Gemini 3.8 Flash 正式发布：Terminal-bench 2.1 榜首，换到 4.0 榜只有 19.1

官方模型卡今天挂出来了，Gemini 3.8 Flash 正式发布。

不过论坛上五个小时前就已经在传了。有人发现网页版和 Antigravity 里那个还标着 3.7 Flash 的选项，问它”你是什么模型”，它回答自己是 3.8 Flash。界面没变，模型先换了。等到晚上，Antigravity 的模型列表里 3.8 Flash 才正经露面，带着 High 档位。昨天关于它内部代号 Skimaki、最快周三上线的说法，到这儿算是落地了。

规格和价钱

输入上下文 1M token，输出上限 64K。知识截止 2026 年 3 月，但官方特意加了一句：部分领域只到 2025 年 1 月。这种分层截止日期以前很少写进模型卡，写出来其实是好事，至少你知道哪些方向不能指望它。

努力等级（effort level）延续了 3.7 Flash 那套，可以在质量、成本和延迟之间自己调。代价官方也写了：等级调高，token 用量会跟着涨。

价格是这次最有意思的部分。输入每百万 token 0.75 美元，输出 3.75 美元——但这是引导价，标注写着 2026 年 12 月 31 日到期，2027 年 1 月 1 日起恢复成 1.50 和 7.50 美元。也就是说现在看到的便宜，是打了对折的四个月。

横向摆一下：Claude Opus 5 是 5.00 / 25.00，Sonnet 5 是 2.00 / 10.00，GPT-5.6 Sol 是 4.00 / 20.00，Terra 是 2.00 / 12.00。哪怕按恢复后的 1.50 / 7.50 算，它也还是这张表里最便宜的一档。

跑分

相比 3.7 Flash，几乎每一栏都涨了，BioMysteryBench 里那个”人类也觉得难”的子集从 43.5 提到 56.5，涨幅最大。HLE-Verified 那一行则是三家挤在一起：54.9、54.5、54.4，这个差距落在噪声里，谁第一没有意义。

两个版本号，两个结论

Terminal-bench 这两行值得单独拎出来看。

2.1 榜上，Gemini 3.8 Flash 89.4 分，是全表最高，把 Claude Opus 5 的 89.1 压下去了。一个 Flash 档的模型，价格是 Opus 5 的十五分之一，分数还更高。

换到 4.0，它 19.1，Opus 5 是 51.8。

差了将近三倍。而且这个反转不只发生在它身上——2.1 榜上六个模型全挤在 80 到 90 分之间，最高和最低差 9 分；到了 4.0，跨度是 11.2 到 51.8。同一批模型，同一个系列的评测，换了个版本号，区分度完全是另一回事。

合理的解释是 2.1 已经被刷到饱和了，大家都能考九十分的卷子，本身就不再有区分能力。4.0 把难度拉上去之后，谁是真能扛长链条任务、谁是在熟悉的题型上跑得快，一下就分开了。

所以看到”Terminal-bench 榜首”这种说法，先问一句是哪个版本。

法律那一栏，全场都不及格

Harvey 法律智能体基准的六个数字是 10.0、8.8、6.7、5.0、2.5、0.8。这是全通过率，意思是整套复杂法律工作流从头到尾一步不错。

榜首 10%，十次里成一次。

它比 GPT-5.6 Sol 的 2.5% 高出四倍，听起来很唬人，但两个数字都在同一个区间里——离能交给客户还差得远。这一栏更像是给行业留的一个坐标：法律这类不容错的长流程，目前所有前沿模型都还在门外。

安全侧有一处回退

模型卡里的安全对比是四项。文本安全比 3.7 Flash 降了 0.4 个百分点，语气改善 0.2 个百分点，不合理拒答上升 1.1 个百分点，这三项都在小幅波动的范围内。

多语言安全回退了 5.4 个百分点，是四项里最大的一个。

官方没有展开说是哪些语种、哪类场景。对中文用户来说这条得记一下，非英语环境本来就是各家安全对齐做得最薄的地方，出现五个多点的回退不算小事。

社区先跑了什么

模型卡挂出来之前，论坛上已经有人在 Antigravity 里一次性生成了 SVG 动画：一只鹈鹕骑自行车，还有一套太阳系。都是一条提示词出图，没有反复调。底下评论对前端能力的评价挺一致，”Gemini 前端比其它模型都要高一档”、”更便宜更快，写前端很好用”。

质疑也有。有人直接问”偷懒问题有没有改善”——指的是前几代在长任务里中途放弃、只做一半就交差的毛病。这个问题官方数字回答不了，得等更多人用几天。还有人在抱怨周限额白天就快烧完了，而且不按流量重置。

分发上目前覆盖 Gemini 应用、Gemini 企业智能体平台、Google AI Studio、Gemini API、AI Mode 和 Antigravity。各渠道推进速度不一样，有人客户端里已经能选，有人还只能看到 3.7。

官方评测方法学页面在 deepmind.google，跑分的完整口径都在那儿。