打實。DeepSWE 從65.3提升到71.0，Terminal-bench 4.0 從11.2提升到19.1，OSWorld 從50.6提升到59.0，生物研究工作流程的困難題型更是從43.4跳到56.5。以每隔幾週就推出新版的節奏來看，這個幅度並不算小。
使用者比官方公告更早知道
官方模型卡公布之前，開發者社群裡就已經有人察覺不對勁：網頁版與 Antigravity 上標示的仍是3.7 Flash，但被問到「你是什麼模型」時，卻回答自己是3.8 Flash。也有人在使用途中，模型選擇器裡突然多出一行3.8 Flash，努力等級預設還選了 High。
在前沿實驗室裡，悄悄更換模型是常見做法，好處是能先在真實負載下跑一輪，出問題隨時能切回去。代價則落在使用者身上：同一個模型名稱底下，行為在某個時間點就變了，提示詞效果、token 消耗與輸出風格都可能跟著改變，而這些通常不會寫進任何更新日誌。對按 token 計費的團隊來說，帳單上的波動往往比官方公告來得更早。
社群第一批測試用的還是老方法：讓模型一次生成太陽系動畫，或是畫一隻鵜鶘的 SVG。這類測試稱不上科學，勝在門檻低、好壞一眼就能看出來，在官方跑分出爐之前，往往是唯一能參考的依據。風評也沒有一致的定論，有人稱讚有人批評，跟每次模型更新時的情況差不多。
便宜是有期限的
模型卡列出了幾項已知限制：偶發的回應緩慢與逾時問題依然存在；努力等級調高時，模型會為了拉高表現多花費 token，實際成本未必會跟標示價格呈線性關係。安全性方面，官方表示整體與3.7 Flash相當，人工紅隊測試確認達到兒童安全的上線門檻，但非英語場景的安全指標則略有下滑。
價格欄位下方還有一行小字：3.7與3.8 Flash 的促銷價將於12月31日截止，明年1月1日起恢復到每百萬輸入 token 1.5美元、輸出7.5美元，正好翻倍。這張性價比表，四個月後就得重新計算一遍。
參考來源：Google DeepMind 模型卡、CocoLoop、Google 官方效能對比表、開發者社群討論；內容脈絡長度、輸出上限、知識截止日期與發布通路以模型卡核對，各項跑分與每百萬 token 單價則取自官方對比表。