Gemini 3.8 Flash 与 Flash Cyber：谷歌的编程优先模型押注「代理式勤勉」

2026 年 9 月初，谷歌发布 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber——六周内的第三款 Flash 模型。谷歌的定位很直接：这是迄今最强的推理与编程模型，速度与成本与 3.7 Flash 相同，专为「递归评估并精炼模型」的长时 agentic 循环而构建。对开发者来说，3.8 的核心叙事是「更努力」：复杂任务会执行更多推理步骤、迭代调用工具，直到答案通过自己的批判性检查。 这个设计直接体现在数据上：以 Flash 的价格带，它现在能摸到每 token 贵好几倍的前沿模型的边。它还在 DeepSWE v1.1 上以极低成本端到端解决复杂工程问题，超越多数更大的前沿模型。

1. 六周三发的 Flash 节奏

3.8 Flash 是六周内第三款 Flash：三周前的 3.7 Flash，再到今天的 3.8。定价带没有变（每百万输入 token 0.75 美元、输出 3.75 美元），性能却明显上探——谷歌说 3.8 的成绩经常逼近更贵的前沿模型。对预算敏感的团队，这条曲线很关键：你可以继续按 Flash 的成本规划，却拿到接近旗舰的编码与推理质量。

// Gemini 3.8 Flash pricing: 0.75 USD per million input tokens,
// 3.75 USD per million output tokens -- the same low band as
// 3.7 Flash, with markedly better coding and reasoning scores.
const PRICING = {
  "gemini-3.8-flash": { inputPerM: 0.75, outputPerM: 3.75 },
  "gemini-3.7-flash": { inputPerM: 0.75, outputPerM: 3.75 },
};

function estimateCost(tokens, model) {
  const p = PRICING[model];
  return (
    (tokens.input / 1_000_000) * p.inputPerM +
    (tokens.output / 1_000_000) * p.outputPerM
  );
}

2. 跑分之外：它真的更「勤勉」

3.8 Flash 的性能来自一个设计选择：在复杂任务上更努力。它会执行额外的推理步骤、迭代调用工具，在高 effort 档位下可能消耗更多 token 来换取上限表现。在 DeepSWE v1.1（长时软件工程基准）上，它端到端自主解决复杂工程问题，超过多数更大的前沿模型且成本只是一小部分；在 Vals Finance Agent V2 与 Harvey 法律代理基准上也领先，HLE-Verified 得分 54.9%。

{
  "model": "gemini-3.8-flash",
  "effort": "medium",
  "agenticLoop": {
    "enabled": true,
    "recursiveRefine": true,
    "maxIterations": 6,
    "note": "3.8 works harder on complex tasks: extra reasoning
             steps and iterative tool calls until the answer
             survives its own critique pass"
  },
  "tools": [
    { "name": "read_file", "mode": "granted" },
    { "name": "run_tests", "mode": "granted" },
    { "name": "git_commit", "mode": "human_approval" }
  ]
}

3. 效率优先怎么办：3.7 Flash 仍在

「更努力」意味着同样的价格下，复杂任务的 token 消耗可能更高。谷歌给出的答案是 effort 档位与双轨策略：计算效率是硬约束的场景，用低 effort 档位减少 token 开销，或者继续用完全受支持的 3.7 Flash。工程上建议按任务复杂度路由，而不是全公司一把梭：简单任务交给 3.7，SWE 或金融法律等专业任务交给 3.8。

// Route by task difficulty, not by habit. 3.8 Flash costs the
// same as 3.7 Flash but spends more tokens when a task is hard;
// for efficiency-first workloads 3.7 Flash remains supported.
function routeTask(task) {
  if (task.complexity === "low" && task.budget === "strict") {
    return "gemini-3.7-flash";
  }
  if (task.kind === "swe" || task.domain === "finance" ||
      task.domain === "legal") {
    return "gemini-3.8-flash";
  }
  return "gemini-3.8-flash";
}

// DeepSWE v1.1: 3.8 Flash solves long-horizon engineering tasks
// end to end, beating most larger frontier models at a fraction
// of the cost. Domain wins: Vals Finance Agent V2, Harvey Legal.

4. Flash Cyber：防御者的专用档

3.8 Flash Cyber 是这轮发布里对安全团队最有意义的部分，仅通过 Fairwind 计划向可信防御者提供。在 CyberGym 漏洞发现基准上达到前沿水平，超过 3.5 Flash Cyber 以及更大的前沿模型；覆盖 20 种语言的内部基准成功率超过 70%。它在 CWE-Bench（补丁能力）上 pass@1 为 47.2%，与领先前沿模型的 47.8% 只差毫厘，成本却低得多——谷歌已经用它保护自家代码。

5. 安全边界：能补洞，不造矛

谷歌强调 Flash Cyber 从一开始就聚焦防御者能力：优先漏洞修复而非漏洞利用。模型在 CBRN（生化放射核）与网络攻击滥用方面带防护，Cyber 变体则对可信防御者开放更完整的网络能力。对安全团队，这意味着可以把「发现→修复」的扫描代理接到真实代码库，同时把「生成可利用代码」从工具面上排除掉。

// The agent loop that 3.8 was trained for: run, critique, refine.
// Recursive self-evaluation is what turns a 54.9 percent
// HLE-Verified score into dependable long-horizon behavior.
function agenticRun(task, maxIterations) {
  let draft = plan(task);
  for (let i = 0; i < maxIterations; i++) {
    const result = execute(draft);
    const critique = evaluate(result, task.acceptance);
    if (critique.pass) return result;
    draft = refine(draft, critique.notes);
  }
  return { status: "needs_review", draft };
}

6. 落地建议

先用你自己的任务集做成本-质量回放：同样的提示，比较 3.7 Flash 与 3.8 Flash 在不同 effort 档位下的完成率与 token 账单。再按领域路由：金融、法律、跨仓库 SWE 任务交给 3.8，简单且预算敏感的任务留在 3.7。最后，把 3.8 的「批判-精炼」循环模式抄进你自己的代理编排——它不只是模型特性，更是值得复用的架构模式。 顺便说一句：如果你已经在用 3.7 Flash，升级的风险很低——同样的价格带、同样的接口，只是复杂任务会拿到一个更勤恭的执行者。

// Flash Cyber is defense-first by design: vulnerability finding
// and patching, not exploitation. CWE-Bench pass@1 of 47.2
// percent sits near a leading frontier model's 47.8 percent at
// significantly lower cost.
const defenderPolicy = {
  allowVulnerabilityDiscovery: true,
  allowFixGeneration: true,
  allowExploitDevelopment: false,
  cbrnSafeguards: "enforced",
  access: "fairwind_trusted_defenders_only",
  benchmark: {
    cyberGym: "frontier_level",
    internal20Languages: "above_70_percent",
    cweBenchPassAt1: "47.2_percent",
  },
};