# 影片筆記：OpenAI 徹底完了！Google 秘密武器 Gemini 4 意外洩漏：這性能簡直是外星科技！😱💥


<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->
## ⚠️ 可先使用，仍有待修正項目

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

- 待修正：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

## 一句話總結

影片深入剖析了 Google 尚未發布的 **Gemini 4** 在公開領域引發的「洩露」現象，指出 Arena 平台上出現的匿名模型表現出與標籤不符的高推理能力，並流傳了包含超越競爭對手性能與極低價格的「成績單」；影片強調這些數據缺乏可復現性與完整證據鏈，區分了「專案存在」的事實與「具體規格」的傳聞，並指出 AI 競爭正轉向測試時計算、生態整合與成本戰爭的新階段。

## 核心重點

1.  **Arena 平台的異常現象**：
    *   Arena 平台出現一個掛著 **Gemini 3.8 Flash** 名號的匿名模型。
    *   該模型在處理複雜任務（如生成精細 SVG、3D 場景、遊戲模擬）時，表現出與 Flash 定位不符的高推理能力，例如長時間沉默後一次性輸出數千行代碼，行為特徵更像後台規劃而非即時續寫。
    *   社區流傳複雜案例（像素風寶馬 M4、帶晝夜切換的三維場景等），引發這是 Gemini 4 檢查點洩露還是現有模型變體的疑問。

2.  **流傳成績單與商業衝擊**：
    *   流傳的「成績單」宣稱 **Gemini 4 Pro** 在多個基準測試中超越 **Astra** 和 **Fable**，並具備極低價格（每百萬輸入 Token 2.25 美元，輸出 11.25 美元）。
    *   若屬實，將對競爭對手的商業模式構成打擊。
    *   **證據缺陷**：未公開完整提示詞、樣本數量、重複運行結果、評測環境及原始日誌，無法重做考試，精確到小數點的數字製造了虛假的確定感。

3.  **技術細節與規格傳聞**：
    *   傳聞規格包括：輸入上限 1,000 萬 Token，輸出上限 25.6 萬 Token，具備永久跨會話記憶、直接聯網、惡意代碼隔離環境及原生機器人電機控制能力。
    *   證據來源單一，主要基於一張自稱來自 Google DeepMind 內部終端的截圖，缺乏認證請求記錄、公開模型卡或獨立團隊復現。
    *   長上下文與輸出的現實意義在於帶來首 Token 等待、注意力計算、緩存容量和帳單壓力，長輸出增加局部錯誤累積概率。

4.  **RSI（遞歸自我改進）與 Dream RSI 論文**：
    *   傳聞稱 Gemini 4 因 DeepMind 閉合 RSI 循環而提前完成預訓練，實現能力跳升。
    *   **Dream RSI 論文事實**：解決智能體在長程探索中如何減少重複彎路，將過去探索過程保存為「歷史樹」，構建低成本回放環境，智能體在回放環境中嘗試不同策略，篩選後再回到真實任務。
    *   **關鍵區別**：改進的是「探索政策」（策略層），而非「底層大模型的全部權重」，並未實現「AI 第二天智力翻倍」或「自我複製」。

5.  **競爭格局與 Google 的戰略優勢**：
    *   Google 擁有 TPU、數據中心、搜索、Chrome、Android、Workspace 及大規模用戶反饋，能夠將訓練、推理、工具、歷史回放與產品分發接軌，具備主動發起價格戰的條件。
    *   競爭對手如 Astra（高強度推理和代理執行能力）和 Fable（面向複雜工作流的可靠性）各有優勢。
    *   Arena 盲測讓真實用戶暴露失敗，針對失敗改進系統，這種開發方式可能成為 Google 後訓練的重要部分。

6.  **結論與事實核對**：
    *   **已確認事實**：Gemini 4 專案存在，Google 進行規模空前的預訓練；Gemini 3.8 Flash 已發布；Google 公開研究長程代理循環和低成本自我改進策略。
    *   **有觀察支撐**：Arena 中存在能力與標籤不匹配的模型，複雜案例顯示高推理預算投入，可能屬於內部檢查點或特殊配置。
    *   **仍缺證據**：模型確為 Gemini 4 Pro、四項跑分全面領先、價格僅為對手 1/4、支持 1,000 萬上下文、永久記憶、機器人控制及 RSI 底層自我進化。
    *   正式模型卡需回答四個問題：成績能否復現、長任務能否穩定、單位成本能否成立、RSI 到底改進了哪一層。

## 詳細大綱

### I. 異常現象：Arena 中的匿名模型
*   **身份混淆**：Arena 平台出現一個使用已發布名稱 **Gemini 3.8 Flash** 的匿名模型。
*   **行為反常**：
    *   面對複雜指令（如用原始 SVG 代碼繪製 PlayStation 5），模型未即時回應，而是沉默約 10 分鐘。
    *   隨後一次性輸出數千行代碼，包含曲線、陰影、光區、空間關係等細節。
    *   行為特徵不像即時續寫，更像後台規劃、執行檢查後提交成品。
*   **案例升級**：社區流傳像素風寶馬 M4、帶晝夜切換的三維場景、空客 H145 直升機、可交互飛行模擬等複雜案例。
*   **核心疑問**：這是 Gemini 4 的檢查點洩露，還是現有模型的高思考配置或代理框架變體？

### II. 流傳成績單與商業衝擊
*   **成績單內容**：宣稱 **Gemini 4 Pro** 在以下基準測試中領先：
    *   Deepseek 1.1：88.7%（超過 Astra 的 86.9%）
    *   GDP Vol AAVR：2,064 億樓
    *   Terminalbench 2.1：95.3%
    *   Osworld 2.0：86.8%
*   **能力主張**：不僅擅長網頁生成，還在編程、智能體、知識工作和電腦操作上全面領先。
*   **價格傳聞**：每百萬輸入 Token 2.25 美元，輸出 11.25 美元。
    *   高於 Gemini 3.8 Flash，但遠低於 Astra 和 Fable 的前沿檔位。
    *   若屬實，將對競爭對手的商業模式構成打擊。
*   **證據缺陷**：
    *   未公開完整提示詞、樣本數量、重複運行結果、評測環境及原始日誌。
    *   無法重做考試，精確到小數點的數字製造了虛假的確定感。
    *   視覺演示與跑分表之間缺乏公開證據連接，未形成閉環。

### III. 技術細節與規格傳聞
*   **規格傳聞**：
    *   輸入上限 1,000 萬 Token，輸出上限 25.6 萬 Token。
    *   具備永久跨會話記憶、直接聯網、惡意代碼隔離環境。
    *   原生機器人電機控制能力。
*   **證據來源單一**：主要基於一張自稱來自 Google DeepMind 內部終端的截圖，缺乏認證請求記錄、公開模型卡或獨立團隊復現。
*   **長上下文與輸出的現實意義**：
    *   接收大量數據不等於有效使用；長上下文帶來首 Token 等待、注意力計算、緩存容量和帳單壓力。
    *   長輸出增加局部錯誤累積概率，除非系統具備持續編譯、執行回歸測試和修復能力，否則僅是產量展示而非工程能力。

### IV. RSI（遞歸自我改進）與 Dream RSI 論文
*   **RSI 傳聞**：聲稱 Gemini 4 因 DeepMind 閉合 RSI 循環而提前完成預訓練，實現能力跳升。
*   **Dream RSI 論文事實**：
    *   解決智能體在長程探索中如何減少重複彎路。
    *   將過去探索過程保存為「歷史樹」，構建低成本回放環境。
    *   智能體在回放環境中嘗試不同策略，篩選後再回到真實任務。
    *   **關鍵區別**：改進的是「探索政策」（策略層），而非「底層大模型的全部權重」。
    *   並未實現大眾想象中的「AI 第二天智力翻倍」或「自我複製」，而是優化搜索空間中的路線選擇。

### V. 競爭格局與 Google 的戰略優勢
*   **Google 的基礎設施優勢**：
    *   擁有 TPU、數據中心、搜索、Chrome、Android、Workspace 及大規模用戶反饋。
    *   能夠將訓練、推理、工具、歷史回放與產品分發接軌。
    *   具備主動發起價格戰的條件（自研芯片與系統優化降低單位智能成本）。
*   **競爭對手的優勢**：
    *   Astra：高強度推理和代理執行能力。
    *   Fable：面向複雜工作流的可靠性。
    *   前沿模型競爭是「五項全能」（能力、延遲、成本、穩定性、生態），而非百米賽跑。
*   **Arena 盲測的戰略意義**：
    *   讓真實用戶暴露失敗，針對失敗改進系統。
    *   社區免費提供刁鑽測試集，公司獲得數據，用戶獲得提前體驗，媒體獲得故事。
    *   這種開發方式可能成為 Google 後訓練的重要部分。

### VI. 結論與事實核對
*   **三層判斷結構**：
    1.  **已確認事實**：Gemini 4 專案存在，Google 進行規模空前的預訓練；Gemini 3.8 Flash 已發布；Google 公開研究長程代理循環和低成本自我改進策略。
    2.  **有觀察支撐**：Arena 中存在能力與標籤不匹配的模型，複雜案例顯示高推理預算投入，可能屬於內部檢查點或特殊配置。
    3.  **仍缺證據**：模型確為 Gemini 4 Pro、四項跑分全面領先、價格僅為對手 1/4、支持 1,000 萬上下文、永久記憶、機器人控制及 RSI 底層自我進化。
*   **最終結論**：
    *   不應將第三層傳聞當作新聞事實。
    *   泄露提前暴露了下一代模型競爭方向：測試時計算增加、前端與三維生成整合、智能體保存探索歷史、價格成為關鍵武器。
    *   正式模型卡需回答四個問題：成績能否復現、長任務能否穩定、單位成本能否成立、RSI 到底改進了哪一層。
*   **事實核對清單**：
    *   屬實：Gemini 4 正在訓練、Google 稱其為最具野心預訓練任務、Gemini 3.8 Flash 已公開、Dream RSI 論文與實驗存在。
    *   未證實：Arena 異常模型即為 Gemini 4、泄露成績（88.7%、2,064 億樓等）、1,000 萬/25.6 萬 Token 規格、永久記憶與機器人控制、RSI 實現底層自我進化。

## 工具 / 模型 / 名詞整理

*   **Google / Alphabet**
*   **Gemini 4** (或 Gemini4)
*   **Gemini 4 Pro** (或 Gemini4Pro)
*   **Gemini 3.8 Flash** (或 Gemini3.8Flash)
*   **Astra** (OpenAI 模型)
*   **Fable** (Anthropic 模型)
*   **Arena** (盲測平台)
*   **Deepseek 1.1**
*   **GDP Vol AAVR**
*   **Terminalbench 2.1**
*   **Osworld 2.0**
*   **Playstation 5**
*   **寶馬 M4** (BMW M4)
*   **空客 H145** (Airbus H145)
*   **Dream RSI** (論文/研究項目)
*   **TPU** (Tensor Processing Unit)
*   **Chrome**
*   **Android**
*   **Workspace**
*   **RSI** (遞歸自我改進 Recursive Self-Improvement，影片提及之概念)

## 操作流程整理

1.  **觀察 Arena 平台異常**：
    *   注意到 Arena 平台上有匿名模型使用「Gemini 3.8 Flash」標籤。
    *   觀察到該模型在處理複雜指令（如 SVG 繪製）時，出現長時間沉默後一次性輸出大量代碼的行為，與即時續寫不同。
    *   收集社區流傳的複雜案例（像素風汽車、3D 場景、飛行模擬等）。

2.  **分析流傳成績單**：
    *   檢視宣稱來自 Gemini 4 Pro 的基準測試成績（Deepseek 1.1, GDP Vol AAVR, Terminalbench 2.1, Osworld 2.0）。
    *   比對價格傳聞（輸入 2.25 美元/百萬 Token，輸出 11.25 美元/百萬 Token）與競爭對手（Astra, Fable）的定價。
    *   檢查證據鏈完整性：確認是否公開完整提示詞、樣本數量、重複運行結果、評測環境及原始日誌。

3.  **檢視技術規格傳聞**：
    *   確認傳聞規格：輸入 1,000 萬 Token，輸出 25.6 萬 Token，永久記憶，直接聯網，機器人控制。
    *   評估證據來源：主要基於單一截圖，缺乏公開模型卡或獨立復現。
    *   評估長上下文與輸出的工程現實：考慮首 Token 等待、注意力計算、緩存容量、帳單壓力及錯誤累積風險。

4.  **解讀 RSI 與 Dream RSI 論文**：
    *   區分傳聞中的「底層自我進化」與論文中的「探索政策改進」。
    *   理解 Dream RSI 機制：保存探索過程為「歷史樹」，構建回放環境，智能體在回放中嘗試策略後回到真實任務。
    *   確認改進僅限於策略層，而非底層權重。

5.  **評估競爭格局與戰略**：
    *   分析 Google 基礎設施優勢（TPU, 數據中心, 搜索, Chrome, Android, Workspace）。
    *   比較競爭對手優勢（Astra 的推理/代理能力，Fable 的可靠性）。
    *   理解 Arena 盲測作為後訓練部分的戰略意義：暴露失敗、改進系統、獲取數據。

6.  **事實核對與結論**：
    *   區分已確認事實（Gemini 4 專案存在、3.8 Flash 發布、Dream RSI 論文存在）與未證實傳聞（具體跑分、價格、規格、機器人控制）。
    *   提出正式模型卡需回答的問題：成績復現性、長任務穩定性、單位成本成立性、RSI 改進層級。

## 值得注意的限制或風險

1.  **證據鏈缺失**：流傳的成績單與規格缺乏完整提示詞、樣本數量、重複運行結果、評測環境及原始日誌，無法重做考試，導致數據可信度低。
2.  **虛假確定感**：精確到小數點的跑分數字（如 88.7%）製造了虛假的確定感，但實際缺乏公開證據連接。
3.  **長上下文與輸出的工程挑戰**：
    *   長上下文帶來首 Token 等待、注意力計算、緩存容量和帳單壓力。
    *   長輸出增加局部錯誤累積概率，除非系統具備持續編譯、執行回歸測試和修復能力，否則僅是產量展示而非工程能力。
4.  **單一證據來源風險**：技術規格主要基於單一截圖，缺乏認證請求記錄、公開模型卡或獨立團隊復現，存在誤導風險。
5.  **RSI 概念誤解風險**：大眾可能誤解 RSI 為「底層大模型的全部權重」自我進化，而實際論文僅涉及「探索政策」的改進，需區分策略層與底層權重。
6.  **競爭對手優勢**：Astra 在高強度推理和代理執行能力上，Fable 在複雜工作流可靠性上，仍具備競爭優勢，Google 並非無敵。

## 逐字稿辨識疑點

1.  **GDP Vol AAVR**：逐字稿中出現的評測基準名稱，拼寫與常見基準（如 GPQA, HumanEval 等）不符，需查證是否為聽寫錯誤或特定內部基準。
2.  **2,064 億樓**：評測分數單位「樓」疑似聽寫錯誤，通常基準測試為百分比或原始分數，需查證正確單位。
3.  **RSI**：逐字稿中解釋為「遞歸自我改進」(Recursive Self-Improvement)，但在 DeepMind 文獻中通常指代其他概念或特定縮寫，需確認此處是否為講者口誤或特定定義。
4.  **Dream RSI**：逐字稿提及此論文名稱，需查證 DeepMind 是否確實有名為 "Dream RSI" 的公開論文，或是否為 "Dreamer" 系列與 "RSI" 概念的混合稱呼。
5.  **1