Gemini 3.7 Flash发布：智能体经济学之争全面打响

三周迭代背后的时间赛跑

如果你觉得刚刚厘清谷歌混乱的产品线，那并没有错——就在7月21日发布Gemini 3.6 Flash后不到三周，当地时间8月13日晚，Google DeepMind又推出了Gemini 3.7 Flash，并称其为"迄今为止打造的最智能的主力模型"，核心功能完全聚焦于编程和智能体。

谷歌的Gemini产品线命名近期经历了多次调整，容易造成混淆。最初Gemini按能力分为Ultra、Pro、Nano三档，后来又引入Flash系列作为轻量高速变体。版本号从1.0、1.5跳跃到2.0、2.5，再到当前的3.x系列，反映了内部研发节奏的加速。Flash定位为"主力模型"（workhorse model），强调速度和成本效率，适合大规模API调用；Pro则代表更高推理能力的旗舰级产品。这种双轨并行的策略类似于汽车行业同时推出经济型和性能型车款，但版本迭代速度之快使得开发者难以跟进。

谷歌对发布时机毫不避讳。官方博客开篇第一件事就是强调3.7 Flash在3.6发布三周后火速上线，得益于开发者反馈以及一系列算法创新。但另一种解读是：这家公司正在与时间赛跑。因为紧随其后还有一个更不容忽视的关键背景——Google DeepMind过去八天经历了近年来最剧烈的权力重组，这重新定义了此次发布的意义。

Gemini 3.7 Flash性能数据：编程与智能体能力全面提升

先看模型本身，部分数据表现确实令人惊艳。

生产级代码质量大幅跃升

在专门衡量生产级代码质量（而非简单测试用例）的Frontier Code基准测试上，3.7 Flash得分43.6%，相比3.6 Flash的34.4%，短短三周提升了9个百分点。对于这种公认难以提升的基准测试，实属不易。

Frontier Code是由Scale AI推出的代码评估基准，与传统的HumanEval或MBPP等侧重算法题解的测试截然不同，它专门衡量模型在真实生产环境中的代码质量——包括代码可维护性、架构设计合理性、错误处理完备性、安全实践以及与现有代码库的集成能力。这类基准的分数提升极为困难，因为它考察的不是"能不能写出正确代码"，而是"写出的代码是否达到资深工程师的生产标准"。9个百分点的提升在三周内实现，暗示谷歌可能在RLHF（基于人类反馈的强化学习）阶段引入了大量来自专业软件工程师的偏好数据。RLHF是一种训练范式，模型首先通过监督学习获得基础能力，然后由人类评估员对模型的多个输出进行排序，训练一个奖励模型来量化"人类偏好"，最终通过PPO（近端策略优化）等算法让模型产出更符合人类期望的结果。在代码场景中，这意味着需要资深工程师而非普通标注员来评判代码质量——这类人才的成本极高，也解释了为何此类基准通常进展缓慢。

考察长周期软件工程的SWE-bench 1.1版本，得分从约49%提升至65.3%。SWE-bench是由普林斯顿大学研究团队开发的软件工程基准，从真实的GitHub仓库中提取实际的issue和对应的pull request，要求模型理解整个代码库的上下文、定位bug所在文件和代码行、并生成正确的补丁。其独特价值在于测试的是"端到端"软件工程能力——模型不仅需要理解自然语言描述的bug报告，还需要导航包含数十万行代码的真实仓库（如Django、scikit-learn、sympy等），理解项目的架构约定和代码风格，找到需要修改的确切位置，并生成能通过项目测试套件的补丁。1.1版本是原始SWE-bench的修订版，修复了一些评估噪声和数据泄露问题，使得分数更能反映真实能力。从49%到65.3%的跃升意味着模型现在能解决近三分之二的真实软件工程任务，这在一年前还被认为是不可能的。

Web开发领域也是此次重点优化方向，谷歌称3.7 Flash只需更少的提示词就能生成功能更完备的Web应用，在根据截图还原页面、保持设计系统一致性方面表现更佳。在Web Dev Arena测试中，分值从1538提升至1588。

智能体任务能力的显著跃升

智能体任务上的提升尤为显著。Terminal Bench 2.1测试中3.7 Flash达到85.8%（3.6版本为78.0%）；难度更高的Terminal Bench 3.0测试得分从5.4%提升到14.9%，虽然绝对值仍不高，但已接近翻三倍。Terminal Bench系列测试衡量的是AI模型在终端/命令行环境中执行复杂任务的能力，包括文件系统操作、脚本编写、系统配置、网络调试等。2.1版本侧重常规系统管理任务，而3.0版本引入了需要多轮交互、长程规划和错误恢复的复杂场景——这类测试的天花板本身就很低，它们模拟的是需要资深DevOps工程师才能完成的真实运维场景。14.9%的得分意味着模型能够独立完成约七分之一的高难度运维任务，虽然看似不多，但考虑到这些任务往往涉及跨系统依赖分析、日志关联推理和多种工具链协调，即便是人类工程师的首次成功率也远非100%。

企业级工作流自动化的Automation Bench从17.0%攀升至30.4%，计算机使用基准OS World 2.0得分47.9%（对比33.8%）。

有意思的是列表里"少了什么"——谷歌并没有大肆吹嘘数学成绩，也没提知识问答。所有提升都集中在工具调用、执行能力和长程任务完成度上。

不再盲目硬闯

谷歌还表示，模型现在遇到执行障碍时不再盲目硬闯，而是会在指令模糊时主动询问、寻求澄清，并投入更多"思考预算"用于多步骤规划和工具调用。这种行为的背后是"思考Token"机制的优化——模型在生成最终输出之前，会先在内部进行推理链（Chain-of-Thought）的展开，而"思考预算"指的是允许模型在这个内部推理阶段消耗更多Token来进行规划和分析。核心目标很明确：能给出漂亮首答不再是重点，能把活干完才是产品所在。

Gemini 3.7 Flash定价策略：激进的智能体经济学

此次发布最耐人寻味的是价格策略。

输出价格涨至7.50美元

今年年底前，3.7 Flash输入价格为每百万Token 0.75美元，输出为3.75美元，谷歌称仅为3.6 Flash最初定价的一半。但这是促销活动——文档显示优惠截止到2026年12月31日，从2027年1月1日起，输入价格将回升至1.50美元、输出涨至7.50美元。

谷歌显然想用这四个半月抢占市场份额。归根结底，这关乎智能体经济学。聊天机器人可能只调用模型一两次任务就结束，但一个真正执行任务的智能体需要规划任务、搜索信息、阅读文档、调用多种工具、失败后重试，并将结果不断回传至上下文。其Token消耗和工具调用量呈非线性增长，成本随之激增。

要理解这种非线性增长的机制：传统聊天场景中，用户发送一条消息、模型回复一次，Token消耗是线性的。但智能体模式下，模型需要维护一个不断膨胀的上下文窗口——每次工具调用的结果都会被追加到对话历史中，作为后续决策的依据。假设一个任务需要20个步骤，每步的上下文都包含此前所有步骤的完整记录，Token消耗便呈O(n²)级别增长。此外还需要考虑KV缓存（Key-Value Cache）的成本——现代Transformer模型在推理时会缓存已处理Token的键值对以避免重复计算，但随着上下文窗口膨胀，KV缓存的显存占用也线性增长，这直接转化为基础设施成本。谷歌的Flash系列模型可能采用了多查询注意力（MQA）或分组查询注意力（GQA）等技术来压缩KV缓存，从而在长上下文智能体场景中保持可控的推理成本。这就是为什么Flash模型的低成本定位对智能体场景至关重要——即便单次调用便宜几分钱，累积到数百次调用后差距将被急剧放大。

谁能以最低单步成本驱动足够智能的模型完成几十乃至数百个步骤，谁就掌握了结构性优势。 Flash正是谷歌入局这场竞赛的利器，发布当天就已集成到面向AI Pro和Ultra订阅用户的个人智能代理Spark中，负责处理Google Workspace工具调用；开发者也可通过Gemini API、AI Studio、Android Studio及Antigravity获取。

沉默的Gemini Pro版本与DeepMind内部风暴

这个叙述中存在一个明显缺口：Flash已更迭至3.7，那么Gemini 3.5 Pro呢？

而是高级副总裁

7月21日3.6 Flash推出时，谷歌曾称3.5 Pro正在与合作伙伴测试，Gemini 4正进行公司史上规模最大的预训练。然而随着3.7 Flash问世，Pro版本依然没有发布日期。路透社在8月13日的报道中特别指出，此次发布并未透露旗舰版上线时间。

了解公司内部情况后，这种沉默便不难理解。8月5日，Demis Hassabis卸任Google DeepMind CEO，改任董事长并兼任Alphabet首席科学家；日常运营由CTO接管（职位为高级副总裁而非CEO），全面掌管Gemini研发并直接向皮查伊汇报。

这次权力交接的深层含义值得细究。Hassabis于2010年联合创立DeepMind，2014年被谷歌以约5亿美元收购后一直保持相对独立运营。2023年4月，谷歌将DeepMind与Google Brain合并为Google DeepMind，Hassabis出任CEO。Google Brain本身拥有辉煌的历史——它是Jeff Dean和Andrew Ng于2011年创建的深度学习研究团队，孵化了TensorFlow框架和Transformer架构论文（"Attention Is All You Need"的多位作者来自Brain团队）。两个各有传统和文化的顶级AI团队合并，本身就充满组织摩擦。此次Hassabis从CEO转任董事长和首席科学家，表面上是"专注长期科研"，但实质反映了谷歌管理层对产品交付速度的不满。Hassabis的学术气质——他是AlphaFold的推动者、2024年诺贝尔化学奖得主——在基础研究阶段是资产，但在产品快速迭代期可能成为组织摩擦。由CTO接管日常运营并直接向皮查伊汇报，意味着研发与产品的距离被大幅压缩，决策链路缩短，这是典型的"战时组织架构"调整。

据报道，布林早在4月就在内部会议上亲自下令加快下一代旗舰研发，但内部测试显示其代码编写能力落后，加上算力短缺和领导层分歧，编码项目在关键时刻投入不足。话说回来，Jeff Dean、Oriol Vinyals等重量级人物的动向也引发关注。Jeff Dean是谷歌的传奇工程师，MapReduce、BigTable、TensorFlow等项目的核心推动者，目前担任Google DeepMind首席科学家；Oriol Vinyals则是Gemini项目的技术负责人之一，也是StarCraft II AI AlphaStar的主要架构师。这些关键人物在新组织架构下的角色定位，将直接影响Gemini Pro和4.0的研发优先级和资源分配。

OpenAI Ultrafast：押注延迟的另一条路

正当谷歌致力于降低智能体执行成本时，OpenAI在另一个维度——延迟上压下重注。

曾被嗤之以鼻的科研项目

8月13日，OpenAI预览了Ultrafast，一个全新的API层级，运行旗舰模型速度最高可达常规的14倍，约每秒输出750个Token，运行在晶圆级芯片制造商Cerebras的硬件上。

需要明确：Ultrafast并非新模型，而是现有模型的全新服务方式。其核心在于打破了以往的权衡——过去想获得实时响应就必须牺牲性能、使用更小模型；而Ultrafast旨在提供前沿推理能力的同时实现近乎瞬时的输出，这正是专为智能体打造的。为什么延迟对智能体如此重要？因为智能体的每一个决策步骤都依赖上一步的输出——如果单步推理需要2秒，一个20步任务就需要40秒的累积等待；如果压缩到0.15秒，同样任务只需3秒。这种延迟的复合效应在多智能体协作场景中更为显著，因为智能体之间的通信本身也是模型调用。

Cerebras能从单片硅晶圆切割出餐盘大小的处理器，让整个模型运行在单颗芯片上，无需切分到成堆的英伟达GPU，从而消除频繁数据传输带来的延迟。具体来说，传统芯片制造流程是将一片12英寸硅晶圆切割成数百个独立芯片（die），每个芯片封装后成为GPU或CPU。Cerebras的革命性做法是将整片晶圆作为单个处理器使用，其WSE-3（Wafer Scale Engine 3）芯片面积约462平方厘米，集成超过4万亿个晶体管和90万个AI核心。当大型语言模型被部署在传统GPU集群上时，模型参数必须被分割到数百张GPU上，GPU之间通过网络通信交换中间结果，这种"张量并行"和"流水线并行"引入了巨大的通信延迟。Cerebras将整个模型装载在单颗芯片的片上内存中，所有计算在芯片内部完成，彻底消除了跨设备通信瓶颈——这就是14倍速度提升的物理基础。

Cerebras成立于2016年，其"晶圆级计算"理念最初被半导体行业普遍质疑——因为良率问题（单片晶圆上的缺陷会废掉整个芯片）、散热问题（462平方厘米芯片的热密度管理）和供应链问题（无法使用标准封装流程）看似不可逾越。Cerebras通过冗余核心设计（缺陷核心可被绕过）、定制水冷系统和与台积电的深度合作逐一解决了这些难题。但其商业模式面临一个根本挑战：每颗WSE-3芯片造价估计在数百万美元级别，且无法像GPU那样灵活扩缩容——你要么用整颗芯片，要么不用。这使得Cerebras更适合需要极低延迟的推理场景，而非灵活多变的训练场景。

对Cerebras而言，为OpenAI顶级层级提供算力，是他们梦寐以求的背书——曾被嗤之以鼻的科研项目如今成了中流砥柱。

AI竞争重心转移：成本、速度与效率之争

随着模型原始性能差距日趋缩小，竞争重心已转向谁能提供最快服务、谁的性价比更高，这也是Groq崛起、SambaNova等专业云厂商竞相争夺OpenAI订单的原因。Groq基于其LPU（Language Processing Unit）架构，采用确定性计算模型，放弃了GPU的通用性以换取可预测的超低延迟；SambaNova则基于可重构数据流架构（RDU），试图在灵活性和效率之间找到平衡。这些公司的共同赌注是：推理将成为AI基础设施中最大的成本中心——随着模型训练趋于一次性投入而推理需求随用户增长持续膨胀，推理优化的经济价值将远超训练优化。

话说回来，DeepSeek走了另一条路，于周四宣布涨价。此前发布的V4 Pro输入价每百万1.32美元、输出3.96美元，而V4 Flash仅需0.14和0.28美元。有趣的是，上月发布的V4 Flash在多项独立测试中意外击败了V4 Pro的4月预览版——Artificial Analysis测评显示V4 Pro推理版智能指数53分，V4 Flash为52分。这种"小模型打大模型"的现象并非偶然，它反映了模型蒸馏（Distillation）技术的日益成熟——通过让小模型学习大模型的输出分布，小模型可以在特定任务上接近甚至超越更大的教师模型，尤其是当大模型的版本较老而小模型受益于最新的训练技巧时。

据路透社7月报道，DeepSeek正计划新一轮融资，估值约740亿美元，并计划将员工人数至少翻倍、大规模招募芯片设计工程师以研发自研AI芯片，减少对英伟达和华为的依赖。DeepSeek隶属于量化对冲基金幻方量化，此前主要依赖英伟达A100/H100芯片进行训练和推理。然而美国对华芯片出口管制持续收紧，2024年的规则已将H20等"降级版"芯片也纳入限制范围。华为昇腾910B虽是替代方案，但其软件生态（CANN框架）成熟度远不及CUDA。CUDA是英伟达自2006年推出的并行计算平台和编程模型，经过近20年的发展已积累了庞大的软件库、开发工具和开发者社区，几乎所有主流深度学习框架（PyTorch、TensorFlow、JAX）都以CUDA为第一优先级进行优化。华为CANN虽然进步迅速，但其算子库覆盖度、调试工具成熟度和社区支持仍有显著差距，这意味着迁移到昇腾硬件的研发团队需要承担额外的工程成本和性能损失。在此背景下，DeepSeek计划自研AI芯片——这不仅是技术自主的需要，也是估值叙事的重要支撑。740亿美元的估值对应的不只是一家模型公司，而是一个垂直整合的AI基础设施玩家的未来想象空间。

中国AI公司——月之暗面、智谱、MiniMax、阿里、字节等——也在步步紧逼。这些公司各有侧重：月之暗面（Kimi）聚焦长上下文和消费级产品，智谱（GLM系列）走开源+API双轨路线，MiniMax在多模态生成上有独特优势，阿里（通义千问）依托云计算生态做企业级部署，字节跳动（豆包）则凭借海量用户数据和应用场景快速迭代。它们的共同特点是迭代速度极快、定价激进，正在从低端市场向上渗透。

结语：智能体经济学之争才刚开始

这一周的密集发布揭示了行业竞争的深层逻辑：当前沿性能趋同，胜负手已从"谁更聪明"转向"谁能在最低单步成本下完成足够复杂的多步任务"。谷歌用激进定价的Flash抢占智能体市场，OpenAI用Ultrafast押注延迟维度，DeepSeek则在成本效率上持续施压。这场智能体经济学之争，才刚刚开始。

从更宏观的视角来看，这场竞争的终局可能不在于某个维度的单点突破，而在于三个维度——智能水平、推理成本、响应速度——的帕累托最优。当前没有任何一家公司在三个维度上同时领先，这意味着市场格局仍高度不确定。但有一点越来越清晰：AI行业正从"模型竞赛"过渡到"系统竞赛"——芯片架构、部署基础设施、定价策略、开发者生态和应用场景的垂直整合能力，将比模型本身的微小性能差异更能决定长期赢家。