Gemini 3.8 Flash 和 Muse Spark 1.3 同周上线，从 Opus 5 迁过去要分四次算账

把一条线上的模型从 Opus 5 换成 Gemini 3.8 Flash，最先要动的不是 prompt，是预算表。而且要动两次。

第一次是现在：$0.75 输入、$3.75 输出，每百万 token。第二次是 2027 年 1 月：$1.50 和 $7.50。谷歌这轮是明码标价的限时价，2026 年底一到自动翻倍。你今天按促销价算出来的迁移收益，四个月后腰斩。

这本来只是两家的账。9 月 2 日周三，Meta 把 Muse Spark 1.3 推了出来，同一天谷歌发了 3.8 Flash 和 3.8 Flash Cyber，账变成三家的。

下面按迁移的时间顺序走一遍，每一段只回答那个时点你真正需要知道的东西。

动手之前：价目表上没写的那部分

三家的挂牌价差得很开。Opus 5 是 $5 / $25，跟前代 Opus 4.8 一分没涨。Gemini 3.8 Flash 促销期 $0.75 / $3.75，缓存输入 $0.075。Muse Spark 1.3 的价格 Meta 还没公布，1.2 的定价是 $1.25 / $4.25，另外挂了一个贡献者档，$0.10 输入、$0.20 输出。

贡献者档和标准档差了十二倍。

这是三家里最大的一个变量，也是 1.3 定价公布之前谁都不该拍板的原因。光看这三行数字，Gemini 便宜六到七倍，Muse 更是能便宜到看不清小数点。但这三行数字都不是你最后付的钱。

因为它们全是推理模型，输出 token 里混着思考 token，而思考 token 按输出价计费。Gemini 这边更彻底：你付 $3.75 一百万买来的推理过程，自己是看不到的，接口只回一段摘要。

这不是理论上的损耗。上一代 3.7 Flash 在高推理档下，token 消耗比 3.6 Flash 高了大约 40%，平均每个任务吐 37k 输出 token。单价没动，每任务成本涨四成。3.8 Flash 官方明确说了在复杂任务上会执行更多推理步骤、更频繁地迭代调工具，方向只会更狠。

该算的不是每百万 token 多少钱，是你那条业务线上一个典型任务烧掉多少 token。

这两个数在不同模型上不成比例。

接上去当天：上下文和输出上限

Gemini 3.8 Flash 的上下文是 1,048,576 输入、65,536 输出。Muse Spark 1.3 也是 1M 上下文。

输入侧一百万这个数字现在已经不稀奇了，真正卡人的是输出侧那 65,536。做长文档生成、批量代码改写、大规模结构化抽取的场景，这个上限会比上下文先撞墙。迁移时如果你原来的流水线靠一次性吐出一大坨结果，改造量在这儿，不在 prompt。

速度这一项 Artificial Analysis 测出来是每秒 305.1 token，3.8 Flash 在它那个智能指数上拿 59 分（high effort 档），195 个模型里排第 16。交互式产品会喜欢这个速度，批处理场景没什么感觉。

顺带说一句缓存。$0.075 的缓存输入价是标准输入价的十分之一，系统 prompt 长且固定的话，这一项省下的钱可能比换模型本身还多。三家都适用，很多团队没配。

跑满一周：跑分和账单开始打架

项目	Gemini 3.8 Flash	Claude Opus 5	Muse Spark 1.3
HLE-Verified	54.9%	54.4%	—
DeepSWE v1.1	官方列为领先项	74.0	75.4
Terminal-Bench 2.1	—	89.1（max effort）	88.8
SWE-bench Verified / Pro	—	96.0% / 79.2%	—
ARC-AGI-3	—	30.2%	—
Frontier-Bench v0.1	—	43.3%	—
代码库理解	—	—	59.4
标准档定价（每百万，输入/输出）	$0.75 / $3.75（2026 年底前）	$5 / $25	1.2 为 $1.25 / $4.25

那半个百分点先放一放。HLE-Verified 上 3.8 Flash 54.9%、Opus 5 54.4%，这是本周被引用最多的一组数字，也是最没用的一组。0.5 个百分点落在这类评测的抽样噪声里，换一批题目、换一次采样温度就可能反过来。拿它证明”Flash 价位达到了 Opus 能力”，不成立。

DeepSWE v1.1 这一行更麻烦，因为两边说法对不上。Muse Spark 1.3 报 75.4，压过 Opus 5 的 74.0；谷歌同时把 DeepSWE v1.1 列进了 3.8 Flash 的领先项清单，跟 MMMU-Pro、GPQA Diamond、Vals Finance Agent v2、Harvey 法律智能体基准并列。同一个基准两家都说自己领先，公开数字又没摆在同一张表上。

遇到这种情况，把这一行整个划掉。

Terminal-Bench 2.1 上 Opus 5 是 89.1（max effort），Muse Spark 1.3 是 88.8，差 0.3。这一档真正的第一是 GPT-5.6 Sol 的 89.5（xhigh），Grok 4.6 在 high 档是 88.4。四个模型挤在 1.1 个百分点里，这张榜已经不具备区分度了。

没有争议的是 SWE-bench Verified 那 96.0%，以及 SWE-bench Pro 的 79.2%。Opus 5 保持了几个月，另外两家目前没有可比的公开成绩。ARC-AGI-3 的 30.2% 和 Frontier-Bench v0.1 的 43.3% 也在 Opus 5 手里，后者领先 Fable 5 的 33.7% 和 GPT-5.6 Sol 的 34.4% 接近十个点，是三家里差距最大的一项。

然后是账单和跑分打架的地方。已经有开发者反映，在一些简单的软件工程任务上，3.8 Flash 的实际花销比 Fable 还高。原因就是前面那条推理开销：模型不区分题目难易，一律认真想一遍，简单题上那份认真是纯浪费。

另一头也有反例。有人拿同一个 /design 提示在 FlappyBench 上跑了三家，Muse Spark 1.3 花钱最少、结果最好，Gemini 3.8 Flash 花钱最多且没跑完。单个基准说明不了什么，但它至少证明”Flash 便宜”这个直觉在真实任务上会翻车。

如果你的负载里简单任务占多数，换到 3.8 Flash 可能是省了单价、亏了总账。

三个月之后

三件事会在这个时间点变得明显。

一是价格翻倍。2027 年 1 月一到，Gemini 那条线成本乘二，而你的业务量大概率已经涨上去了。这时候再迁回去，迁移成本付第二遍。

二是 Muse Spark 的定价落地。Meta 一直在开源闭源之间横跳，Muse Spark 是它第一个闭源系列，扎克伯格又说后续会有开放权重的版本。这个组合意味着定价策略随时可能大改。押注在一个价格还没公布的模型上，等于把变量留给了别人。

三是失败方式的差异会浮出来。这一条没有任何基准在测，但用满三个月的人都有体感：同样是做不出来，一个模型会说”我找不到这个函数”，另一个会自信地编一个不存在的 API。前者浪费三分钟，后者浪费三小时，跑分表上都记零分。

正好这周有开发者提到一个持续了一年的现象：Claude 系的编程工具在各类基准上屡屡靠后，使用量却一直第一。原因大概率就在这里。基准测的是做对的概率，人用起来在乎的是做错时的代价。

各自的短板

Opus 5 最硬的短板是价格。$5 / $25 在今天这个价格带里是明显的异类，从 Opus 4.8 到 Opus 5 一分没降，而竞品把同类任务的单价压到了七分之一。”我更稳”这个理由需要非常具体的场景才撑得住。

Gemini 3.8 Flash 的短板是成本不可预测。限时价、2027 年 1 月的翻倍时间表、不可见的思考 token、随难度浮动的推理开销，四样叠在一起，你很难提前算准下个月的账单。要做预算的团队会很难受。它的 Cyber 变体是另一个话题，专门做漏洞发现和自动修复，不属于日常开发选型。另外提一句，谷歌今年 5 月说过新一代 Pro 会在次月推出，结果 3.7 Flash 上月发、3.8 Flash 这周发，Pro 一直没来。这条线的节奏本身就不稳。

Muse Spark 1.3 的短板是不确定性本身。定价没公布，贡献者档的门槛和限制没说清，开放权重没有时间表。技术指标好看，商务条款一片空白。生产环境里这种组合通常只能进 POC，进不了主干。Meta AI 过去的信誉主要建立在开源上，这次是它第一次要求别人相信一个闭源产品的定价承诺。