课程
Practical AI with Google Gemini and NotebookLM
2 小时
10K
Google 正在以难以跟上的速度发布 Flash 系列模型。Gemini 3.8 Flash 是该公司六周内发布的第三个 Flash 模型，在保持与三周前的 3.7 Flash 相同的速度和低成本的同时，成为 Flash 阶梯中推理与编程能力最强的模型。
除了标准模型，Google 还推出了 Gemini 3.8 Flash Cyber，这是一款为网络安全工作调优的变体，仅通过 Fairwind Program（与新模型同日上线的受限访问项目）向受信任的防御方开放。两者共享相同的基础智能。
亮点数据相当强劲：Gemini 3.8 Flash 在 Terminal-Bench 2.1 上得分 90.8%（较 3.7 Flash 的 81.6% 大幅提升），HLE-Verified 得分 54.9%，而 Cyber 变体在真实场景中的漏洞发现率超过 70%。
本文将全面介绍 Gemini 3.8 Flash 与 3.8 Flash Cyber 的新变化，涵盖新功能、基准测试，并通过上手示例检验其表现。您可在我们的 Gemini 3.8 Flash API 教程中查看模型实际效果，并在我们的Gemini 3.8 Live指南中了解 Google 最新的语音助手模型。
想快速了解其竞争对手，请参阅我们的对比指南：DeepSeek v4.1 vs Gemini 3.8 Flash 与 Claude Opus 5 vs Sonnet 5。
要点速览
- Gemini 3.8 Flash 是 Google 最智能的 Flash 阶梯模型，发布于 2026 年 9 月 2 日，是六周内的第三个 Flash 模型。
- 它在 Terminal-Bench 2.1 上得分 90.8%（较 3.7 Flash 的 81.6% 提升），并在长时程编程的 DeepSWE v1.1 上优于多数更大的前沿模型。
- 提升不均衡：编程与工具使用大幅跃升，但 Humanity's Last Exam 基本持平（45.4% vs 45.7%）。
- 定价维持至 2026 年 12 月 31 日：每 100 万输入 token 收费 $0.75、输出 $3.75；之后为 $1.50/$7.50。
- Gemini 3.8 Flash Cyber 仅向 Fairwind Program 的防御方开放，真实世界漏洞发现率超过 70%，并在 CWE-Bench 的修复评测中位于帕累托前沿。
Gemini 3.8 Flash 是什么？
Gemini 3.8 Flash 是 Google 最智能的 Flash 阶梯模型，专为长时程软件工程、自主代理，以及复杂的企业级工作流而设计。
它定位低于 Pro 阶梯（如 Gemini 3.1 Pro），但价格仅为其一小部分，并在 2026 年 12 月 31 日前维持每 100 万输入 token $0.75、每 100 万输出 token $3.75 的入门价。
与 3.7 Flash 的主要差别在于：3.8 Flash 会“更卖力”。
在复杂任务上，它会执行额外的推理步骤并迭代调用工具，这使其性能接近更高成本的前沿模型。代价是 token 开销：在更高“努力等级”下，模型可能会消耗更多 token 来挤出最后几分准确度。
最醒目的基准成绩来自 Terminal-Bench 2.1：3.8 Flash 得分 90.8%，而 3.7 Flash 为 81.6%。Terminal-Bench 衡量模型端到端完成真实命令行与编程任务的可靠性，因此 9 分的跃升直接指向更好的“代理式编程”行为。
Gemini 3.8 Flash 有哪些新变化？
3.8 Flash 的功能更面向运行代理和长时间编程会话的开发者，而非普通闲聊用户。
以下是值得关注的能力。
可按任务调节的努力等级
您可以根据更重视准确性还是成本，灵活调高或调低模型的“努力”。
- 在更高努力等级下，3.8 Flash 会执行更多推理步骤并反复调用工具，从而在艰难的工程任务上取得更高分数。
- 在更低努力等级下，它会尽量减少 token 开销，适用于对时延敏感或算力受限的工作。
这很重要，因为 3.8 Flash 的提升是以额外 token 为代价取得的。
如果您的工作负载以效率优先，Google 明确表示您可以继续使用 3.7 Flash，且其将获得完整支持。
对于 Google 来说，在发布帖中加入这样的说明相当坦诚，也表明“努力拨盘”是真实的权衡，而非免费性能。
长时程自主代理
Gemini 3.8 Flash 旨在运行无需手把手引导、可完成多步工程问题的代理。
在长时程软件工程基准 DeepSWE v1.1 上，它以更低成本优于多数更大的前沿模型，同时能端到端解决复杂问题。
对于构建编程代理的从业者，这个指标至关重要。
Reddit 与 X 上的提前体验者称其为“以 Flash 价位达到 Fable 5 水平的性能”，而华尔街日报的报道也提到，在 Google 内部的 Jetski 正面对比测试中，工程师更偏好用于编程的 3.8 Flash 而非 Anthropic 的 Opus 模型。
这是一个颇具进攻性的竞争主张，值得在 API 广泛开放后加以验证。
面向专业细分领域的可靠性
3.8 Flash 面向受监管、高风险、错误代价高的领域。
它在 Vals Finance Agent V2 与 Harvey's Legal Agent Benchmark 上优于 3.7 Flash 和其他前沿模型，这两项基准测试金融与法律领域的分析与报告能力。
设想一个工作流：代理阅读一组季度文件并起草合规摘要，或将合同条款与政策对照审阅。此类任务对可靠性的要求不同于通用聊天，Google 正将 3.8 Flash 直接定位为这些知识领域中的企业级自主方案。
为 Antigravity 与 AI Studio 的代理式工具而生
Gemini 3.8 Flash 运行在 Google Antigravity 与 Google AI Studio 中，单个循环提示即可驱动完整构建流程。
Google 自己的示例是一款完全可玩的 DOS 风格 Google 地图，由 Antigravity 中的一条提示生成，包含地点、路线和街景。
在您的工作中，不妨设想输入一句话：“构建一个交互式仪表板，读取此 CSV，绘制三种图表，并支持按地区筛选”，然后让代理式循环迭代直至可运行。
循环指令模式能放大高努力等级的价值，因为模型会持续打磨，而非停留在初稿。
Gemini 3.8 Flash 基准测试
基准成绩并不均衡——这比“全面领先”更有参考价值，因为它能告诉您提升落在哪里。
编程与终端任务显著提升，而考试型推理几乎未动。
以下数据来自 Google 的开发者文档与公告。
Terminal-Bench 2.1
Gemini 3.8 Flash 在 Terminal-Bench 2.1 上得分 90.8%，高于 3.7 Flash 的 81.6%。
该基准衡量模型从头到尾完成真实命令行与编程任务的可靠性，包括运行工具与从错误中恢复。
作为中端竞品背景参考，在我们的GPT-5.6 Terra vs Claude Sonnet 5 对比中，Terra 在 Terminal-Bench 2.1 上得分 87.4%，Sonnet 5 为 80.4%。在这条分数线上，3.8 Flash 的 90.8% 略胜二者——对于一款每 100 万输入 token 收费 $0.75 的 Flash 阶梯模型而言，颇具意义。
DeepSWE v1.1
在长时程软件工程基准 DeepSWE v1.1 上，3.8 Flash 以更低成本优于多数更大的前沿模型。
Google 在提炼笔记中未公布精确百分比，但强调其能自主、端到端地解决复杂工程问题。
这是支撑“能把活儿干完的代理”这一卖点的基准。
如果您的工作负载涉及代理对代码库进行多步迭代，相比一次性的编程评分，DeepSWE 更贴近您的现实。
SWE-Bench Pro 与 SWE-Atlas
在 SWE-Bench Pro 上，3.8 Flash 得分 61.6%，对比 3.7 Flash 的 60.4%；在 SWE-Atlas 上为 51.9%，对比 48.0%。
这些都是仓库级的软件工程基准，衡量在真实代码库中修复真实问题的能力。
SWE-Bench Pro 仅 1 分多的提升较为温和，值得注意。更大的跃升出现在 Terminal-Bench 上，因此如果您特别在意终端与工具的可靠性，3.8 Flash 正是在此处与前代拉开差距。
HLE-Verified 与 Humanity's Last Exam
3.8 Flash 在 HLE-Verified（跨理工、人文与专业领域的多步推理测试）上达到 54.9%。
而在 Google 开发者文档更广泛的 Humanity's Last Exam 对比中，分数基本持平：3.8 Flash 为 45.4%，3.7 Flash 为 45.7%。
通用考试型推理并未显著进步，因此如果您的用例偏重高难度的开放式推理，而非编程与工具使用，从 3.7 升级到 3.8 Flash 或许不值额外 token。
网络安全基准：CyberGym 与 CWE-Bench
Gemini 3.8 Flash Cyber 在漏洞发现与修复上给出前沿级表现。
在行业标准的自主漏洞发现基准 CyberGym 上，它超越了 3.5 Flash Cyber 与体量更大的前沿模型；在覆盖 20 种编程语言的 Google 内部基准上，其成功率超过 70%。
在由 Collinear 运行的外部修复基准 CWE-Bench 上，Cyber 位于帕累托前沿，pass@1 为 47.2%，接近领先前沿模型的 47.8%，且成本更低。
Google 有意将优先级放在漏洞修复而非进攻性利用上，这与 Anthropic 默认为 Sonnet 5 启用网络安全防护的做法相呼应（正如我们在Opus 5 vs Sonnet 5 评测中所述，其在 Firefox 漏洞开发评测上为 0.0%）。
Gemini 3.8 Flash vs Gemini 3.7 Flash
下表展示了新模型与其发布仅数周的前代之间的对比：
| 基准 | Gemini 3.8 Flash | Gemini 3.7 Flash |
|---|---|---|
| Terminal-Bench 2.1 | 90.8% | 81.6% |
| SWE-Bench Pro | 61.6% | 60.4% |
| SWE-Atlas | 51.9% | 48.0% |
| τ³-bench Banking | 38.1% | 30.9% |
| CharXiv（多模态） | 86.2% | 84.5% |
| Humanity's Last Exam | 45.4% | 45.7% |
Gemini 3.8 Flash 的定价与可用性
Gemini 3.8 Flash 已通过 Google AI Studio 与 Gemini Enterprise Agent Platform 面向大众提供，发布于 2026 年 9 月 2 日，API 模型 ID 为 gemini-3.8-flash。
3.8 Flash Cyber 变体仅通过 Fairwind Program 向受信任防御方开放，未面向大众发布。
定价延续 3.7 Flash 的入门价：
- 输入： 至 2026 年 12 月 31 日每 100 万 token 收费 $0.75
- 输出（含思考 token）： 至 2026 年 12 月 31 日每 100 万 token 收费 $3.75
- 自 2027 年 1 月 1 日起： 每 100 万输入 $1.50，输出 $7.50
以 2026 年 9 月的竞品为参照：GPT-5.6 Sol 约为每 100 万 token 输入 $5、输出 $30，新的 Claude Fable 5.1 为输入 $10、输出 $50。
Gemini 3.8 Flash 以显著优势压低两者价格，这正是 Flash 阶梯的意义所在。
结语
Gemini 3.8 Flash 展示了 Google 在编程模型价值端的强力推进，策略清晰：以 $0.75 的输入价匹配接近前沿的编程性能，并以每隔几周一款的节奏持续发布新 Flash 模型。
Terminal-Bench 2.1 上的 90.8% 与不足 $1 的定价，使其成为代理式编程工作负载的有力默认选择。
我的看法是，这次发布并不均衡，而 Google 也坦承这一点。
终端与工具使用分数跃升，DeepSWE 以及金融与法律基准有所提升，但 HLE 基本持平，SWE-Bench Pro 几乎未动。
如果您构建编程代理，这是对 3.7 Flash 的一次实质性升级。
如果您需要高难度的开放式推理，升级的理由较弱，为效率优先工作继续使用 3.7 Flash 是合理选择。
从长期看，Cyber 变体更耐人寻味。真实场景 70%+ 的漏洞发现率与位于帕累托前沿的修复能力，辅以 Fairwind Program 的准入门槛，并在防御优先于利用的倾向下运作，对于已将其用于自家代码安全的公司而言，是一种可辩护的定位。
在完全接受 CyberGym 与 CWE-Bench 的数字前，我希望看到独立复现实验，因为目前几乎所有数据都来自 Google 自身。
如果您希望围绕此类模型构建代理与编程工作流，我们的 AI Agent Fundamentals 技能路径是一个不错的起点。