Gemini 3.8 Flash

1. 写代码这件事，确实认真了不少

这是 3.8 Flash 最值得看的变化。

DeepSWE v1.1 中，3.8 Flash 得分 73.7%，3.7 Flash 是 65.3%，距离 Claude Opus 5 的 74.0% 只差 0.3 个百分点。

Terminal-Bench 2.1 的成绩更有意思：89.4%，超过 Opus 5 的 89.1%。

所以 Flash 现在已经不只是拿来写几段简单代码了。复杂开发、命令行操作和 Agent 任务，都开始成为它的主要战场。

2. 专业任务也开始往上冲

金融和法律是两个比较明显的例子。

在 Vals Finance Agent V2 和 Harvey's Legal Agent Benchmark 中，3.8 Flash 都超过了 3.7 Flash 和 Claude Opus 5。

HLE-Verified 得分 54.9%，覆盖 STEM、人文等多个领域。

这里不用把它想成“什么专业问题都能解决”。更实际一点看，它处理那种需要连续分析、一步接一步完成的工作，确实更有底气了。

3. 推理强度可以自己控制

3.8 Flash 提供低、中、高三个 thinking effort 档位。

第三方测试中，高档智力指数为 59 分，中档 57 分，低档 52 分。

这个设置对开发者挺实用。简单任务没必要一直开高推理，遇到复杂代码、长流程 Agent，再把强度调上去。效果、响应时间和 token 消耗，可以自己做取舍。

4. 多想了几步，速度也没有掉得太难看

3.8 Flash 的输出速度约 300 token/秒，约为许多主流模型的 4 到 6 倍。

p50 延迟测试中，比 3.6 Flash 快约 52%。

所以这次并不是单纯拿速度换推理能力。Flash 原本的速度优势还在，只是谷歌开始让它把更多计算用到复杂任务上。

⚡ 与上一代 Gemini 3.7 Flash 的进化

这次并不是把 3.7 Flash 推倒重做。

3.8 Flash 还是沿着 3.7 Flash 的技术路线往前走，模型架构、训练数据集、硬件和软件这些底层东西没有全面换一套。

真正明显的变化，在于它干活的方式。

遇到复杂任务，它会多想几步，调用工具，检查结果，再继续往下做。14 组 Benchmark 里，3.8 Flash 拿下了 8 个第一。

代价也很直接：单任务成本比 3.7 Flash 高约 40%。

所以这次升级到底值不值，还是得看任务。

写个简单函数，未必需要它多想那么久；但如果是复杂代码库、长流程 Agent 或专业分析，多出来的这部分推理能力就更有意义。

优势

• 软件工程、Agent 和专业分析能力明显增强
• DeepSWE v1.1 达到 73.7%，Terminal-Bench 2.1 达到 89.4%
• 输出速度约 300 token/秒
• 支持 100 万 token 上下文窗口，可处理约 1500 页 A4 文档
• 提供低、中、高三档 thinking effort
• API 促销期价格与 3.7 Flash 相同

限制

真正让我犹豫的还是价格。

复杂任务本身就更容易消耗 token，而 3.8 Flash 单任务成本又比 3.7 Flash 高约 40%。如果每天大量跑 Agent，这个差距最后会很明显。

另外，Gemini App 只有 Pro 和 Ultra 能用 3.8 Flash。API 的促销价格也只到 2026 年 12 月 31 日，之后输入和输出价格直接翻倍。

还有一个很现实的问题：Benchmark 看着挺美，实际跑起来是另一回事。

有评测发现，3.8 Flash 可以在两三分钟内生成能够运行的 3D 场景代码，但最后的效果仍然可能是“能跑，但不对”。所以分数很漂亮，不代表丢进真实项目里就能一路顺滑。

推荐人群

如果你经常写复杂代码、做 Agent，或者手里的任务本身就需要模型一层层分析，3.8 Flash 值得考虑。

金融、法律这类需要连续处理信息的场景，也可以重点看看。

企业用户则要多算一步账。如果任务足够复杂，多花一些 token 能明显减少人工处理时间，那这笔成本未必贵。

不推荐人群

如果平时只是聊天、摘要、简单改写，3.8 Flash 有点用力过猛。

API 成本卡得比较紧的开发者，也没必要急着换。很多简单任务，3.7 Flash 已经能做得很好。

如果只是想尝鲜，又不想升级 Pro，那也可以先等等。

我觉得谷歌这次走得挺明显：Flash 已经不满足于当一个“又快又便宜”的模型了。

它开始认真抢复杂任务的生意。

这当然是好事，只是谷歌也顺手把另一件事摆到了桌面上——模型越会想，账单也越容易变聪明。