Gemini 3.6 Flash 发布，引发对节省 Token 与智能之间权衡的嘲讽

如果你从去年就开始使用 Gemini，那么最近流行的一个段子是：它就像看着你自己的哥哥逐渐患上阿尔茨海默症。通常，当一家公司发布新模型时，本应用来反驳这类调侃。但就在刚才，谷歌发布了三款新模型后，网友不仅没有收回这句话，反而笑得更厉害了，给人一种“他们不信你，结果你成了最让人失望的那个”的感觉。这三款模型分别是 3.6 Flash、3.5 Flash-Lite 以及用于网络安全的 3.5 Flash Cyber。官方博客中的措辞依然熟悉：更高效、更智能、专为大规模 AI 智能体打造，且毫不逊色。然而，实际体验却大相径庭。

首先来看旗舰款 3.6 Flash。它是今年五月 I/O 大会上发布的 3.5 Flash 的小版本升级，官方将其定位为“工作马”模型。这一代最大的卖点是节省 Token：根据 Artificial Analysis Index 的数据，3.6 Flash 比 3.5 Flash 少使用 17% 的输出 Token，在 DeepSWE 场景下甚至减少了高达 65%。运行多步任务时，推理步骤和工具调用的数量也相应减少。价格确实下降了，输入 Token 为每百万 1.5 美元，输出 Token 为每百万 7.5 美元，而之前的 3.5 Flash 输出价格为每百万 9 美元。这直接降至 7.5 美元，使其更快且更具成本效益，单个智能体任务的成本显著降低。

在基准测试中，代码能力是重点，DeepSWE 从 37% 上升至 49%。官方声称不必要的代码更改更少，执行循环更短，生成的代码更接近生产要求；机器学习研究的 MLE Bench 有了更显著的提升，从 49.7% 升至 63.9%；计算机操作的 OSWorld-Verified 从 78.4% 升至 83%，且计算机操作已成为 Gemini API 和企业版中的内置工具，开箱即用。一个虽小但实用的更新是，知识截止日期终于从 2025 年 1 月推迟到了 2026 年 3 月，终于摆脱了旧日历。在安全方面，官方表示 3.6 Flash 升级了前沿安全保护，专注于两类滥用行为：化学、生物、放射性、核以及网络攻击，具有更强的抗越狱能力，同时尽量不伤害正常需求并最小化不必要的拒绝。

下一层级是 3.5 Flash-Lite，它专注于速度和性价比，针对高吞吐量和低延迟任务，如智能体搜索和文档处理。它是 3.5 系列中最快的，根据 Artificial Analysis 的测量，每秒可生成 350 个 Token。价格极其便宜，输入为每百万 Token 0.3 美元，输出为每百万 Token 2.5 美元，质量明显优于今年三月发布的 3.1 Flash-Lite。它支持调整推理级别，低端任务可以在最低级别运行以追求速度和效率，而当面对需要多步的复杂子任务时，它可以向上调整思考级别。计算机操作也已被制成内置工具。

显著提升方面：代码和智能体任务的 Terminal-Bench2.1 从 31% 跃升至 54%，长上下文的 GDM-MRCR v2 从 60.1% 提升至 72.2%，真实任务执行的 GDPval-AA v2 从 642 增加到 1140。最有趣的是，这款低端模型在许多智能体和代码任务中实际上超越了其更高级的对应模型 3Flash，例如 SWE-Bench Pro（54.2% 对 49.6%）和 OSWorld-Verified（74.0% 对 65.1%），这意味着曾经由 3Flash 处理的任务现在有了更快、更强的替代方案。官方提供了几个用例，包括从海量电商数据中提取产品功能、作为 3.6 Flash 的助手一次性生成 25 个网页设计概念、批量翻译和总结收据，以及游玩并迭代创建游戏。Ashler、Palo Alto Networks 和 Ramp 的客户也称赞了其速度、智能性和性价比。

最后一个，3.5 Flash Cyber，采取了不同的方法，专门设计用于发现和修复代码中的安全漏洞。谷歌的逻辑很巧妙：AI 发现漏洞的速度已经超过了现有系统修复漏洞的速度，导致漏洞堆积。相反，他们使用廉价且高效的 Flash 进行批量修复。该模型由 3.5 Flash 微调而来，并搭配其自己的 CodeMender 工具，多个 Flash Cyber 智能体协同工作，然后汇总成报告。在业界知名的 CyberGym 基准测试中，它达到了第一梯队水平，且与更大规模的模型相比使用了更少的 Token。然而，目前该模型不可用，考虑到漏洞发现是一把双刃剑。谷歌追随 Anthropic 的脚步，采用了安全叙事，将其严格锁定，仅提供有限访问权限给受信任的合作伙伴进行内部测试。目的是给一线防御者时间以在漏洞被利用前进行修复，同时防止人们滥用它。

至此，你可能会问，真正的旗舰款 3.5Pro 在哪里？根据官方解释，它仍在与合作伙伴进行测试，一旦准备就绪就会发布。然而，这句话背后的故事可能并不顺利。据彭博社等媒体报道，3.5Pro 的代码生成能力从未达到内部预期。谷歌在六月末再次更新了训练数据以弥补代码方面的不足，但结果仍未改善。甚至有传言称谷歌完全放弃了原始训练计划并重新开始。与此同时，谷歌 AI 发言人 Logan Kilpatrick 在公开声明中公然跳过 3.5Pro，将焦点转移到 Gemini4 上，声称最大且最具雄心的 Gemini4 预训练已经开始，进展令人兴奋。鉴于旗舰款延期的背景，这感觉有点像转移注意力或延长幻象的承诺。

仅看今天发布的 Flash 模型，网友并未完全买账。第三方评估机构 Artificial Analysis 表示，这两款新模型确实将每项任务的时间缩短了一半，并提高了 Token 效率，Flash-Lite 的智能指数增加了 11 分。然而，3.6 Flash 与 3.5 Flash 相比，智能水平基本保持不变。价格下降不足以忽略能力差距，能力提升也不足以证明成本的合理性。在 X 平台上，一些用户批评称，3.6 Flash 在 Artificial Analysis 上的得分与 3.5 Flash 完全相同，且不如 Meta Spark1.1、GLM-5.2、5.6Luna、Sonnet5、Grok4.5、5.6Terra 等竞争对手，称其简直糟糕透顶。

用户 Angel 从性价比的角度指出，3.6 Flash 的使用成本高于 GPT-5.6Sol 中端模型，但其智能水平却更低，形成了一种尴尬的组合。毕竟，Flash 系列的基础是性价比，但现在指出其价值不如竞争对手，无异于自毁长城。作为对比，OpenAI 的 Tibo 最近也发声表示，由于周活跃用户达到 1000 万，Codex 和 ChatGPT Work 的付费用户收到了一轮新的配额重置。这种对比和差距，人们是否还记得湖畔的 Google Gemini3？

现实世界的测试者也火上浇油。用户 Balder 直接批评称，这三款模型的性能比之前的 3.5 Flash 更差，问题包括但不限于基本解码错误、奇怪的中文用词、图像和视频质量差、与指令不匹配、限制严重、频繁记忆混乱以及错误的工具调用。他甚至提出了一种阴谋论，认为谷歌这样做是为了腾出计算资源出售给 Anthropic，讽刺地说这就是 Pichai 想要的——云优先。X 用户 Conor Dart 使用谷歌自己的 Antigravity 运行了 AI 生成游戏测试，结果木纹和大理石纹理更差，看起来几乎相似但仍无法使用。他直接称其为又一次失败，表示宁愿等待 Gemini3.5 或 3.6Pro。

一方面，官方账号强调更高的效率、更低的价格和更少的 Token。另一方面，大多数网友给出了负面反馈，以及模型背后的一系列坏消息，如旗舰款延期、顶尖人才流失和市值缩水。不禁让人怀疑谷歌是否真的搞错了技术路线，过于关注节省成本而忽视了提升智能，仅靠几款 Flash 模型来稳住局面。无论如何，Gemini4 的预训练已经开始。如果这次尝试也失败，关于阿尔茨海默症的段子可能真的会成为预言。