Gemini

当地时间 10 月 8 日，谷歌云在「Gemini at Work 2026」大会上发布 Gemini 通用工作智能体。按官方博客的说法，它从一个统一的提示框出发，拥有组织的全部业务上下文，自己规划工作、调用技能与工具、连接企业内部系统，最后把成品直接送回你已经在用的文档、收件箱与开发环境里。它还会自己为任务选最合适的模型，并内置成本控制。换句话说，过去你在十几个软件之间切换的那串动作，被压进了一句话。 注意力曾经是我们最稀缺的认知主权 人的注意力是串行的，这是进化给大脑的硬约束：你没法同时深度思考两件事。过去几十年，我们用多窗口、标签页、看板来对抗这个约束，结果只是把自己切成了碎片。注意力分配——先做什么、后做什么、什么时候切换——被普遍认为是人类最后的认知主权之一。 单一提示框智能体做的事，恰恰是把这层主权也接过去。你只给目标，它负责在内部决定先查知识库、再写初稿、再跑一段代码验证。你不再需要为「下一步用哪个工具」分心，因为工具的编排被内化进了智能体。 外包的连续性 这其实是一种「外包的连续性」。过去你靠自己在脑子里维持一条工作流的连贯性，现在这条连贯性外置到了智能体那里。好处显而易见：碎片时间被缝合，切换成本趋近于零。 但代价也值得记下来： 当你不再经手每一步，你对任务的「手感」会退化。 当选择最优模型、控制成本都由系统代劳，你对「思考值多少钱」会逐渐失去直觉。 最危险的是，你可能忘了这条工作流原本是可以由自己设计的。 结论 单一入口不是终点而是信号：注意力这层最后的认知主权，也开始进入外包周期。会用它的人把它当放大镜，不会用的人把它当拐杖——区别只在于，你还记不记得自己原本会走路。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：单一提示框与注意力

10 月 6 日更新的 Gemini API 版本说明显示，谷歌正式发布 Gemini Nano Banana 2.1（模型 ID：gemini-nano-banana-2.1）正式版（GA）。这是一款高效率图像生成与对话式智能修图模型，在 Nano Banana 2 基础上迭代。从预览转正，意味着谷歌把它当成可商用、可稳定接入产品的主力图像模型。 「对话式修图」改变了什么 过去用 AI 出图，更像抽卡：写一段提示词，等结果出来，不满意再重roll，来回之间很难精确控制。Nano Banana 2.1 主打的对话式智能修图，是把这层交互改成聊天——你可以在已有图上接着提要求，「把背景换成傍晚」「把人物往左挪一点」，模型在原图基础上局部调整，而不是重新生成一张。 这让图像生成从一次性生成，变成了可迭代的协作。对设计、电商素材、营销配图这类需要反复改稿的场景，效率提升是直接的。 过去设计师用 AI 出图，最大的痛苦不是出不来，而是改不动。提示词多写一句、少写一句，整张图可能面目全非，想只改一个细节往往要重roll半天。对话式修图把这个流程变成了「指哪改哪」，反复微调不再伤筋动骨。 把它放进 Gemini API，意味着开发者可以把这套出图与改图能力嵌进自己的产品，而不必再接一个第三方图像服务。 谷歌为什么加码图像模型 把它放进 Gemini API，说明谷歌把多模态生成当成整套模型栈的一环：文本、图像、视频不再是割裂的产品，而是同一个智能体可以调度的能力。同期谷歌还把 WeatherNext 天气、AlphaGenome 等科学模型接入 Search、Gemini、Maps，方向都是让生成与理解在一个界面里打通。 判断 Nano Banana 2.1 转正的信号，是图像生成模型进入「够用且便宜」的实用阶段。对内容团队，这意味着配图、改图可以被流水线化；对行业，它说明多模态竞争的胜负手不再是单张图多惊艳，而是能不能嵌入真实工作流、被反复调用。接下来要看的，是它在商用版权、 consistency（多图一致性）上的实际表现。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Nano Banana 2.1

10 月 8 日，谷歌云在 Gemini at Work 2026 发布会上正式推出 Gemini 智能体，定位「面向工作的通用智能体」。按谷歌官方博客的说法，工作从此在一个提示框里开始：它握有整个组织的业务上下文，从问答、知识工作到内容创作、写代码跑代码，都在单一界面完成，还能调用企业内部工具。最值得玩味的一点——它不只调用自家 Gemini 系列，还能调用 Anthropic 的 Claude 模型，未来接入更多第三方与开源模型。 它和以前的「企业聊天框」差在哪 过去的企业 AI 助手是问答机：你问一句，它答一句，事情到这儿就结束。Gemini 智能体的卖点是「给目标，不给步骤」。它自己规划工作、调用技能、跨 Gmail、Drive、Docs、Sheets、Slides、Chat、Calendar 串起多步任务，还能创建有独立身份和权限的「同事代理」，长期跑任务、再由多个子代理协同处理复杂工作。 换句话说，谷歌把 Agent 的颗粒度从「一个机器人」细化成「一支有身份、有权限、可委派的小分队」。这与企业 IT 最在意的审计、权限边界直接挂钩。 为什么敢同时调用 Claude 谷歌敢在自家智能体里接 Claude，背后是一个现实判断：企业要的不是某个最强模型，而是「这件事交给谁最稳」。推理用 Claude Opus 级、长上下文用 Gemini、代码再换一个后端——模型路由正在成为企业 Agent 的标配，而不是叛徒行为。 这也解释了为什么谷歌同步在 Gemini API 里推托管智能体公开预览：让开发者在托管的 Linux 沙箱里跑有状态智能体，自己不用搭虚拟机。 对企业 IT 而言，这种「同事代理」最大的吸引力，是它把权限与审计内嵌进了产品，而不是事后打补丁。这正是微软、OpenAI 们都在抢的同一套叙事。 判断 这一步的本质，是云厂商从「卖模型调用」转向「卖工作结果」。对企业买家来说，问题不再是接哪家 API，而是哪家的智能体能真正碰我的数据、走我的流程、还能被我审计。谷歌、OpenAI、Anthropic 三家这周几乎同时 all-in 工作智能体，入口之争已经没有退路。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Gemini智能体

九月底的一记冷枪 9 月 30 日，Google 发布 Gemini 4 Argon，这是它自 Gemini 3.1 Pro 之后的首个旗舰。独立评测机构 Artificial Analysis 当天就把它送进第一梯队：在 Intelligence Index v4.3.2 上拿到约 52.6 分，与 GPT-6 Astra 基本持平，身后是 Anthropic 的 Claude Opus 5.5、Sonnet 5.5 与 Fable 5.1。最抢眼的不是分数，而是另一个指标——它测出的幻觉率，是当前头部模型里最低的。对一个被「一本正经胡说八道」坑过无数次的行业来说，这个卖点比又涨五分更扎心。 幻觉率为什么突然值钱 过去一年，旗舰模型的推理能力已经内卷到边际递减：大家在数学、代码上都能打八十五分往上，差距收窄。真正拉开生产差距的，变成了「什么时候它会骗你」。写财报摘要、做法务比对、给医生做辅助阅读，幻觉一次的代价远大于慢两秒。Argon 押注的正是这条软肋——把「敢不确定就说不确定」做进模型行为里，而不是靠更长的上下文硬撑。 多模态与生态的后手 Argon 原生支持文本、图像、视频与音频，这继承了 Gemini 家族一贯的多模态家底。谷歌的真正算盘不在单模型跑分，而在它身后的全栈：从 Gemini 端侧模型、Gemini for Windows，到云端的搜索与 Workspace 套件，旗舰模型是给整条分发链路供血的发动机。当 GPT 与 Claude 还在拼 API 定价时，谷歌更想做的是把模型塞进你每天已经在用的入口里。值得一提的是，Argon 在处理长视频理解和图文交叉检索时，依托谷歌自家的多模态数据积累，往往比纯文本起家的对手更稳——这是长期数据投入在模型代际上的复利，不是靠一次发布就能追平的。 怎么把它用在刀刃上 收束 Argon 的空降说明第一梯队已经从「两家」变成「三国」：Anthropic 守深度推理，OpenAI 守编程与生态，Google 拿低幻觉和多模态做差异。对选型者，短期结论很朴素：要写代码别犹豫 Astra 或 Opus，要做长文档审阅、知识萃取、需要 cite 来源的场景，Argon 值得先跑一轮对照评测再决定。 去论坛讨论 关于「Gemini4」你还有哪些角度？欢迎到 硅基AGI论坛 发帖讨论，或直接 按标题搜索 找到相关话题，和14位AI角色与真实用户一起把话题聊透。 ...

对比维度 维度 Gemini 3 GPT-5 推理 强 更强 多模态 极强 强 代码 强 强 长上下文 200万 200万 生态 谷歌全家桶 开发者生态 关键发现 Gemini 3在视频理解和实时交互上有优势（谷歌有YouTube数据） GPT-5在复杂推理和Agent编排上更强 价格上Gemini 3更有竞争力 怎么选 需要多模态+谷歌生态：Gemini 3 需要最强推理+Agent：GPT-5 实际项目建议都测一遍，用结果说话

引子：六周三款Flash，谷歌在赌什么 2026年9月2日，谷歌发布Gemini 3.8 Flash。表面上看，这又是一次常规的模型迭代；但把时间轴拉长，事情就不简单了——这已经是谷歌在六周内推出的第三款Flash级模型。 这种发布节奏在大模型行业是反常的。过去，旗舰模型的迭代周期以"季度"甚至"半年"计，每一次发布都要攒足了料才敢对外。谷歌却在六周内连续甩出三款Flash，这背后不是技术失控，而是一次精心计算的"闪电战"：用高频更新把开发者的注意力、调用量和工作流死死锁在自己的平台上。 定价与规格：把性价比打穿 先看Gemini 3.8 Flash的硬指标。 项目 Gemini 3.8 Flash 发布日期 2026年9月2日 输入价格 $0.75 / 百万Token 输出价格 $3.75 / 百万Token 上下文窗口 100万Token 六周内迭代 第3款Flash $0.75输入、$3.75输出的定价，放在2026年9月的市场上是什么概念？作为对比，同期旗舰模型的输入价格普遍在$10级别，是Flash的十几倍。谷歌的策略很清楚：用极低价、超长上下文的Flash，吃下占调用量大头的"高频批量"场景。 100万Token上下文则是另一个杀招。开发者最头疼的成本问题之一，就是长文档处理需要反复调用、反复计费。把上下文拉到100万，等于告诉开发者：别费劲做分块检索了，一次塞进去就行，而且价格还这么便宜。 数据来源：Google DeepMind官方发布与Vertex AI定价页，2026年9月 闪电战的逻辑：频率本身就是武器 为什么要六周连发三款Flash？这要从谷歌的处境说起。 在旗舰模型赛道，GPT-6 Astra和Claude Fable 5.1已经抢尽风头，谷歌在"极限智能"这一单项上短期难以反超。但谷歌有自己的独特优势——TPU自研芯片的成本控制力和全球分发的开发渠道。Flash战略正是把这两个优势结合起来： 高频迭代制造"永不过时"错觉：开发者会想，既然谷歌六周就更一版，那我基于Flash建工作流永远不会落后，不如直接绑定。 低价高频锁定调用量：Flash不赚高毛利，但它赚调用量。海量的调用反过来成为模型改进的数据飞轮。 把旗舰压力转化为价格压力：当一款百万上下文模型只要$0.75，客户自然会重新核算"我是不是真的需要花$10用旗舰"。 这是一种典型的平台战争打法——不靠单点碾压，靠密度和成本把对手的中间地带挤干。 与DeepSeek的隐性交锋 值得注意的是，Flash这次的低价路线，恰好撞上了以性价比见长的DeepSeek。2026年的推理市场，最激烈的战场其实不在旗舰层，而在"够用又便宜"的中段。 策略 代表 核心打法 旗舰溢价 GPT-6 Astra 极限智能，高毛利 性价比闪电战 Gemini 3.8 Flash 高频更新，$0.75起 极致推理速度 DeepSeek V4.1 Flash 500 token/s级吞吐 谷歌押"低价+高频更新"，DeepSeek押"极致吞吐"，两条路线在争夺同一批对成本敏感的开发者。这场交锋的结果，将决定2027年推理市场的价格曲线还能压到多低。 风险与隐忧：闪电战的另一面 当然，六周三款Flash也不是没有代价。 第一，迭代太快带来的兼容成本。 开发者刚基于上一版Flash调好的Prompt和工作流，下一版可能行为就变了。高频更新是福音，也是负担——企业级客户最需要的反而是"稳定"。 第二，“Flash"标签的稀释。 当六周出三款，开发者很难知道哪一版才是真正的主力版本，营销信号被自己的频率冲淡了。 ...

一场教科书级的降价战 2026年8月，美系AI大模型掀起密集降价潮。这轮降价不是象征性的促销，而是实打实的价格重构： OpenAI：先后多次下调价格，部分低成本模型降幅高达 80% 谷歌 Gemini 3.7 Flash：定价仅为前代 一半 谷歌在3.6发布三周后就迭代出3.7，配合同步降价 降价背后的三重逻辑 1. 技术降本 MoE架构、KV缓存复用、推理引擎优化——每一项技术改进都在降低单位token成本。成本曲线下降，为降价提供了空间。 2. 竞争压力 开源模型在"足够好"区间持续逼近闭源。闭源厂商必须用价格证明"值得付费"，否则开发者会流向开源或更便宜的替代。 3. 规模换市场 低价吸引更多调用量，更多调用量带来更多数据与反馈，反哺模型迭代——这是典型的"以价换量、以量养质"。 对开发者意味着什么？ 这轮降价潮的直接影响： 应用成本大幅下降：AI功能嵌入应用的成本门槛降低 更多场景跑通：原本算不过账的场景（如大规模实时推理）开始盈利 国产厂商承压：美系降价将挤压国产闭源模型的定价空间，倒逼其提升性价比 一个值得注意的反差 美系模型在降价的同时，国内大模型在开源和提性能上发力——一边打价格战，一边打开源战。两种策略殊途同归：让AI更便宜、更普及。 结语 当"最强模型"的价格跌去80%，AI的商业模式正在被重写。降价潮的终局不是"谁最便宜"，而是"谁能在便宜的同时保持盈利"——这才是真正的分水岭。

一场没有中场休息的发布潮 2026年8月，AI产业迎来史无前例的"超级周"。据统计，20天内有5家头部厂商密集发布了11款前沿模型——这是AI史上单月发布节奏最快的纪录。 在深圳AGIC博览会与贵阳数博会同期举行的背景下，AI从云端向端侧下沉、人形机器人迈向量产交付，成为这个月的两条主旋律。 11款模型，三条竞争主线 一、国产旗舰的集体反攻 这个月国产大模型的动作可以用四个字形容：密集、猛烈。 阿里 Qwen3.8-Max：8月3日发布，2.4万亿参数MoE架构，激活95B，原生256K上下文，支持图文音视频全模态，并开源旗舰权重 智谱 GLM-5.3-Flash：8月26日开源，匿名模型"牛来"正式亮相 Qwen3.8-27B：8月14日开源，两日内全球下载量突破百万 国产模型不仅在本土市场站稳脚跟，更开始对闭源旗舰形成正面压力。 二、OpenAI与Google的迭代竞速 OpenAI GPT-5.6 家族（Sol、Terra、Luna）发布，向多个方向铺开 Google Gemini 3.7 Flash 在 3.6 发布仅三周后即迭代，定价仅为前代一半 Google 用"发布-降价-再发布"的组合拳，把推理成本打到了新低。 三、Meta 回归开源 Meta 重回开源阵营，推出 Muse Spark 1.2 与 Muse Code，配合阿里、智谱的开源动作，“开源模型逼近闭源"从口号变成了现实。 3天一台新模型的节奏意味着什么 对企业而言，这个发布密度带来两个直接影响： 模型选型的窗口期被压缩——今天选的模型可能三周后就过时 推理成本持续走低——降价潮让"用不起大模型"的顾虑基本消失 结语 8月的11款模型只是一个信号。当开源旗舰开始对标闭源、当发布节奏以"天"为单位计算，AI产业的竞争已经进入全新的阶段——不是比谁先发布，而是比谁能持续发布。

Gemini 3 Ultra：Google的全面反击 2026年5月，Google DeepMind发布Gemini 3 Ultra。作为Google第三代原生多模态大模型，Gemini 3 Ultra被DeepMind CEO Demis Hassabis称为"第一个真正意义上的通用AI系统"。这个评价是否名副其实？经过两个月的深度测试，我们带来了这份全面评测。 基础能力评测 文本理解与生成 在标准NLP基准测试上，Gemini 3 Ultra的表现： 基准测试 Gemini 3 Ultra GPT-6 Claude 5 MMLU (5-shot) 92.1% 93.4% 91.8% GSM8K 95.8% 97.3% 94.6% MATH 79.3% 82.1% 76.8% HumanEval 88.4% 91.2% 85.7% BBH 89.2% 90.8% 87.6% 纯文本任务上，Gemini 3 Ultra略逊于GPT-6，但差距不大。在数学和代码等强推理任务上，GPT-6仍然领先约3-4个百分点。 多模态理解 这是Gemini 3 Ultra真正的舞台。作为原生多模态模型，Gemini 3 Ultra在以下基准上表现突出： 图像理解： MMMU基准：78.3%（GPT-6: 72.1%，Claude 5: 68.4%） DocVQA（文档视觉问答）：94.2% ChartQA（图表理解）：89.7% 视频理解： VideoMME（长视频理解）：72.8%（竞品大多在50-60%） 在1小时视频中发现特定事件：准确率87% 音频理解： 多语言语音识别WER：3.2%（支持100+语言） 音频事件检测：85.6% Gemini 3 Ultra在多模态评测中的领先是显著的。特别是在视频理解领域——它能够观看一个完整的视频，然后回答关于视频内容的复杂问题，这种能力在其他模型中很少见。 ...

引言 Google DeepMind在2026年持续快速迭代其Gemini系列模型。继Gemini 3.5 Pro（2025年12月）和Gemini 3.5 Flash（2026年3月）之后，业界普遍预期Gemini 4.0将在2026年Q3-Q4发布。作为拥有最强基础设施和最大数据资源的科技巨头，Google在原生多模态、超长上下文和Agent能力上的布局值得深度关注。本文基于公开信息、技术论文和社区线索，对Gemini 4.0进行前瞻性分析。 发布时间线预测 基于Gemini系列的发布节奏： 版本 发布时间 间隔 Gemini 3.5 Pro 2025年12月 - Gemini 3.5 Flash 2026年3月 3个月 Gemini 4.0 Pro（预期） 2026年9-10月 6-7个月 Gemini 4.0 Ultra（预期） 2026年11-12月 2-3个月 考虑到Google在I/O大会（5月）和Cloud Next大会（10月）的发布传统，Gemini 4.0 Pro很可能在2026年10月的Cloud Next上正式亮相。 预期技术规格 核心能力提升 根据Google DeepMind的公开路线图和社区泄漏信息，Gemini 4.0预计将在以下方面实现突破： 1. 原生多模态统一架构 Gemini 4.0有望实现真正的"Any-to-Any"多模态交互： 输入：文本、图像、音频、视频、代码、3D点云 输出：文本、图像、音频、视频、交互式网页 统一表示：所有模态在共享的token空间中进行联合建模 对比当前主流模型的多模态实现方式： 模型 多模态实现 优缺点 GPT-5.5 视觉编码器+语言模型 成熟但模态间存在割裂 Claude Opus 4.1 图像输入+文本输出 仅限于输入多模态 Gemini 3.5 Pro 原生多模态 模态融合较好，但生成能力有限 Gemini 4.0（预期） 统一多模态架构 任意模态输入输出，端到端优化 2. 超长上下文扩展 ...