工作清單

Gemini 3.7 Flash：免费 API 与 Antigravity 免费套餐，为什么几乎没人讨论？

逐字稿文字預覽

嗨,歡迎來到新一期視頻。
開始之前,先告訴大家一聲,我最近在ARC King頻道上更活躍了。
我現在會在那裏發布一些這裏不會涉及的新內容。
還有一些和開發者相關的工具,大家也可以去看看。
鏈接我會放在視頻簡介裏。
所以,今天我想聊聊一個我覺得目前最被低估的模型之一。
那就是Gemini 3.7 Flash。
Google在8月13日發布了這個模型,也就是大約10天前。
奇怪的是,幾乎沒人討論它。
沒有大規模的炒作,也沒有什麼瘋狂的發布會,什麼都沒有。
Google只是在上一個Flash模型發布三周後,直接推出了它,
稱它為最智能的編程和智能體工作主力模型。
然後就繼續往前走了。
但我用了它一段時間後,可以告訴你,這個模型確實非常好用。
效果好得離譜,而且更離譜的是,它現在在幾乎所有地方。
要麼免費,要麼便宜的離譜。
所以,這7視頻里,我想跟你說說。
為什麼我覺得這是一次被嚴重低估的發布?
這個模型到底擅長什麼?
以及你現在能在哪些地方免費用?
或者以很大的折扣使用?
我們直接開始。
先來聊聊Gemini 3.7 Flash到底是什麼?
它是Gemini 3。
6 Flash的忌人者。
而且只比前一個模型晚了三周就發布了。
所以Google現在顯然是在很快的推出這些Flash模型。
通常來說,一家公司這麼快就發一個小版本更新。
你會以為只是小幅改進,比如指令遵循更好一點。
或者修一修Buy之類。
但這次不是這樣。
它在各項Benchmark上的提升,直接超過了3.6 Flash。
對Flash模型來說,這個成績確實很誇張。
在測試長期軟件工程任務的DeepSuite上,它得分65.3%。
而3.6 Flash只有49%。
也就是說,短短三周,分數就提升了16個百分點。
在關注生產及代碼質量的Frontier Code上。
它拿到了43.6%,之前則是34.4%。
在Weberina上,它目前大約是1588 ELO,高於之前的1538。
而在更偏Agentic的項目上,提升幅度更大。
在AutomationBench上,它幾乎是之前分數的兩倍。
从17%提升到了約30%。
不过我一直都這麼說,基準測試終究只是基準測試。
别太當真,但這次我的實際使用體驗和數據是吻合的。
我一直在AntiGravity里用它跑平時的測試項目。
说實話,作為一個Flash Class模型,表現真的很驚艳。
你看屏幕上,我讓它做這個應用。
它基本上一把就做出來了。
设计干净,布局也很精致。
功能運作正常,我不用為了每個小修小補都跟模型较劲。
後續修改也很不錯。
我可以讓它改设计,加功能。
或者重構一些東西。
它不會像以前那些Flash模型那樣把項目越改越壞。
而且,多步驟的Agenti行為才是它真正强的地方。
它會正確規劃,也會正確調用工具。
還能在一長串步驟里持續推進而不會。
而且,它速度很快,不會跟丟自己正在做什麼。
它每秒大約能生成250個Token。
還有100萬Token的上下文窗口。
所以,你基本上能以閃電般的速度。
獲得接近Frontier級別的編程性能,真的非常驚人。
現在進入這期視頻最精彩的部分,價格。
以及所有免費使用的方式,因為這一部分簡直有點瘋狂。
首先,Google Anti-Gravity里現在已經能用Gemini 3。
CFlash,而且是免費的。
你只要登錄,選好模型。
就能直接開始做Agenti coding。
第二,AI Studio里也免費。
你可以直接進去選Gemini 3。
CFlash,拿它聊天,或者測試你的Prompt。
它在AI Studio Build里也能用。
所以你也可以免費生成和部署小應用。
只是要記住,免費額度本來就是用來測試的。
Google以後隨時可能改配額。
所以,我不會把生產環境應用建立在免費層上。
但拿來個人使用和嘗試,已經完全夠用了。
第三,API。
價格方面,Google會一直提供入門優惠價到12月底。
每百萬個輸入Token收費75美元。
每百萬個輸出Token收費3.75美元。
這已經是3。
6Flash上限時,價格的一半了。
但真正誇張的還在後面。
在此基礎上,OpenRouter還會額外提供獨家折扣。
一直持續到8月27日。
所以,現在通過OpenRouter。
每百萬個輸入Token只要38美元左右。
每百萬個輸出Token大約1.88美元。
這款模型的價格基本只有標準價的25%。
但在編程和Agentic基準測試中,表現卻超過了許多更貴的模型。
這簡直便宜的離譜。
按這個價格,你可以把它接到Client,Rode,OpenCode。
或者你使用的任何Agentic工具上讓它一直運行。
不用不停地盯著帳單。
總結一下。
這款模型在Agentic基準測試中的成績幾乎是上一代的兩倍。
在軟件工程任務上提升了16分。
還能以閃電般的速度運行。
並支持100萬Token的上下文窗口。
而且,現在它在AntiGravity里免費。
在AI Studio和AI Studio Build里也免費。
在OpenRouter上則是75折。
可即便如此。
幾乎沒人談論它。
我覺得,部分原因是大家都在等下一款重量級Pro模型。
而Flash的發布就是得不到同樣的關注。
值得注意的是,三周一更也會讓人以為這只是一次小更新。
但在我看來,這正是你應該關注的那類版本。
因為頂級模型已經做得很不錯了。
大家都知道,真正改變工作流的。
是那些又快又便宜的模型也變得足夠強大。
只有到了這個時候,你才能不考慮成本。
真正把AR用在所有事情上。
而Gemini 3.7 Flash就是這樣的模型。
它在最難的任務上不一定能擊敗最頂尖的模型。
但無論是日常編程,Agent工作流還是一般任務。
它只用極低的成本,就能幫你完成大約90%的工作。
而且,現在基本上是免費的。
所以,我的建議很簡單,去AntiGravity或AI Studio里免費試試。
如果你使用APR,記得在8月27日之前領取OpenRouter的折扣。
這是那種以後大家回頭看。
都會納悶他怎麼會被忽略的作品。
總的來說,真的挺不錯。
總之,歡迎在評論區告訴我你的想法。
如果你喜歡這期視頻,可以通過Super Things捐贈。
或者點擊中按鈕成為頻道會員。
另外,別忘了給視頻點個贊,再訂閱我的頻道。
我們下期見。在那之前,拜拜。

來源：transcript.txt

本次執行流程與問題處理

  1. 下達指令

    指令：videonote https://b23.tv/HJn8ueH --language zh --auto-source-subtitles

    來源：https://b23.tv/HJn8ueH

    辨識語言：zh ｜ 參數：--language zh --auto-source-subtitles

  2. 預期流程

    依指令產生的處理順序：

    1. 自動字幕優先，Whisper 作為備援
    2. 來源選擇與品質檢查
    3. 文字校正與句子單元
    4. 筆記與發布
    5. 公開網頁發布

  3. 1. 下載與語音辨識

    工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）

    處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿

    產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）

    耗時：36.7 秒

    關係：依序執行

    結果：完成

  4. 2. 全文快速校讀

    工具：videonote_rapid_transcript_review.py

    處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目

    產出：rapid_transcript_review_report.json（產出檔案）

    耗時：39.8 秒

    關係：依序執行

    結果：完成

  5. 3. 建立句子單元

    工具：videonote-build-sentence-units

    處理：將逐字稿切成帶時間軸的句子單元

    產出：sentence_units.json（句子單元）

    耗時：0.8 秒

    關係：依序執行

    結果：完成

  6. 4. 句子密度平衡

    工具：videonote_balance_sentence_units.py

    處理：平衡句子長度與密度

    產出：sentence_units.json（句子單元）

    耗時：0.9 秒

    關係：依序執行

    結果：完成

  7. 5. 時間軸稽核

    工具：videonote_timeline_audit.py

    處理：檢查時間軸與音訊對齊

    產出：timeline_audit_report.json（時間軸稽核）

    耗時：0.9 秒

    關係：依序執行

    結果：完成

  8. 6. 品質檢查

    工具：videonote_controlled_quality.py（檢查時間軸與品質）

    處理：檢查語言、時間軸與可讀性品質

    產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）

    耗時：0.9 秒

    關係：依序執行

    結果：完成

  9. 7. 播放時間軸回填

    工具：videonote_rebase_display_timeline.py

    處理：將網頁播放時間軸回填為校正字幕時間

    產出：display_timeline_rebase_report.json（時間軸回填報告）

    耗時：0.9 秒

    關係：依序執行

    結果：完成

  10. 8. 逐字稿交叉檢查

    工具：videonote_cross_check_transcript.py

    處理：交叉檢查逐字稿與來源字幕

    產出：transcript_crosscheck_report.json（交叉檢查）

    耗時：1.0 秒

    關係：依序執行

    結果：完成

  11. 9. 來源句整理

    工具：videonote_prepare_source_entries.py

    處理：整理來源句子供時間軸與頁面使用

    產出：sentence_units.json（句子單元）

    耗時：1.0 秒

    關係：依序執行

    結果：完成

  12. 10. 生成筆記摘要

    工具：videonote-generate-note（生成筆記摘要）

    處理：生成筆記摘要與重點

    產出：note.md（筆記 Markdown）、note.html（筆記 HTML）

    耗時：98.0 秒

    關係：依序執行

    結果：完成

  13. 11. 建立筆記頁面

    工具：videonote-render-html（產生筆記 HTML）

    處理：產生可閱讀的筆記 HTML 頁面

    產出：note.html（筆記 HTML）

    耗時：0.1 秒

    關係：依序執行

    結果：完成

  14. 12. 發布公開頁面

    工具：videonote-publish（發布公開頁面）

    處理：發布到公開網站與每日列表

    產出：公開筆記網址、result.json（管線結果）

    耗時：0.2 秒

    關係：依序執行

    結果：完成

手動來源字幕

自動來源字幕

Whisper 字幕

Qwen 字幕

Parakeet 字幕

MOSS 字幕

聲學時間證據（PyAnnote / WhisperX）

校正前後逐字稿

目前待解決問題與初步改善方向

進一步精進字幕與筆記
使用 Workbench 上傳校正字幕、中文參考稿或回饋 SRT，重新產生雙語與學習單元。
開啟 Workbench