影片筆記：Google 放大招！Gemini 3.6 Flash 免费发布，能否超越 Claude Opus 4.8？实测告诉你答案！ | 零度解说

一句話總結

影片介紹 Google 發布三款新 AI 模型，重點測試 Dramlite 3.6 Flash（逐字稿中名稱多變），強調其免費、高 Token 效率及低成本優勢，並通過多模態計數、代碼生成（遊戲）、Agent 工具調用及大規模文檔處理等實測，驗證其在工程演示與開發領域的潛力。

核心重點

1. 新模型發布：Google 發布三款新模型，包括 Dramlite 3.6 Flash、Dramlite 3.5 Flash Lite 及 Dramlite 3.5 Flash Cyber，旨在提升 AI Agent 的速度、智能與性價比。
2. 性能聲稱：官方聲稱新模型在 Agent 任務、代碼生成及多模態任務上超越上一代，Deep SWE 測試成績達 49%，接近 Code Over 4.8 推定模式水平。
3. 成本優勢：強調 Token 成本極低（約 0.1 美元），輸出 Token 數量減少 65%，且完全免費。
4. 實測驗證：

• 多模態計數：對密集牙籤及麻辣串簽子的數量識別誤差極小。
• 代碼生成：成功生成可運行的「水果忍者」及具備真實物理引擎效果的 3D 台球遊戲。
• Agent 能力：使用「反重力」平台自動分析 GitHub 熱門項目並總結代碼結構。
• 文檔處理：一次性處理 100 多個 PDF 文件，提取 API 更新並輸出為 Markdown 格式。

1. 應用場景：展示生成超長風力發電機葉片運輸與安裝的 3D 動畫，展現其在工程演示領域將數週工作縮短至幾分鐘的潛力。

詳細大綱

1. Google 新模型發布概況

• 發布內容：Google 近期發布三款全新 AI 模型。
• 核心目標：讓 AI Agent 更快、更聰明、更具性價比。
• 重點關注：Dramlite 3.6 Flash（逐字稿中亦出現 GAMLINE、Germel、Gramlite 等變體）。

2. 官方數據與性能聲稱

• 綜合表現：在 Agent 任務、代碼生成等多項測試中超越上一代模型。
• 代碼能力：編寫生產級代碼能力提升，不易出現死循環。
• 多模態能力：圖表分析、文檔理解、報告撰寫能力提升。
• 測試成績：Deep SWE 測試成績 49%，接近 Code Over 4.8 推定模式水平。
• 效率與成本：完全免費，Token 效率提升，輸出 Token 數量減少 65%，成本降低一半。
• 社區評分：開發社區評分躍升（從第 21 名躍升至第 22 名，評分 1537）。

3. 實測環節：多模態與計數能力

• 測試場景：數牙籤與麻辣串簽子。
• 牙籤測試：識別出約 70 根，實際為 71 根，誤差在可接受範圍。
• 麻辣串測試：準確識別出 17 根，分區計數邏輯清晰。

4. 實測環節：代碼生成能力

• 簡單遊戲：生成「水果忍者」，運行流暢，音效正常。
• 複雜物理遊戲：生成基於 SlayJS 和 Cover 物理引擎的 3D 台球遊戲，包含碰撞、摩擦、力度控制，物理效果真實。

5. 實測環節：Agent 與工具調用能力

• 使用工具：反重力 (Anti-Graphity) 開發平台。
• 任務：打開 GitHub，找到 START 最高的 AI engine 項目，分析代碼結構並總結。
• 結果：快速完成，準確識別排名第一項目（OpenCloud）及第二名（Hermes），並提供詳細代碼拆解。

6. 實測環節：文檔處理能力

• 任務：處理 100 多個 PDF 文件，提取 API 更新。
• 結果：調用 Python 腳本處理，最終以 Markdown 格式輸出，一次性完成。

7. 成本效益與應用場景對比

• 成本對比：
• GPT5.6Sol ($1.8)
• CloudFive 5 ($1.5)
• KimiKiss ($0.5)
• Gamlight 3.6 Flash ($0.1)
• 3D 動畫案例：生成超長風力發電機葉片運輸與安裝的 3D 動畫，理解工程流程與空間關係。
• 應用價值：改變工程演示、工業設計及施工方案展示方式，從數週縮短至幾分鐘。

工具 / 模型 / 名詞整理

• 模型名稱：
• Dramlite 3.6 Flash（逐字稿中亦混用：GAMLINE 3.6 Flash、Germel 3.6 Flash、Gramlite 3.6 Flash、Gamlight 3.6 Flash）
• Dramlite 3.5 Flash Lite
• Dramlite 3.5 Flash Cyber
• GAMLINE 3.1 Pro
• GAMLINE 3.5 Flash
• GLM5.9
• Code Over 4.8（推定模式）
• Glocker 4.5H
• 千萬 3.8
• GPT5.6Sol
• CloudFive 5
• KimiKiss
• German 3.6 Flash
• 平台/工具/產品：
• 零度姐說（頻道/品牌）
• 零度儲存（提及）
• 谷歌 (Google)
• 網頁版
• 手機 App
• 反重力 (Anti-Graphity) / 反重力的客戶團（指代開發平台）
• GateHub（指代 GitHub）
• Python
• SlayJS
• Cover 物理引擎
• HTM 文件（指代 HTML）
• Codec（指代 CodeC 或相關開發環境）
• MacDone（指代 Markdown）
• CMU 的 UOS 工具
• 瀏覽器
• 桌面應用

操作流程整理

1. 多模態計數測試：

• 輸入密集牙籤圖片 -> 模型識別數量（約 70 根，實際 71 根）。
• 輸入麻辣串簽子圖片 -> 模型分區計數（準確識別 17 根）。

1. 代碼生成測試：

• 指令生成「水果忍者」遊戲 -> 模型輸出代碼 -> 運行遊戲（流暢，音效正常）。
• 指令生成 3D 台球遊戲 -> 模型調用 SlayJS 和 Cover 物理引擎 -> 生成包含碰撞、摩擦、力度控制的遊戲 -> 驗證物理效果真實性。

1. Agent 工具調用測試：

• 使用「反重力」平台 -> 指令打開 GitHub -> 尋找 START 最高的 AI engine 項目 -> 分析代碼結構並總結 -> 識別排名第一（OpenCloud）及第二名（Hermes）項目。

1. 大規模文檔處理測試：

• 輸入 100 多個 PDF 文件 -> 調用 Python 腳本 -> 提取 API 更新 -> 輸出為 Markdown 格式。

1. 3D 動畫生成測試：

• 指令生成風力發電機葉片運輸與安裝動畫 -> 模型理解工程流程與空間關係 -> 生成超長風力發電機葉片運輸與安裝的 3D 動畫。

值得注意的限制或風險

• 模型名稱辨識混亂：逐字稿中對該模型名稱的拼寫極不統一，出現多種變體（Dramlite, GAMLINE, Germel, Gramlite, Gamlight, Glocker 等），需查證 Google 官方發布的確切模型名稱。
• 測試基準與評分來源不明：Deep SWE、Code Over 4.8、1537 的評分標準及來源需查證。
• 排名邏輯疑點：「從第 21 名躍升到第 22 名」在邏輯上通常為排名上升（數字變小）或名次提高，此處表述可能存在口誤或聽寫錯誤。
• 技術術語準確性：SlayJS、Cover 物理引擎、HTM 文件、GateHub、MacDone 等術語與常見技術棧（如 Three.js, HTML, GitHub, Markdown）存在差異，需查證是否為特定庫或口誤。
• 項目名稱確認：OpenCloud 和 Hermes 作為 GitHub 項目名稱，需查證是否為真實存在的熱門項目。

逐字稿辨識疑點

• Dramlite / GAMLINE / Germel / Gramlite / Gamlight / Glocker：逐字稿中對該模型名稱的拼寫極不統一，出現多種變體，需查證 Google 官方發布的確切模型名稱。
• Deep SWE：指代具體的測試基準或平台，需查證。
• Code Over 4.8：指代具體模型或版本，需查證。
• 1537 的評分：評分標準及來源需查證。
• 從第 21 名躍升到第 22 名：邏輯上通常為排名上升（數字變小）或名次提高，此處表述可能存在口誤或聽寫錯誤，需查證。
• DBSW：指代具體測試基準，需查證。
• SlayJS：常見前端框架為 Three.js 或 Babylon.js 等，SlayJS 需查證是否為特定庫或口誤。
• Cover 物理引擎：常見物理引擎為 Cannon.js, Ammo.js, Matter.js 等，Cover 需查證。
• HTM 文件：通常為 HTML 文件，需查證。
• GateHub：通常為 GitHub，需查證。
• OpenCloud：指代具體 GitHub 項目名稱，需查證。
• Hermes：指代具體 GitHub 項目名稱，需查證。
• MacDone：通常為 Markdown，需查證。
• Codec：指代具體開發環境或工具，需查證。
• CMU 的 UOS 工具：指代具體工具名稱，需查證。
• 重口難調：成語「眾口難調」的口誤或聽寫錯誤。
• 團價：應為「代碼」或「團隊」相關詞彙的口誤，需查證。
• 一世性團下：應為「一次性處理」或類似含義的口誤，需查證。
• 進出：應為「處理」或「讀取」的口誤，需查證。
• 廣輪縮放：應為「滾輪縮放」的口誤，需查證。
• 6 球帶都能進球：應為「六球帶」或「球袋」的口誤，需查證。
• 排球落大的話：應為「白球落袋的話」的口誤，需查證。
• 重新扳回來：應為「重新擺回來」或「重置」的口誤，需查證。
• 出出效果：應為「出效果」的口誤，需查證。
• Anti-Graphic：指代 Anti-Graphity 的口誤。
• 難夠理解：應為「能夠理解」的口誤，需查證。
• 頁片與塔總：應為「葉片與塔筒」的口誤，需查證。

可延伸追問

1. Google 官方發布的該模型確切名稱為何？逐字稿中出現的多種變體（Dramlite, GAMLINE 等）是否為識別錯誤？
2. Deep SWE 測試基準及 Code Over 4.8 推定模式的具體定義與評分標準為何？
3. SlayJS 和 Cover 物理引擎是否為真實存在的前端框架與物理引擎庫？
4. OpenCloud 和 Hermes 是否為 GitHub 上真實存在的熱門 AI 項目？
5. 「從第 21 名躍升到第 22 名」的排名邏輯是否為口誤？正確的排名變化應為何？