Gemini 3.6 Flash遭网友吐槽：省token丢智商

不知道你有没有这种感觉，如果用Gemini用得早，去年底那会儿，圈子里最流行的一个玩笑是：眼睁睁看着自家兄弟慢慢患上阿尔茨海默症，是个什么体验——大概就是当时用Gemini的感觉。按理说，科技公司发布新模型，正是回击这种调侃的最佳时机。可谁想到，Google一口气端出三款新模型，非但没把质疑压下去，反而让网友笑得更大声了。这画面，活脱脱就是“所有人都不看好你，偏偏你最不争气”。这三款新作分别是3.6Flash、3.5Flash-Lite，以及专门针对网络安全的3.5Flash Cyber。官方博客的措辞还是老一套：“更高效、更聪明、专为大规模AI agent而生”——听着熟悉吧？但实际体验，却呈现出冰火两重天的割裂感。

先说说当家主力3.6Flash。它是今年5月I/O大会上亮相的3.5Flash的小幅升级版，官方给它的定位是：真正能扛事、跑得稳、干得久的实干型选手。这一代最核心的卖点，就是“省token”。根据Artificial Analysis Index的数据，3.6Flash相较3.5Flash，输出token减少了17%，在DeepSWE这类复杂场景下，甚至能省下高达65%；多步任务中，推理轮次和工具调用次数也明显下降。价格方面同样做了调整：输入端是1.5美元/百万token，输出端从上一代的9美元降到了7.5美元/百万token，成本压缩得很明显，单个agent任务的开销也更低了。

基准测试里，代码能力成了主攻方向。DeepSWE得分从37%跃升到49%，官方强调说，它生成的代码冗余更少、执行循环更短，整体风格更贴近生产环境标准；机器学习研究类的MLE Bench，提升尤其亮眼，从49.7%飙到了63.9%；操作系统交互类的OSWorld-Verified，则从78.4%升到了83%，而且计算机操作能力已经作为Gemini API和企业版的原生内置功能，主打即插即用；知识型工作GDPval-AA v2的分数，从1349涨到了1421。Hebbia、Harvey这些客户反馈，在文档解析、图表数据解读、报告撰写这类多模态任务里，表现很突出，Figma和JetBrains也公开为它站台。还有一个不起眼但意义不小的地方：知识截止时间终于从2025年1月推进到了2026年3月，那本“老黄历”总算翻篇了。安全层面，3.6Flash搭载了升级版的Frontier Safety防护机制，重点防范化学、生物、放射性、核及网络攻击这五大高危滥用方向，越狱抵抗能力增强，同时也在控制误拒率，避免把合理请求给拦错了。

定位稍低一档的是3.5Flash-Lite，主打极致速度和极致性价比，专攻高吞吐、低延迟的场景，比如agent驱动的实时搜索和批量文档处理。它目前是3.5系列里响应最快的模型，Artificial Analysis实测每秒能输出350个token，价格更是亲民——输入只要0.3美元、输出2.5美元/百万token，质量远超今年3月发布的3.1Flash-Lite。这个模型支持动态推理档位调节：轻量任务用最低档，图快和省；复杂子任务则可以提升“思考档位”，实现多步拆解；计算机操作能力也内置在工具链里。

性能提升相当可观：代码和agent任务测试集Terminal-Bench2.1，得分从31%跃到了54%；长上下文理解GDM-MRCR v2，从60.1%升到了72.2%；真实业务场景GDPval-AA v2，更是从642暴增到了1140。更有意思的是，这款“小弟”在多项agent和编程任务里，居然反超了前辈3Flash——比如SWE-Bench Pro达到了54.2%（3Flash是49.6%）、OSWorld-Verified是74.0%（3Flash是65.1%）。这意味着，原本需要靠3Flash完成的任务，现在有了更快更强的平替方案。官方也列举了好几个落地案例：从海量电商数据里自动提取产品特征、辅助3.6Flash一次性生成25套网页设计方案、批量翻译并摘要收据、边玩边迭代开发小游戏……Ashler、Palo Alto Networks、Ramp这些客户也纷纷点赞，说它“速度、智能、成本”三位一体。

第三款3.5Flash Cyber，画风突变，专精于代码安全漏洞的识别和修复。Google的思路挺有意思：现在AI发现漏洞的速度，已经远远超过了人类修复的节奏，导致漏洞越积越多；与其被动追赶，不如用低成本、高效率的Flash模型来批量“补锅”。这个模型基于3.5Flash微调而来，配合自研的CodeMender工具，内部可以调度多个Flash Cyber agent协同作业，最后整合生成一份结构化的安全报告。在业内权威的CyberGym基准测试里，它已经跻身第一梯队，而且token消耗优于更大尺寸的模型。不过，这个模型暂时没有开放公众使用——考虑到漏洞挖掘本身就有双刃剑的属性，Google效仿Anthropic采取了严格的安全叙事策略，只面向可信的合作伙伴限量内测。目标很明确：为一线防御团队争取黄金修复窗口，在漏洞被恶意利用前完成闭环处置，同时严防技术滥用。

看到这里，你可能会疑惑：说好的旗舰级3.5Pro去哪儿了？官方口径仍然是“正与合作伙伴联合测试，成熟后即刻上线”。但这句话背后的故事，可能没那么体面。根据彭博社等媒体的报道，3.5Pro在代码生成能力上，长期没能达到内部预期，Google甚至在今年6月下旬紧急更新训练数据，想强化代码短板，结果还是没什么起色；更有传闻说，它已经彻底推翻了原有的训练路径，启动了全新的预训练流程。而Google AI布道师Logan Kilpatrick，更是在舆论场上直接绕开了3.5Pro，把焦点转向了Gemini 4，宣称“史上最宏大的Gemini 4预训练已经全面启动，进展令人振奋”。放在旗舰跳票这个大背景下，这举动难免被解读为转移视线、画饼续命。

单看今天发布的Flash系列，外界的评价也不是一边倒的叫好。第三方评测机构Artificial Analysis指出：两款新模型确实在单任务耗时和token效率上，实现了减半式的优化，Flash-Lite的智能指数上涨了11分，但3.6Flash的综合智能水平，和3.5Flash相比几乎停滞不前。价格没低到能掩盖能力落差，能力也没高到能支撑成本溢价。X平台上就有用户直言，3.6Flash在Artificial Analysis榜单上和3.5Flash同分，甚至还比不上Meta Spark1.1、GLM-5.2、5.6Luna、Sonnet5、Grok4.5、5.6Terra这些竞品，直呼“简直烂透”。

网友Angel则从性价比切入，指出3.6Flash的单位成本高于GPT-5.6Sol medium，而智能表现反而更低，“又贵又笨”的组合确实尴尬——毕竟Flash系列的立身之本就是极致性价比，现在却被对手当场戳破短板，无异于自砸招牌。作为对照，OpenAI最近也宣布：因为周活跃用户突破了1000万，Codex和ChatGPT Work付费用户的配额迎来了新一轮重置。这么一对比，这么一落差，还有人记得那个曾经被寄予厚望的Google Gemini 3吗？

实测派也很快补刀。网友Balder直接开团，说三款新模型的整体性能，都比旧版3.5Flash差，问题包括基础解码异常、中文选词离谱、生成图像和视频质量极差、指令响应错位、额度限制严苛、记忆混乱频繁、工具调用严重失准等等。他还抛出一个“阴谋论”：Google这么做，可能是想腾出算力资源转售给Anthropic，并阴阳了一句“这就是皮查伊想要的Cloud First”。X用户Conor Dart则用Google自家的Antigra vity平台跑了一轮AI游戏生成测试，结果木纹质感更糟了，大理石纹理勉强接近但依然不能用，直言“又一次翻车”，并表示“还是继续等Gemini 3.5或3.6Pro吧”。

一边是官方描绘的“更高效、更便宜、更省token”的理想账本，一边是多数用户现场打出的差评，再叠加旗舰跳票、核心人才流失、市值持续承压这些连锁反应。这很难不让人怀疑：Google这次是不是真在技术路线上走了偏锋——只顾着压缩成本，却忘了同步拉升智力水平，只能靠几款Flash模型暂时稳住阵脚。反正Gemini 4的预训练已经启程了，如果这一把再翻车，那句关于“阿尔茨海默症”的玩笑，恐怕就要从调侃变成预言了。