Gemini 4 Pro 剛剛偽裝現身，其早期測試結果令人驚訝
分享這篇文章：
Google 可能終於攤牌了。
過去幾天，一個標示為 gemini-3.8-flash 悄悄出現在 Arena 中。這個名稱原本不應引起太多興奮：真正的 Gemini 3.8 Flash 已於 9 月稍早推出。但當開發者開始測試這個新的 Arena 變體時，很明顯有些地方不同。
這個模型速度更快、視覺能力更強，並且比人們對 Flash 版本的預期更擅長處理複雜的互動工作。在一波 SVG、3D、UI 和遊戲生成測試之後，一個理論迅速在 AI 社群中佔據主導地位：這根本不是 Gemini 3.8 Flash。它是 Gemini 4 Pro 套著一個臨時名稱。
那個行為不像 Flash 的「gemini-3.8-flash」模型
第一個線索是時機。Google 已經以 Gemini 3.8 Flash 的名稱發布了一個模型，因此看到 Arena 中又出現一個標籤完全相同的項目並不尋常。
第二個線索是能力。測試這個新變體的開發者回報的結果，感覺更接近前沿 Pro 模型，而不是一個快速、以效率為重點的模型。複雜指令一次就能被遵循。互動式視覺內容出現的結構性錯誤更少。三維場景看起來更連貫。該模型似乎也異常擅長生成完整體驗，而不只是零散的程式碼片段。
一個新的 Google 模型變體以 gemini-3.8-flash 標籤出現。來源：Arena Tracker 截圖。
對於已經等待 Google 下一個重大 Pro 版本數月的社群而言，這個結論令人難以抗拒：Gemini 4 Pro 可能已經在公開測試中。
為何這次現身引發如此大的興奮
Google 上一次重大的 Pro 更新 Gemini 3.1 Pro，大約是在七個月前推出的。在 Google I/O 上，Sundar Pichai 預告 Gemini 3.5 Pro 將於六月發布，但該版本一再延後。後來有報導指出，3.5 Pro 專案因未能與快速進步的 Flash 系列拉開足夠差距而被取消。
注意力隨後轉向 Gemini 4。據報其預訓練評估表現強勁，而且該模型據稱正在進行後訓練。在這樣的背景下，一個以舊 Flash 標籤出現、能力出乎意料強大的 Google 模型，看起來不像是例行更新，更像是下一代旗艦的第一個檢查點。
一份外洩的基準測試表將 Gemini 4 Pro 置於榜首
接著，圖表出現了。
一份在網路上流傳的基準測試表顯示，疑似 Gemini 4 Pro 的模型在程式編寫、代理式工作、文件理解與電腦使用等方面，領先 GPT-6 Astra、Claude Fable 5.1 以及其他多個頂尖模型。
主要結果包括：
| 基準測試 | 任務 | 據稱 Gemini 4 Pro 的結果 |
| DeepSWE v1.1 | 長期跨度軟體工程 | 88.7% |
| GDPval-AA v2 | 真實世界知識工作 | 2,064 Elo |
| Terminal-bench 2.1 | 代理式終端程式編寫 | 95.3% |
| Terminal-bench 4.0 | 一般代理能力 | 69.7% |
| OSWorld-2.0 | 代理式電腦使用 | 86.8% |
| CharXiv 推理 | 針對複雜圖表進行推理 | 94.7% |
| LABBench2 | 真實世界生物學研究 | 93.8% |
在網路上流傳的基準測試表。
同一張圖表列出的價格為 每百萬個輸入詞元 2.25 美元 以及 每百萬個輸出詞元 11.25 美元。如果這些數字延續到公開產品中，Gemini 4 Pro 不僅會在能力上競爭，也會在價格上採取積極定位。
其他測試者聲稱能存取一種後端配置，具有 1,000 萬詞元的輸入上限、256,000 詞元的輸出上限、可跨工作階段持續存在的記憶，以及無需獨立 API 的直接網路存取。這些說法加深了外界的感覺：Google 可能正在準備比傳統聊天模型範圍更廣泛的東西。
就連一隻簡單的 SVG 貓也成了話題
最常被分享的比較之一，也是最簡單的比較之一：生成一隻 SVG 格式的貓。
疑似 Gemini 4 Pro 生成的動物更乾淨、結構更一致，而 Astra 的結果看起來更笨重且較難控制。當然，沒有人應該只憑一隻貓來選擇前沿模型——但 SVG 是一項出乎意料地能揭示能力的測試。模型必須將視覺概念轉化為精確的形狀、座標和圖層，同時保持比例與風格。
一項社群 SVG 比較。
這是第一個跡象，顯示 Gemini 4 Pro 可能在程式碼與視覺設計的交會處特別強大。
更有品味且互動性更佳的網頁設計
更大型的示範讓這種印象更加強烈。
據報導，開發者 Bee 要求該模型建立一個受素描、鉛筆和石墨啟發的展示網站。大約 14 分鐘內，它生成了一個以「捲動即繪畫」為核心概念的頁面：當訪客向下捲動頁面時，線條會變得更深，將一個視覺隱喻轉化為實際互動。
另一項測試要求建立一個結合賽博龐克與復古未來主義設計的可運作網站。結果包含一個 3D 網格、資料儀表板，以及首頁畫面上的互動式 3D 物件。
這些例子之所以重要，是因為該模型並不只是選擇顏色和擺放卡片。它是在一次生成中協調視覺方向、版面配置、互動和程式碼。
SVG 與 3D 生成成為主角
最爆紅的示範是一隻騎著腳踏車的鵜鶘。
輸出內容包含日夜模式、可運作的車頭燈、踏頻控制、解剖結構疊加層和互動元素。它看起來不像一張靜態生成圖片，更像是一個迷你的創作工具。
Gemini 4 Pro 的結果呈現出比 Gemini 3.8 Flash 完整得多的環境。
測試者強調了兩項改進：模型速度很快，而且能吸收一長串需求而不會漏掉其中大部分。正是這種組合讓複雜的視覺生成變得實用。漂亮的輸出固然有趣；但一個已經包含所要求控制項與邏輯的漂亮輸出，就是一套工作流程。
其他進一步推向 3D 的範例：
- 一座具有可探索深度感的像素藝術寶塔
- 大約十分鐘內製作出的空中巴士 H145 直升機模型
- 互動式 3D 飛行模擬
- 具備完整控制與視覺邏輯的小型可玩遊戲
飛行模擬測試中的差異尤其顯著。公開版 Gemini 3.8 Flash 的輸出看起來粗糙且不完整，而 Arena 模型則產生了連貫的山地景觀、駕駛艙風格的介面元素，以及更加精緻的可玩場景。這一差距成為最有力的論據之一，說明這兩個名稱相同的模型實際上並不是同一個系統。
它可以一次生成可玩的遊戲
Gemini 4 Pro 似乎也能熟練地建構遊戲，而不只是描述遊戲。
據報導的例子包括一個由頁面結構透過個別遊戲模組組裝而成的類 Minecraft 世界，以及在短時間內生成的現代 3D 卡丁車競速遊戲。有趣之處不只是視覺品質。模型必須建立環境、連接控制、保存遊戲狀態，並讓結果具備可玩性。
這比單一影像或網頁要困難得多。它結合了空間推理、使用者介面設計、程式碼生成、狀態管理與效能，而且會立即暴露錯誤。如果早期展示具有代表性，互動式生成可能會成為 Gemini 4 Pro 的核心優勢之一。
RSI 是 Google 突然看起來更快的原因嗎？
圍繞 Gemini 4 Pro 的另一個主要理論是 遞迴式自我改進，或稱 RSI。
基本概念是，AI 系統可以協助改進用於訓練、評估與完善下一代 AI 的流程。一旦這個循環變得有效率，每個模型都會為其後繼者的開發做出貢獻，並可能加速整個研究週期。
Google DeepMind 已經將 RSI 明確列為研究主題。其 Dream-RSI 工作探索代理如何透過從先前的探索中學習，來改進自身的搜尋策略。這並不代表模型在沒有人類監督的情況下獨立改寫自己。它意味著 AI 正在成為 AI 研究中更積極的參與者。
社群中的理論是，Google 已經開始在內部閉合這個循環，而 Gemini 4 Pro 是第一個可見的成果。
三方前沿競賽回來了
競爭格局已經發生巨大變化。OpenAI 有 Astra。Anthropic 有 Fable 5.1。兩家公司都在將重點從聊天推進到長時間執行的任務、程式設計、代理、推理與自主研究。
對 Google 來說，僅僅發布一個「比 Gemini 3.8 更好」的模型是不夠的。Gemini 4 Pro 需要證明 Gemini 家族仍然屬於前沿行列。
如果 Arena 模型真的是 Gemini 4 Pro，早期跡象正是 Google 所需要的：出色的視覺編碼能力、更強的 3D 生成、快速執行，以及能將密集提示轉化為完整互動成果的能力。
該模型目前或許隱藏在 Flash 標籤之後，但它已經成功做到一件事：讓整個 AI 社群再次關注。