新智元报道 Claude 5.1刚问世，另一边OpenAI Astra马上杀到。 现在，就连谷歌也有了新动作。最新爆料， Gemini 3.8 Flash将在明日登场 。
看来，AI圈又要「过年了」。 比起Gemini 3.8 Flash的发布，许多人还是更加好奇：Gemini 3.5 Pro到底什么时候来啊？！ 对不起，不用等了， 谷歌已放弃……
今年5月I/O大会预告至今，已过去近4个月，Gemini 3.5 Pro进化程度连Flash都比不上。 谷歌也是迫不得已，直接「弃子」。 好在， Gemini 4.0在预训练中评估优秀，后训练还在顺利进行中 。
这篇来自WSJ的独家爆料，还重磅预告了Gemini 3.8 Flash（代号「Skimaki」）强悍的编程实力。 据称，在谷歌内部编码工具Jetski的对比测试中， 3.8 Flash直接碾压Opus模型 。 而且，这款模型已研发数月，早在谷歌领导层「大地震」之前就开始了。 Hassabis让位，首席科学家Jeff Dean离职，让许多人对Gemini的未来都捏了把汗。
不过，目前看来，一切都在内部有条不紊地进行中。 目前，谷歌计划先推出Gemini 3.8 Flash，是因为这款模型参数小，所需计算少，更容易出成果。 听内部人士说，从今年初开始，谷歌就投入了更多的人力和算力，专门用来提升Gemini的写代码能力。 特别是，加大了对「强化学习」的投入，让AI通过不断试错来真正学会新本领。 而且谷歌DeepMind和其他实验室，同时推进多个项目，这样一来即便是这个不行，另一个还能顶上。 Gemini 3.5 Pro不及预期，但Gemini 4.0还未「出炉」。 如今，硅谷「御两家」OpenAI和Anthropic，已在前沿模型和编程Agent上，非常能打。 Information称， OpenAI下一代 Astra还采用了一种 「 循环深度」（ recurrent depth）新型推理方法 ，让思考token减少的同时，还大幅提升了性能。 这张王牌，即将在本周揭晓。
而此时此刻， 谷歌 总得交出点东西才行。 毕竟劈柴承诺之后几个月，除了发布了一款3.7 Flash，再没有扔出能让AI圈兴奋的模型了。 或许就在今晚，Gemini 3.8 Flash要登场了。
在此发布之前，谷歌今天先来了一波预热，为Gemini植入了一项新能力—— 智能体视频理解（Agentic Vedio Understanding） 这项功能，简直上大分。 上传一段I/O大会视频，同一款模型Gemini 3.7 Flash，Token消耗直接暴降88%。
谷歌在官博中表示，Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Lite三个模型都能用agentic视频理解能力，入口在Google AI Studio和Gemini Enterprise Agent Platform。 在标准视频分析基准上打开这个开关，token消耗最多降88%，分析成本最多降66%，准确率反过来还涨了最多7%。
而且 不额外收一分钱 ，走的仍是标准API的token定价。省钱和变准通常要打架。这次没打起来。
因为，Gemini学会了 「 拖进度条 」 。 过去的处理方式叫「静态」处理，模型被动接收固定帧率的画面流，帧率由API参数定死，模型没有话语权。 现在换成模型自己拿主意，看哪一段、以多快的速度看、是看画面、听音频还是直接读转录文字，都可以自己决定。
这不是谷歌第一次这么干。 此前的agentic vision把代码执行和Gemini原生的图像理解拼在一起，模型对着一张图能自己写代码去放大、裁剪、比对。 这回轮到视频，思路照搬，只不过把工具换成了原生视频工具。 官方博客中还列出了几种高难度的应用场景。 亚秒级片段检索。 以前模型「看」视频，一秒只截一张图。问题是，很多东西不到一秒就闪过去了。 现在能精确到不到一秒去定位这些瞬间了。 这意味着「自动剪辑」这件事第一次真正可行了：以前剪辑师得自己趴在时间轴上，一帧一帧地找该在哪里下刀，现在可以先让模型扫一遍，把候选的切点标出来，人再去挑。
长视频里捞针。 几小时的素材里问一个复杂问题，不用把几百万 token 全烧一遍。 异常检测。 模型盯上某个时间窗口之后，可以专门对这一段提高帧率重新采样，看清快速运动和细微的画面瑕疵。产线质检和安防监控最吃这一口，因为异常本来就只发生在那几秒里。 数数。 一个动作重复了多少次，画面里有几个不同的物体，这类问题模型过去错得很稳定，原因也很朴素，漏采的那几帧里正好有东西。
视频，一直是所有模态里最贵的那个。 文字便宜，图片还行，视频又大又长，一分钟就能顶掉一本书的token。 所以这两年所有人聊Agent，更多还是在聊它会读、会写、会调用工具。 问题是，一个主要靠文字理解世界的Agent，看到的其实只是一个被人「转述」过的世界。 摄像头拍到的、会议录下的、生产线上跑过去的，那些没人愿意花时间转成文字的东西，它一概不知道。 现在，这条成本曲线被砍掉一大截。 一个Agent如果能自己翻完几小时的监控、几十小时的课程、上百条素材，还不至于把预算烧穿，那它接触世界的方式就变了。 它不用再等着人把画面转述成文字喂给它，也不用再在「看得起」和「看得准」之间选一个。 谷歌，就先做了这个破局者。 这几天，四家的发布节奏，几乎撞到了一起。 Claude 5.1刚来，OpenAI Astra已经在门口，谷歌憋了几个月也终于拿出Gemini 3.8 Flash迎战。 这一波更新后，如今的Claude主攻两大领域：编程+科研。 下一代Astra将变成一个「持续智能体」，用奥特曼的话来说，其计算机使用能力已达人类水平。
Gemini 3.8 Flash也将在编程方面，有更大的跃升。 现在，OpenAI、Anthropic、谷歌，以及SpaceXAI已经同时开足马力。
马斯克预告Grok 4.7十天后发布 这场混战，才刚刚进入最凶的一段。 参考资料： https://x.com/Google/status/2094840983913402704 https://deepmind.google/blog/introducing-agentic-video-in-gemini/ 编辑：所罗门 桃子
