谷歌终于舍得放大招了?后附全能王 Gemini 4 Pro“实测”。
过去半年,大模型的排位换了一轮又一轮:GPT-6(Astra)、Fable 接连把战场推进到代码、Agent 和长程任务,谷歌这边却处于长期被碾压状态。
挤牙膏似的更新 Flash 系列,真正代表旗舰实力的 Pro 却迟迟没有完成换代。要知道距离 Gemini 3.1 Pro 发布,已经过去整整 7 个月。
原定 6 月亮相的 Gemini 3.5 Pro 一再延期。有报道称,Google 当时仍在继续补强其 Coding 能力,延期已经广泛引发内部对团队迭代速度的担忧。到了 7 月财报会上,Google 干脆提前亮牌,劈叉哥宣布,公司早已启动 Gemini 4“迄今最雄心勃勃的预训练”。
9 月 18 日消息,谷歌跳过了 Gemini 3 系列的小版本更新,Gemini 4 直接上阵。昨夜,多名开发者开始在 Arena 的匿名 Battle Mode 中抽到一个名为gemini-3.8-flash的模型。问题在于,真正的 Gemini 3.8 Flash 早在 9 月 2 日就已经正式发布,而且已经进入 Arena 公开榜单。
同一个名字,为什么又突然出现在匿名测试里?更反常的是,这个“3.8 Flash”展现出的能力远远高于公开版本。
很快,LuminaBench、Harshith、Qwinah 等长期追踪前沿模型的测试者随后陆续将其指向 Google 正在测试的 Gemini 4 Pro checkpoint,内部代号被曝为“Argon”。
视频加载失败,请刷新页面再试

刷新
Qwinah 还通过超长 JSON 压力测试称,该模型能够持续输出至接近 256K 规模。当然,这些参数目前仍属于社区测试结果,尚未得到 Google 确认。
但真正把这轮讨论的预期值拉满的,还是随后流出的 Arena 盲测榜单。
13 项全能碾压 Astra 和 Fable
按照这份 Benchmark 对比数据,Gemini 4 Pro 在表中列出的 13 组测试里全部取得最高成绩,对手包括 GPT-6 Astra、Claude Fable 5.1、Claude Opus 5 和 GPT-5.6 Sol。
最直观的 Coding 测试 DeepSWE v1.1 中,Gemini 4 Pro 拿到 88.7%,超过 Astra 的 86.9%;
考察真实知识工作的 GDPval-AA v2,达到 2064 Elo,同样超过 Astra 的 1994;
HLE 多学科专家推理,达到 72.1%,领先 Astra 近 5 个百分点。
而在任务越复杂、链路越长,Gemini 4 Pro 表现出的优势更加明显。
在 Terminal-Bench 2.1 中,它与自家 Gemini 4 Flash 只有 3.2 个百分点差距;换到更考验通用 Agent 长程执行的 Terminal-Bench 4.0,差距直接扩大到 13.9 个百分点。
类似的情况还出现在 OSWorld 2.0。Gemini 4 Pro 达到 86.8%,Gemini 4 Flash 为 74.9%,拉开 11.9 个百分点;DeepSWE、HLE 以及 BioMystery 高难任务中,Pro 相比 Flash 也分别领先 8.3、8.3 和 8.3 个百分点。
这意味着 Gemini 4 Pro 的能力提升集中于 Agent 长程任务,在任务持续时间拉长、步骤增加、需要不断读取状态并重新规划时,性能衰减得更慢。
这恰恰是当前 Agent 真正卡脖子的地方。DeepSWE 本身就是专门为长程软件工程任务设计的测试,需要模型在真实代码库中持续修改和验证;OSWorld 2.0 则把 Agent 扔进真实电脑环境,108 项任务中近七成需要人类一小时以上完成,平均需要数百步操作。
Terminal-Bench 团队自己总结过,现有 Agent 最典型的问题,就是难以持续串联多步动作、维护长上下文,并在缺乏人工干预的情况下自主完成复杂工作。
近五分之一的价格
Gemini 4 Pro 的价格可能比跑分更凶。
榜单显示,Gemini 4 Pro 价格只有每百万 Token 输入 2.25 美元、输出 11.25 美元,而 Astra 分别达到 12 美元和 60 美元。也就是说,Google 不是用更贵的旗舰换来了领先,而是以约五分之一的 Token 价格打出了更高的成绩。
如果这一价格真正落地,势必将拉低 A 社和 OpenAI 的价格:旗舰模型的竞争,开始从“谁最强”变成“谁能让最强能力便宜到可以大规模跑 Agent”。
当然,目前这张成绩表尚未得到官方认领,还需辩证看待。
以 DeepSWE 为例,其公开 Leaderboard 当前 Astra 成绩约为 74.1%,Gemini 3.8 Flash 约 73.8%,与流出表中的数值口径存在差异,意味着后者可能使用了不同 Agent harness、推理配置,或者来自尚未公开的新一轮测试。
实测惊艳
当前,Arena 已经跑出了密集测试。比较惊艳的是网页设计。
视频加载失败,请刷新页面再试

刷新
开发者让 Gemini 4 Pro 制作一个专题网站,模型最终只用了 14 分钟,就完成了从页面结构、视觉风格到交互效果的一整套设计。测试者评价:网站“干净、精致”,甚至感叹,早期 Gemini 模型长期被吐槽的“设计品味”问题,似乎终于解决了。
视频加载失败,请刷新页面再试

刷新
另一个经典测试,则是“鹈鹕骑自行车”。开发者 Harshith 表示只给出一句要求:尽可能漂亮地用 SVG 画一只骑自行车的鹈鹕。 Gemini 4 Pro 就能用代码完成整幅动态场景,鹈鹕、车轮、骑行动作和背景关系都保持得相当完整。
这类任务难点不只是写 SVG,而是要同时处理代码、空间关系和视觉构图。社区随后拿公开版 Gemini 3.8 Flash 跑同一提示词,成品差距相当明显(可见开篇对比视频)。
第三类测试从“画图”升级到真正的 3D 交互。
视频加载失败,请刷新页面再试

刷新
Voxel Pagoda 测试中,Gemini 4 Pro 大约花 5 分钟搭出一座可交互的像素风 3D 宝塔;另一项 PS5 SVG 测试甚至连续运行约 10 分钟,不仅细节入微,更展现了模型在持续规划和生成,把复杂成品一次做完的能力。
此外,Lumina 将更多关于 Gemini 4 Pro 评测案例集合放在了 Discord 社区,可移步至 https://discord.com/invite/c9kPfN8Tvd 了解。





