Gemini 3.8 Flash 评测：跑分逼近旗舰，实测“圣质如初”

2026年9月2日，Google正式发布Gemini 3.8 Flash，距离上一代3.7 Flash仅过去三周，也是六周内第三次Flash系列迭代。Google将其称为“迄今最聪明的Flash模型”，官方跑分显示它在14项基准测试中有8项排名第一，但社区实测却给出了截然不同的评价。

架构：不是重构，而是“更努力”

3.8 Flash并非架构层面的重构。它基于3.7 Flash，在模型架构、训练数据集和硬件层面均延续前代技术栈。性能提升的核心逻辑来自产品设计选择：面对复杂任务时，模型会执行更多推理步骤、反复调用工具、在过程中自我检查和迭代。Google称之为“更努力地工作”。这套长时运行的Agentic loop机制，通过递归评估和优化输出来提升任务质量，代价是消耗更多Token。

在基础规格上，模型延续了稀疏MoE架构与动态路由，支持100万Token上下文和最高64K输出，知识截止日期为2026年3月——但Google也注明，部分领域的知识仍停留在2025年1月。思考档位从minimal调整为low、medium、high三档，minimal被移除，传入会报错。

跑分：逼近Opus 5，局部超越

从官方数据看，3.8 Flash在编程和Agent任务上的提升相当可观。DeepSWE v1.1长程软件工程测试从3.7 Flash的65.3%跃升至73.7%，距离Claude Opus 5的74.0%仅差0.3个百分点。Terminal-Bench 2.1命令行Agent测试中以89.4%反超Opus 5的89.1%。

多模态与专业领域同样表现突出。CharXiv复杂图表理解得分86.2%，超过Opus 5的83.7%；LVBench长视频理解在Agent模式下达到87.8%，大幅领先竞品。金融分析Vals Finance Agent v2得分61.4%，法律Agent测试10.0%，均高于Opus 5。

但独立评测给出了更冷静的视角。Artificial Analysis智能指数上，3.8 Flash（high档）仅得59分，落后于Opus 5 max的63分。在更难的Terminal-Bench 4.0上，3.8 Flash只有19.1%，而Opus 5达到51.8%。

实测：快是真快，笨也是真笨

社区实测暴露了跑分与体感之间的鸿沟。有开发者对比同一个海浪模拟器任务，Opus 5耗时24分钟，3.8 Flash仅用37秒，但Opus 5的成果细节处理更完善。另一项测试中，3.8 Flash能在两三分钟内生成可运行的3D场景代码，结果却是“能跑但不对”——直升机模型的部件关系和运动方式粗糙，水流模拟的地形“漏水”。

写作测试中，3.8 Flash生成3000字文章仅需17秒，遣词造句风格犀利，比GPT-5.6的AI味更少，但论证准确度不及对手严谨。速度方面，输出速度达到约300 tokens/秒，远超同档位竞品，但模型会因为“更努力”而执行更多推理步骤，导致实际交付时间反而比3.7 Flash更慢。

定价：单价没涨，任务变贵

3.8 Flash的API定价维持不变：输入每百万Token 0.75美元，输出3.75美元，缓存读取0.075美元。但这只是表面数字。由于模型每任务多消耗约30%的输出Token，Artificial Analysis实测单任务成本从3.7 Flash的0.40美元涨至0.58美元，涨幅约40%。

不同推理档位的成本差异显著：low档每任务0.24美元，medium档0.41美元，high档0.58美元。Google明确建议，效率优先的场景可继续使用3.7 Flash或降低推理档位。

定位：Flash的壳，旗舰的任务

3.8 Flash的尴尬在于，Google给Flash系列安排的任务越来越重——编写和修改大型项目、反复调用工具、独立完成持续数小时的复杂工作——这些本是衡量顶级Agentic模型的活，如今都委派给了Flash。Flash原本的意义是更快更便宜，但现在它不得不代替迟迟未出现的3.5 Pro，证明Google仍有能力留在牌桌上。

对于日常编码、文档理解和常规Agent循环，3.8 Flash在速度和成本上仍有明显优势。但若需要接近前沿水平的可靠输出，它在复杂任务中的鲁棒性短板不容忽视。3.8 Flash的真正价值在于它把Flash级别的价格推到了旗舰门槛附近，但“能用”和“好用”之间，仍然隔着不止一个版本号的距离。