什么值得买App下载 App ›
连续签到专享现金活动

Gemini 3.8 Flash真实测评:便宜但每任务多花40%,这些差距你必须知道

Gemini 3.8 Flash 上线,官方宣传的口径很直接:“便宜、好用、逼近旗舰”,DeepSWE 跑分 73.7%,14 项测试赢了 8 项,Artificial Analysis 综合智能指数 59 分——比上代高 3 分,价格却维持不变。数字看起来很美。但实际用起来怎么样?花的钱和宣传的一样划算吗?这篇把关键信息摊开,不吹不黑。
价格看着便宜,用起来真的省吗?
Gemini 3.8 Flash 的定价确实有吸引力:每百万输入 token 0.75 美元,输出 3.75 美元,和 3.7 Flash 完全一样,优惠持续到 2026 年年底。之后会翻倍到 1.50 美元和 7.50 美元,还要加上上下文缓存的费用。

但价格只是表面。Artificial Analysis 的实测数据显示,3.8 Flash 高推理档每项任务实际成本约 0.58 美元,比 3.7 Flash 的 0.40 美元高出约 40%。原因在于模型“思考得更多、调用得更频繁”:平均每项任务输出的 token 数量增加约 30%,智能体评测中的交互轮数也在增加。单价没涨,但完成同样复杂度的任务,消耗的 token 总量上去了。

如果追求极致成本控制,可以考虑降低推理档位:中推理档每任务约 0.41 美元,低推理档约 0.24 美元。对于不需要深度推理的简单任务,3.7 Flash 仍然是更经济的选择。
12
跑分赢了 Claude Opus 5,但差距在哪儿?
官方公布的 14 项基准测试中,Gemini 3.8 Flash 赢了 8 项,Claude Opus 5 赢了 5 项,还有一项打平。表面看是优势,但仔细看细分项目会发现,Opus 5 赢的都是高难度的智能体任务:Terminal-bench 4.0 得分 51.8% 对 19.1%,差距超过 30 个百分点;OSWorld-2.0 是 75.4% 对 59.0%;GDPVal-AA v2 的 Elo 评分是 1824 对 1545。

3.8 Flash 领先的领域主要集中在编程和知识处理类任务,比如 DeepSWE v1.1 长周期软件工程测试。谷歌内部工具 Jetski 的对比测试中,工程师对 3.8 Flash 的偏好甚至超过了 Opus 模型。但在需要模型自主规划、多次工具调用的复杂场景下,Opus 5 的优势依然明显。

关于广泛传播的 DeepSWE 73.7% 这个数字,有声音质疑是否存在后训练阶段测试集污染的问题,“DeepSWE 刷到快 74 分,很有可能在后训练阶段把测试集全塞进去了”——这类质疑虽然缺乏实锤,但提醒不宜把单一跑分数字当作唯一参考。
345
实际使用中有哪些需要注意的坑?
跑分是一回事,用起来是另一回事。有测试反馈指出,3.8 Flash 在长文档摘要任务中偶发逻辑跳跃,某次将“欧盟 GDPR 第 23 条豁免条款”误关联至美国 CCPA——虽属极低频事件,但足以让合规敏感型客户皱眉。

另外需要认清的是定位:Flash 系列是谷歌口中的“主力模型”,定位是编程和运行智能体,体量上限不如旗舰 Pro 系列。如果任务涉及复杂推理、长程上下文依赖或对准确性要求极高的关键业务,Pro 或 Opus 仍是更稳妥的选择。Flash 系列的优势在于速度、成本和迭代频率,而不是性能上限。

还有一个时间窗口需要注意:优惠价格只到 2026 年年底,明年 1 月 1 日起费用翻倍。如果现在觉得划算,实际签长期合同前建议确认一下涨价后的成本是否还在预算范围内。
678
总结一下:Gemini 3.8 Flash 在编程任务、软件工程和智能体基础场景下确实有实质性提升,59 分的综合智能指数配合 305 tokens/秒的输出速度,构成了不错的生产力工具组合。但它的强项集中在相对明确的编程类任务,在高复杂度智能体场景下与 Opus 5 仍有差距;每任务实际成本比上代高出约 40%,低价印象有被高估的可能;长文档处理偶尔会出现低级错误,合规敏感场景使用前建议先做验证。
维度Gemini 3.8 FlashClaude Opus 5
DeepSWE v1.173.7%74.0%
Terminal-bench 4.019.1%51.8%
OSWorld-2.059.0%75.4%
GDPVal-AA v2 Elo15451824
HLE-Verified54.9%未公布
每百万输入价格(优惠)$0.75较高
每任务实际成本(高推理)$0.58更高
输出速度~305 tokens/s较慢

评论 1

cycyll

gemini 不是一年 5 块么,还要啥自行车

四川

没有更多了