WEBVTT
Kind: captions
Language: zh

00:00:00.200 --> 00:00:02.266
谷歌还没有发布Gemini4

00:00:02.600 --> 00:00:05.766
但一份写着Gemini4的成绩单已经

00:00:05.766 --> 00:00:09.200
提前把Astra和fable按在了排行榜下面

00:00:09.333 --> 00:00:10.366
更奇怪的是

00:00:10.366 --> 00:00:12.200
真正引爆这场泄露的

00:00:12.200 --> 00:00:13.866
不是某份官方文件

00:00:13.900 --> 00:00:15.966
也不是Google高管的一句暗示

00:00:16.533 --> 00:00:18.800
而是Arena里一个挂着Gemini

00:00:18.800 --> 00:00:21.333
3.8Flash名字的匿名模型

00:00:21.500 --> 00:00:23.900
它顶着一张已经公开的旧身份证

00:00:23.933 --> 00:00:25.666
却干出了公开版本

00:00:25.766 --> 00:00:27.333
根本不像会干的事

00:00:27.566 --> 00:00:28.900
问题也就来了

00:00:29.066 --> 00:00:32.133
这到底是Gemini4不小心露出了底牌

00:00:32.666 --> 00:00:34.466
还是整个AI社区共同

00:00:34.466 --> 00:00:36.200
完成了一次大型误判

00:00:36.466 --> 00:00:38.100
先看最反常的一幕

00:00:38.200 --> 00:00:40.100
有人要求这个模型用原始

00:00:40.100 --> 00:00:42.800
SVG代码画出一台Playstation5

00:00:43.066 --> 00:00:45.400
正常的Flash模型强调速度

00:00:45.400 --> 00:00:47.700
十几秒交出一组大致像样

00:00:47.700 --> 00:00:49.900
的几何图形就算完成任务

00:00:50.166 --> 00:00:52.066
但这个模型没有马上回答

00:00:52.133 --> 00:00:54.100
它沉默了将近10分钟

00:00:54.366 --> 00:00:57.133
随后一次性吐出数千行代码

00:00:57.166 --> 00:00:59.966
把主机的曲线阴影光区

00:01:00.166 --> 00:01:02.766
细节和空间关系都做了出来

00:01:03.100 --> 00:01:04.800
他不像在即时续写

00:01:04.933 --> 00:01:08.133
更像先在后台规划执行检查

00:01:08.266 --> 00:01:09.966
再把成品端上来

00:01:10.066 --> 00:01:12.600
随后测试案例越来越夸张

00:01:13.000 --> 00:01:16.300
像素风宝塔宝马M4鹈鹕骑

00:01:16.300 --> 00:01:18.966
自行车带昼夜切换和车灯

00:01:18.966 --> 00:01:21.966
效果的三维场景空客H145

00:01:21.966 --> 00:01:25.533
直升机完整赛车游戏可交互飞行

00:01:25.533 --> 00:01:28.766
模拟全都开始在开发者社区流传

00:01:28.933 --> 00:01:30.600
这里真正值得注意的

00:01:30.600 --> 00:01:32.600
不是某一张图有多漂亮

00:01:32.966 --> 00:01:35.133
而是它能够把空间坐标

00:01:35.266 --> 00:01:38.100
视觉层级交互逻辑和长

00:01:38.100 --> 00:01:40.466
代码放在同一次生成里完成

00:01:40.533 --> 00:01:42.166
很多模型能写页面

00:01:42.166 --> 00:01:43.966
也能画简单SVG

00:01:44.100 --> 00:01:46.066
但一旦同时加入三维

00:01:46.166 --> 00:01:48.566
动画物理和复杂指令结构

00:01:48.566 --> 00:01:49.600
很容易散掉

00:01:49.600 --> 00:01:52.300
这个匿名模型最引人怀疑的地方

00:01:52.733 --> 00:01:53.900
正是它在复杂任务

00:01:53.900 --> 00:01:55.533
里表现的不像Flash

00:01:55.866 --> 00:01:57.966
Arena出现匿名检查点

00:01:57.966 --> 00:01:59.466
本来不是什么新闻

00:01:59.766 --> 00:02:02.133
这个平台的价值就在于盲测

00:02:02.700 --> 00:02:04.466
用户不知道两边是谁

00:02:04.466 --> 00:02:05.933
只看答案投票

00:02:06.400 --> 00:02:08.700
实验室也能避开品牌光环

00:02:08.700 --> 00:02:11.000
收集真实偏好Google

00:02:11.733 --> 00:02:14.166
Openai和Anthropic都可能把

00:02:14.166 --> 00:02:16.000
候选模型放进去测试

00:02:16.166 --> 00:02:17.866
真正反常的是这次

00:02:17.866 --> 00:02:19.600
模型没有使用陌生代号

00:02:19.900 --> 00:02:20.933
而是套用了已经

00:02:20.933 --> 00:02:23.400
发布的Gemini3.8Flash名称

00:02:23.666 --> 00:02:24.866
社区看到的不是

00:02:24.866 --> 00:02:26.600
一个身份空白的选手

00:02:26.733 --> 00:02:28.000
而是一个能力与

00:02:28.000 --> 00:02:30.100
身份证明显对不上的选手

00:02:30.133 --> 00:02:31.400
这给了泄露故事

00:02:31.400 --> 00:02:33.066
一个非常诱人的解释

00:02:33.500 --> 00:02:38.000
Google把Gemini4检查点藏在Gemini3.8Flash名下

00:02:38.166 --> 00:02:40.466
借Arena做公开压力测试

00:02:40.666 --> 00:02:41.866
这个解释很顺

00:02:41.866 --> 00:02:43.933
也符合大模型公司过去

00:02:43.933 --> 00:02:46.000
测试未发布模型的习惯

00:02:46.100 --> 00:02:48.466
但顺不等于已经证实

00:02:48.700 --> 00:02:50.400
Arena没有公布能够对应

00:02:50.400 --> 00:02:52.400
到Gemini4的后台标示

00:02:52.966 --> 00:02:54.333
Google也没有承认这个

00:02:54.333 --> 00:02:56.333
测试席位属于Gemini4

00:02:56.666 --> 00:02:58.566
开发者看到的是输出差异

00:02:58.766 --> 00:03:00.966
再从输出差异倒推身份

00:03:01.333 --> 00:03:02.900
它是一条合理线索

00:03:03.000 --> 00:03:04.733
却不是完整证据链

00:03:04.866 --> 00:03:06.666
如果故事只停在这里

00:03:06.800 --> 00:03:09.333
最多只能叫疑似内部模型曝光

00:03:09.533 --> 00:03:11.333
真正让它冲上热搜的

00:03:11.333 --> 00:03:13.900
是随后流传出来的一张跑分表

00:03:13.900 --> 00:03:15.100
这张表宣称

00:03:15.333 --> 00:03:20.700
Gemini4Pro在Deepseek1.1上达到88.7%

00:03:21.066 --> 00:03:23.533
超过Astra的86.9%

00:03:23.600 --> 00:03:28.466
在GDP Vol AAVR上达到2,064亿楼

00:03:28.933 --> 00:03:32.566
Terminalbench 2.1达到95.3%

00:03:32.933 --> 00:03:36.100
Osworld 2.0达到86.8%

00:03:36.200 --> 00:03:39.666
四项分别考察长程软件工程真实

00:03:39.666 --> 00:03:43.000
知识工作终端操作和计算机使用

00:03:43.400 --> 00:03:44.266
换句话说

00:03:44.266 --> 00:03:46.800
他宣称自己不是只会做漂亮网页

00:03:46.933 --> 00:03:49.533
而是在编程智能体知识

00:03:49.533 --> 00:03:52.200
工作和电脑操作上同时领先

00:03:52.333 --> 00:03:54.133
如果这些数字是真的

00:03:54.400 --> 00:03:55.766
冲击确实很大

00:03:55.966 --> 00:03:58.966
astral和fable代表的不是上一代模型

00:03:59.466 --> 00:04:02.366
而是Openai与Anthropic刚刚摆上

00:04:02.366 --> 00:04:05.200
桌的前沿产品Gemini4若能在

00:04:05.200 --> 00:04:07.166
同一轮测试中完成横扫

00:04:07.366 --> 00:04:09.166
意味着Google不是追上

00:04:09.600 --> 00:04:12.100
而是试图跨过整个竞争梯队

00:04:12.166 --> 00:04:13.733
更狠的是价格传闻

00:04:13.933 --> 00:04:16.600
每百万输入TOKEN2.25美元

00:04:16.800 --> 00:04:18.566
输出11.25美元

00:04:18.666 --> 00:04:21.000
这个价格高于Gemini3.8Flash

00:04:21.166 --> 00:04:23.366
却只有Astra和fable前沿

00:04:23.366 --> 00:04:24.566
档位的一小部分

00:04:24.933 --> 00:04:26.966
能力领先再叠加价格下压

00:04:26.966 --> 00:04:28.600
打击的不只是排行榜

00:04:28.600 --> 00:04:30.366
而是对手的商业模型

00:04:30.466 --> 00:04:32.300
但这里必须踩一脚刹车

00:04:32.733 --> 00:04:35.366
流传的跑分表没有公开完整提示词

00:04:35.600 --> 00:04:36.933
没有样本数量

00:04:37.000 --> 00:04:38.566
没有重复运行结果

00:04:38.600 --> 00:04:39.800
没有评测环境

00:04:40.200 --> 00:04:41.533
也没有原始日志

00:04:41.733 --> 00:04:44.300
社区能够看到一张设计完整的表

00:04:44.300 --> 00:04:46.300
却无法重做这场考试

00:04:46.400 --> 00:04:48.966
大模型跑分对提示词工具

00:04:48.966 --> 00:04:51.800
权限思考预算代理框架和

00:04:51.800 --> 00:04:53.733
采样设置都极其敏感

00:04:53.800 --> 00:04:55.166
即使模型相同

00:04:55.400 --> 00:04:57.066
给他更多测试时间

00:04:57.166 --> 00:04:58.266
更强工具

00:04:58.333 --> 00:05:00.100
或者更高TOKEN预算

00:05:00.300 --> 00:05:01.966
成绩也会明显变化

00:05:02.133 --> 00:05:03.533
没有评测细节

00:05:04.133 --> 00:05:06.466
精确到小数点后的数字反而

00:05:06.466 --> 00:05:09.000
容易制造一种并不存在的确定感

00:05:09.066 --> 00:05:11.133
还有一个容易被忽略的问题

00:05:11.400 --> 00:05:14.300
Arena里的视觉演示与那张跑分表

00:05:14.300 --> 00:05:16.766
之间没有被公开证据连起来

00:05:16.900 --> 00:05:19.600
做出精致PS5的模型是否

00:05:19.600 --> 00:05:22.400
就是表里88.7%的模型

00:05:22.666 --> 00:05:25.933
所谓后台规格是否来自同一检查点

00:05:25.966 --> 00:05:27.700
几个泄露账号引用的

00:05:27.700 --> 00:05:29.500
是不是同一个最初来源

00:05:30.166 --> 00:05:31.466
目前都没有闭环

00:05:31.766 --> 00:05:34.533
互联网上常见的做法是把三个

00:05:34.533 --> 00:05:37.600
来源不同的碎片拼成一台完整机器

00:05:37.666 --> 00:05:39.766
一组用户演示证明能力

00:05:39.800 --> 00:05:41.900
一张匿名表证明跑分

00:05:41.966 --> 00:05:44.300
一张终端截图证明规格

00:05:44.600 --> 00:05:45.733
听起来很震撼

00:05:46.266 --> 00:05:47.100
拆开以后

00:05:47.100 --> 00:05:49.266
每一块的证据等级完全不同

00:05:49.400 --> 00:05:51.600
规格泄露尤其如此

00:05:51.666 --> 00:05:54.500
传闻称Gemini4拥有1,000万TOKEN

00:05:54.500 --> 00:05:57.900
输入上限和25.6万TOKEN输出上限

00:05:58.166 --> 00:06:00.133
还带有永久跨会话记忆

00:06:00.166 --> 00:06:01.166
直接联网

00:06:01.200 --> 00:06:02.766
恶意代码隔离环境

00:06:02.866 --> 00:06:05.333
甚至原生机器人电机控制

00:06:05.466 --> 00:06:07.266
任何一项单独拿出来

00:06:07.366 --> 00:06:09.966
都足以成为产品发布会的主角

00:06:10.166 --> 00:06:12.366
可是目前支撑这些说法的

00:06:12.700 --> 00:06:14.800
主要是一张自称来自Google

00:06:14.800 --> 00:06:16.866
deep mind内部终端的截图

00:06:17.100 --> 00:06:18.900
截图的字段写的很专业

00:06:18.900 --> 00:06:21.333
但专业格式无法证明来源

00:06:21.500 --> 00:06:23.666
没有经过认证的请求记录

00:06:23.733 --> 00:06:25.266
没有公开模型卡

00:06:25.333 --> 00:06:27.533
也没有第二个独立团队复现

00:06:37.533 --> 00:06:40.200
因为Gemini4本身并不是虚构项目

00:06:40.400 --> 00:06:42.000
2026年7月

00:06:42.200 --> 00:06:44.533
桑达尔皮查伊在Alphabet第二

00:06:44.533 --> 00:06:46.966
季度财报电话会上明确表示

00:06:47.366 --> 00:06:49.300
Google已经启动公司迄今

00:06:49.300 --> 00:06:51.333
最具野心的预训练任务

00:06:51.400 --> 00:06:53.166
目标就是Gemini4

00:06:53.200 --> 00:06:55.866
这个事实把整场猜测从凭空

00:06:55.866 --> 00:06:59.000
想象推到了项目真实存在

00:06:59.100 --> 00:07:01.166
但泄露身份不明的位置

00:07:01.366 --> 00:07:02.866
Google也确实有压力

00:07:03.333 --> 00:07:05.666
Gemini3.8Flash已经公开

00:07:05.700 --> 00:07:08.700
定位是低成本高速度的工作模型

00:07:08.966 --> 00:07:12.600
官方定价是每百万输入TOKEN0.75美元

00:07:12.800 --> 00:07:14.500
输出3.75美元

00:07:14.800 --> 00:07:16.366
它在编程和智能体

00:07:16.366 --> 00:07:18.100
任务上比前代更强

00:07:18.100 --> 00:07:19.566
还会在复杂任务上

00:07:19.566 --> 00:07:21.400
执行更长的推理循环

00:07:21.500 --> 00:07:23.666
但Flash终究是效率党

00:07:23.900 --> 00:07:25.866
Google需要一个真正站在

00:07:25.866 --> 00:07:28.133
前沿最高位的Pro模型

00:07:28.266 --> 00:07:31.300
去回答Astra和fable带来的竞争

00:07:31.666 --> 00:07:33.366
这也是匿名模型花10分钟

00:07:33.366 --> 00:07:35.733
生成SVG为什么引起怀疑

00:07:36.066 --> 00:07:37.566
它可能是Gemini4

00:07:37.566 --> 00:07:41.066
也可能只是Gemini3.8Flash的高思考配置

00:07:41.300 --> 00:07:42.866
或者一个接入了更复杂

00:07:42.866 --> 00:07:44.566
代理框架的内部变体

00:07:44.933 --> 00:07:46.766
长时间沉默只能说明系统

00:07:46.766 --> 00:07:49.066
愿意投入更多测试时计算

00:07:49.133 --> 00:07:51.600
不能单独证明底层模型换代

00:07:52.566 --> 00:07:54.100
今天的模型能力已经

00:07:54.100 --> 00:07:56.200
不再只由模型权重决定

00:07:56.466 --> 00:08:00.666
外面的脚手架工具验证器执行

00:08:00.666 --> 00:08:04.066
环境和思考预算同样会改变结果

00:08:04.100 --> 00:08:05.566
这一点非常关键

00:08:06.100 --> 00:08:09.366
行业过去喜欢用参数规模解释能力

00:08:09.400 --> 00:08:11.500
后来用训练算力解释

00:08:11.900 --> 00:08:14.500
现在又开始用推理阶段投入解释

00:08:14.666 --> 00:08:16.366
一个模型先写方案

00:08:16.366 --> 00:08:18.000
再调用工具执行

00:08:18.000 --> 00:08:19.200
再检查结果

00:08:19.200 --> 00:08:20.366
再修正错误

00:08:20.366 --> 00:08:21.800
最终输出当然会比

00:08:21.800 --> 00:08:23.500
一次性生成更完整

00:08:23.933 --> 00:08:25.266
但这不等于模型在

00:08:25.266 --> 00:08:27.266
几分钟内学会了新能力

00:08:27.366 --> 00:08:29.100
它可能只是把更多计算

00:08:29.100 --> 00:08:30.900
花在了同一个问题上

00:08:30.933 --> 00:08:32.866
随后被卷进故事的RSI

00:08:32.966 --> 00:08:35.766
让这场泄露又多了一层科幻色彩

00:08:36.066 --> 00:08:38.300
RSI指递归自我改进

00:08:39.066 --> 00:08:40.566
最激进的理解是

00:08:40.566 --> 00:08:42.100
AI能够改进自己

00:08:42.100 --> 00:08:44.666
再由改进后的版本继续改进

00:08:44.966 --> 00:08:47.800
最终让能力增长速度越来越快

00:08:47.966 --> 00:08:48.933
传闻声称

00:08:48.933 --> 00:08:51.333
Gemini4之所以表现突然跳升

00:08:51.600 --> 00:08:53.866
甚至可能提前完成预训练

00:08:54.266 --> 00:08:55.866
是因为deep mind在训练

00:08:55.866 --> 00:08:57.800
中闭合了RSI循环

00:08:58.066 --> 00:09:00.933
这个说法听起来能解释所有异常

00:09:01.300 --> 00:09:04.266
但公开证据并不支持这么大的结论

00:09:04.500 --> 00:09:06.500
Google参与的dream RSI

00:09:06.500 --> 00:09:08.400
研究确实已经公开

00:09:08.600 --> 00:09:11.466
它解决的问题是智能体在长程

00:09:11.466 --> 00:09:14.100
探索中如何少走重复的弯路

00:09:14.566 --> 00:09:16.800
传统智能体面对算法设计

00:09:16.966 --> 00:09:19.900
数学优化或者GPU内核工程时

00:09:19.933 --> 00:09:21.566
会尝试大量方案

00:09:21.733 --> 00:09:23.700
每次都从头在线执行

00:09:24.266 --> 00:09:25.400
成本非常高

00:09:25.600 --> 00:09:27.366
而且固定的搜索策略

00:09:27.366 --> 00:09:29.366
不会随着经验自动调整

00:09:29.600 --> 00:09:32.100
dream RSI的办法是把过去的

00:09:32.100 --> 00:09:34.600
探索过程保存成一棵历史树

00:09:34.733 --> 00:09:36.066
再把这棵树变成

00:09:36.066 --> 00:09:37.800
一个低成本回放环境

00:09:38.133 --> 00:09:39.766
智能体可以在回放环境

00:09:39.766 --> 00:09:41.900
里尝试不同的探索策略

00:09:42.100 --> 00:09:43.600
先走哪条分支

00:09:43.900 --> 00:09:45.600
同时开几条路线

00:09:45.700 --> 00:09:46.933
什么时候停止

00:09:47.100 --> 00:09:48.800
失败后改去哪边

00:09:48.933 --> 00:09:51.300
因为旧分支的结果已经存在

00:09:51.466 --> 00:09:53.333
它不必每次重新调用

00:09:53.333 --> 00:09:54.966
昂贵模型和评估器

00:09:55.266 --> 00:09:56.933
筛出更好的策略后

00:09:57.200 --> 00:09:59.133
再回到真实任务中探索

00:09:59.333 --> 00:10:00.566
产生新记录

00:10:00.933 --> 00:10:02.866
继续扩充回放环境

00:10:03.100 --> 00:10:04.166
如此循环

00:10:04.333 --> 00:10:06.100
改进的是探索政策

00:10:06.300 --> 00:10:08.800
而不是底层大模型的全部权重

00:10:08.933 --> 00:10:11.800
这和大众想象中的AI重写自己

00:10:12.200 --> 00:10:13.533
第二天智力翻倍

00:10:13.533 --> 00:10:14.566
差别很大

00:10:14.800 --> 00:10:17.166
dream RSI论文明确说明

00:10:17.300 --> 00:10:20.200
底层编码智能体评估器和

00:10:20.200 --> 00:10:22.166
执行接口可以保持固定

00:10:22.300 --> 00:10:24.133
主要变化发生在负责

00:10:24.133 --> 00:10:26.466
分配探索计算的策略层

00:10:26.733 --> 00:10:27.800
它依然重要

00:10:28.333 --> 00:10:30.533
因为智能体真正昂贵的部分

00:10:30.666 --> 00:10:32.500
往往不是提出一个答案

00:10:32.866 --> 00:10:34.800
而是在巨大搜索空间里

00:10:34.800 --> 00:10:36.933
找到值得继续投入的路线

00:10:37.300 --> 00:10:39.200
dream RSI在部分任务中

00:10:39.200 --> 00:10:41.333
把调用量显著压低

00:10:41.400 --> 00:10:45.366
并在算法数学和GPU内核任务上

00:10:45.366 --> 00:10:47.800
改善了质量与成本的平衡

00:10:47.966 --> 00:10:50.166
这也解释了为什么RSI

00:10:50.200 --> 00:10:52.466
值得被放进Gemini4的讨论

00:10:52.766 --> 00:10:56.133
却不能拿来证明Gemini4已经自我进化

00:10:56.333 --> 00:10:57.800
Google的方向很清楚

00:10:58.066 --> 00:10:59.566
未来能力提升不止

00:10:59.566 --> 00:11:01.366
来自一次更大的预训练

00:11:01.566 --> 00:11:03.933
也来自模型如何使用历史

00:11:04.366 --> 00:11:05.700
安排搜索

00:11:05.733 --> 00:11:07.933
反复验证和改进工具链

00:11:08.100 --> 00:11:10.366
它更像给研究团队配上一套不会

00:11:10.366 --> 00:11:13.066
忘记试错记录的实验管理系统

00:11:13.200 --> 00:11:15.133
而不是让模型突然拥有

00:11:15.133 --> 00:11:17.333
不受控制的自我复制能力

00:11:17.500 --> 00:11:19.866
真正值得竞争对手警惕的

00:11:20.166 --> 00:11:21.566
恰恰是这套组合

00:11:21.766 --> 00:11:24.300
Google同时握着模型TPU

00:11:24.400 --> 00:11:28.133
数据中心搜索浏览器Android

00:11:28.333 --> 00:11:30.966
Workspace和大规模用户反馈

00:11:31.000 --> 00:11:32.300
单看某个基准

00:11:32.400 --> 00:11:34.766
领先2分未必能决定胜负

00:11:35.333 --> 00:11:38.133
如果同一家公司能够把训练推理

00:11:38.133 --> 00:11:41.966
工具历史回放和产品分发接在一起

00:11:42.133 --> 00:11:45.100
能力改善就可以更快进入真实使用

00:11:45.200 --> 00:11:47.000
再从真实使用回流

00:11:47.000 --> 00:11:48.666
到下一轮系统优化

00:11:48.900 --> 00:11:52.266
Openai和Anthropic当然也有自己的优势

00:11:52.866 --> 00:11:55.866
Astra的高强度推理和代理执行能力

00:11:56.066 --> 00:11:58.733
fable面向复杂工作流的可靠性

00:11:58.800 --> 00:12:01.466
都不是一张匿名表就能抹掉的

00:12:01.666 --> 00:12:02.766
前沿模型的真实

00:12:02.766 --> 00:12:04.666
竞争也不是百米赛跑

00:12:04.666 --> 00:12:06.100
而是五项全能

00:12:06.133 --> 00:12:08.533
能力延迟成本

00:12:08.600 --> 00:12:11.066
稳定性和生态缺一不可

00:12:11.066 --> 00:12:13.866
一个模型花10分钟做出惊艳网页

00:12:14.000 --> 00:12:15.966
在展示里很有冲击力

00:12:16.300 --> 00:12:17.766
放进企业流程后

00:12:17.866 --> 00:12:20.300
用户还要问它每次是否稳定

00:12:20.366 --> 00:12:21.800
失败如何恢复

00:12:22.066 --> 00:12:23.866
工具权限如何审计

00:12:23.966 --> 00:12:25.933
以及账单是否能承受

00:12:25.966 --> 00:12:27.766
这正是价格传闻如果

00:12:27.766 --> 00:12:29.900
成真会非常危险的原因

00:12:30.200 --> 00:12:32.866
前沿模型公司目前面对同一个矛盾

00:12:33.266 --> 00:12:35.733
训练和推理投入持续增加

00:12:36.066 --> 00:12:38.533
客户却希望TOKEN越来越便宜

00:12:38.600 --> 00:12:40.300
谁能用自研芯片和

00:12:40.300 --> 00:12:43.200
系统优化把单位智能成本压下去

00:12:43.766 --> 00:12:46.700
谁就能把高能力下放到更多任务里

00:12:46.900 --> 00:12:50.000
Google拥有TPU和完整云基础设施

00:12:50.466 --> 00:12:53.266
因此具备主动发起价格战的条件

00:12:53.333 --> 00:12:55.333
但所谓2.25美元和

00:12:55.333 --> 00:12:57.966
11.25美元仍然只是传闻

00:12:58.000 --> 00:13:00.300
不能提前写进Google价目表

00:13:00.566 --> 00:13:03.966
长上下文传闻也需要放回成本里看

00:13:03.966 --> 00:13:05.933
1,000万TOKEN听起来像把

00:13:05.933 --> 00:13:07.500
一个大型代码仓库

00:13:07.600 --> 00:13:09.600
几年邮件和整套公司

00:13:09.600 --> 00:13:11.400
文件一次塞进模型

00:13:11.666 --> 00:13:14.500
但能够接收不等于能够有效使用

00:13:14.600 --> 00:13:15.866
上下文越长

00:13:15.933 --> 00:13:18.333
首TOKEN等待注意力计算

00:13:18.733 --> 00:13:21.000
缓存容量和账单压力越高

00:13:21.200 --> 00:13:24.200
真正有价值的不是输入框能塞多大

00:13:24.200 --> 00:13:26.066
而是模型能否在材料

00:13:26.066 --> 00:13:27.800
中稳定找到关键约束

00:13:27.866 --> 00:13:29.400
不丢失中间信息

00:13:29.666 --> 00:13:31.966
不被互相冲突的指令带偏

00:13:32.100 --> 00:13:35.933
没有检索准确率延迟和价格

00:13:36.166 --> 00:13:38.133
单独公布一个窗口上限

00:13:38.500 --> 00:13:39.966
商业意义很有限

00:13:40.066 --> 00:13:41.766
25.6万TOKEN

00:13:42.100 --> 00:13:43.333
输出也是一样

00:13:43.333 --> 00:13:46.200
模型理论上可以一次生成整套项目

00:13:46.600 --> 00:13:49.333
用户实际需要的却不是更多代码

00:13:49.800 --> 00:13:53.100
而是能运行能测试能维护的代码

00:13:53.333 --> 00:13:54.500
输出越长

00:13:54.866 --> 00:13:57.200
局部错误累积的概率越高

00:13:57.366 --> 00:13:59.266
除非系统会持续编译

00:13:59.333 --> 00:14:01.600
执行回归测试和修复

00:14:01.900 --> 00:14:03.900
否则一次吐出几十万TOKEN

00:14:03.900 --> 00:14:05.200
更像产量展示

00:14:05.200 --> 00:14:06.933
不是软件工程能力

00:14:07.200 --> 00:14:09.133
匿名模型那些花10分钟

00:14:09.133 --> 00:14:11.300
完成的案例之所以重要

00:14:11.533 --> 00:14:14.600
正在于它似乎不只是增加输出量

00:14:14.666 --> 00:14:18.200
而是把执行和校验藏进了生成过程

00:14:18.400 --> 00:14:20.100
可惜目前只有成品

00:14:20.100 --> 00:14:21.300
没有完整轨迹

00:14:21.533 --> 00:14:24.133
基准测试同样存在版本选择问题

00:14:24.766 --> 00:14:29.066
Terminalbench Osworld和Deepseek都在快速更新

00:14:29.466 --> 00:14:31.500
新版本会修补数据污染

00:14:31.566 --> 00:14:32.766
提高任务难度

00:14:32.766 --> 00:14:34.333
也会改变工具环境

00:14:34.366 --> 00:14:36.100
把模型在某个旧版本上

00:14:36.100 --> 00:14:38.100
的成绩拿来横向比较

00:14:38.533 --> 00:14:41.600
必须确保所有对手使用同一套任务

00:14:41.700 --> 00:14:44.700
同一种脚手架和相近思考预算

00:14:44.933 --> 00:14:48.266
若Gemini测试时允许10分钟内部执行

00:14:48.400 --> 00:14:50.566
Astra和fable只用默认设置

00:14:50.800 --> 00:14:53.866
所谓领先很可能混入系统配置优势

00:14:54.266 --> 00:14:57.166
反过来如果三者都获得最大预算

00:14:57.300 --> 00:14:58.666
Google仍然领先

00:14:58.733 --> 00:15:01.000
那才是更可靠的能力信号

00:15:01.133 --> 00:15:02.733
还有数据污染风险

00:15:02.800 --> 00:15:05.200
公开基准一旦成为营销指标

00:15:05.466 --> 00:15:07.666
题目相似任务和解题

00:15:07.666 --> 00:15:10.000
模式就可能进入训练材料

00:15:10.366 --> 00:15:11.366
分数升高

00:15:11.366 --> 00:15:13.500
有时代表推理能力增强

00:15:13.566 --> 00:15:15.966
有时只是模型更熟悉考试

00:15:16.133 --> 00:15:17.800
真正能说明问题的

00:15:17.800 --> 00:15:19.966
是发布时间晚于训练截止

00:15:20.200 --> 00:15:21.733
任务过程可审计

00:15:22.000 --> 00:15:24.466
失败案例也完整公开的新测试

00:15:24.933 --> 00:15:27.733
匿名表最缺的恰恰是这些细节

00:15:27.900 --> 00:15:29.200
它给出了结果

00:15:29.466 --> 00:15:32.300
却没有给出让外界相信结果的路径

00:15:32.466 --> 00:15:34.166
不过Google并不需要在每个

00:15:34.166 --> 00:15:37.100
榜单上第一才足以改变竞争

00:15:37.300 --> 00:15:38.900
它拥有搜索和Chrome

00:15:39.000 --> 00:15:41.533
可以让模型直接接触实时网页

00:15:41.866 --> 00:15:42.766
拥有Android

00:15:42.800 --> 00:15:44.600
可以让代理进入手机

00:15:44.800 --> 00:15:45.866
拥有Workspace

00:15:46.133 --> 00:15:47.300
可以把代理放进

00:15:47.300 --> 00:15:49.500
企业文档邮件和会议

00:15:49.666 --> 00:15:51.200
拥有云与TPU

00:15:51.300 --> 00:15:52.800
可以控制推理成本

00:15:52.966 --> 00:15:55.566
Astra和fable卖的是模型能力

00:15:55.800 --> 00:15:57.866
Google有机会卖一整套默认

00:15:57.866 --> 00:16:00.100
存在于用户工作流里的能力

00:16:00.500 --> 00:16:02.700
只要Gemini4达到同一水平

00:16:02.866 --> 00:16:04.966
分发优势就会开始放大

00:16:05.000 --> 00:16:06.466
这也是机器人控制

00:16:06.466 --> 00:16:08.166
传闻为什么格外吸睛

00:16:08.866 --> 00:16:11.366
Google deep mind一直把数字智能与

00:16:11.366 --> 00:16:13.900
具身智能放在同一张路线图上

00:16:13.966 --> 00:16:15.500
如果一个统一多模态

00:16:15.500 --> 00:16:18.200
模型能看懂环境规划动作

00:16:18.300 --> 00:16:20.666
再把指令翻译成电机控制

00:16:20.866 --> 00:16:24.133
Gemini就会从聊天窗口走向物理世界

00:16:24.266 --> 00:16:27.800
但支持机器人协议和能够可靠控制

00:16:28.400 --> 00:16:31.266
机器人之间隔着感知误差

00:16:31.466 --> 00:16:34.733
安全约束实时性与硬件差异

00:16:34.866 --> 00:16:36.366
一个后台字段无法

00:16:36.366 --> 00:16:37.900
填平这些工程距离

00:16:38.000 --> 00:16:39.333
从竞争节奏看

00:16:39.400 --> 00:16:40.900
Google还有一个理由把未

00:16:40.900 --> 00:16:43.166
发布检查点放进公开盲测

00:16:43.600 --> 00:16:45.366
内部基准容易让团队

00:16:45.366 --> 00:16:47.100
围绕固定指标优化

00:16:47.200 --> 00:16:48.900
真实用户却会提出

00:16:48.900 --> 00:16:50.566
研究者想不到的任务

00:16:50.800 --> 00:16:54.066
Arena里的SVG游戏和网页挑战

00:16:54.066 --> 00:16:56.066
正好检验模型面对开放

00:16:56.066 --> 00:16:58.300
需求时能不能自己拆任务

00:16:58.700 --> 00:17:01.000
即使测试模型不是Gemini4

00:17:01.333 --> 00:17:03.533
这种测试方式也可能成为

00:17:03.533 --> 00:17:05.566
Google后训练的重要部分

00:17:06.166 --> 00:17:08.400
先让真实用户暴露失败

00:17:08.733 --> 00:17:10.800
再针对失败改进系统

00:17:10.933 --> 00:17:12.733
泄露背后真正的变量

00:17:12.733 --> 00:17:15.000
因此可能不是某个神秘参数

00:17:15.500 --> 00:17:17.166
而是产品开发方式

00:17:17.300 --> 00:17:19.400
过去模型先在实验室完成

00:17:19.400 --> 00:17:20.666
再发布给用户

00:17:20.866 --> 00:17:22.733
现在候选模型可能在匿名

00:17:22.733 --> 00:17:24.866
环境中接受公开压力测试

00:17:25.333 --> 00:17:26.700
社区一边猜身份

00:17:26.700 --> 00:17:29.166
一边免费提供最刁钻的测试集

00:17:29.400 --> 00:17:30.766
公司获得了数据

00:17:30.866 --> 00:17:32.600
用户获得了提前体验

00:17:32.733 --> 00:17:34.066
媒体获得了故事

00:17:34.333 --> 00:17:36.366
唯一缺少的是每条

00:17:36.366 --> 00:17:38.200
结论应有的证据标签

00:17:38.366 --> 00:17:40.166
还有一个判断不能回避

00:17:40.866 --> 00:17:42.533
泄露文化本身已经成为

00:17:42.533 --> 00:17:44.600
前沿模型营销的一部分

00:17:45.066 --> 00:17:46.933
公司不必正式宣布

00:17:47.133 --> 00:17:49.333
匿名测试模糊代号和

00:17:49.333 --> 00:17:51.533
社区截图就能制造关注

00:17:51.666 --> 00:17:53.766
开发者主动寻找神秘模型

00:17:54.000 --> 00:17:55.766
媒体主动拼接线索

00:17:56.166 --> 00:17:57.733
竞争对手也被迫回应

00:17:57.733 --> 00:17:59.466
一个尚未发布的产品

00:17:59.600 --> 00:18:02.500
哪怕最后证明只是高思考版Flash

00:18:02.800 --> 00:18:04.700
Google仍然获得了大量免费

00:18:04.700 --> 00:18:07.066
的能力展示和市场预热

00:18:07.133 --> 00:18:08.933
可这套玩法也有风险

00:18:09.366 --> 00:18:12.266
一旦传闻把预期抬到1,000万上下文

00:18:12.666 --> 00:18:14.500
25.6万输出

00:18:14.766 --> 00:18:17.100
全基准第一和极低价格

00:18:17.533 --> 00:18:19.333
正式产品只要少一项

00:18:19.733 --> 00:18:21.300
就会被说成缩水

00:18:21.466 --> 00:18:24.133
泄露不是只有竞争对手承受压力

00:18:24.566 --> 00:18:26.266
Google也会被社区制造

00:18:26.266 --> 00:18:28.000
的规格表反向绑架

00:18:28.400 --> 00:18:30.900
尤其当匿名跑分不可复现时

00:18:31.000 --> 00:18:33.266
用户对正式版本的评价可能

00:18:33.266 --> 00:18:35.600
不再基于它实际进步了多少

00:18:35.700 --> 00:18:37.100
而是看它有没有兑现

00:18:37.100 --> 00:18:38.900
一张来历不明的清单

00:18:38.966 --> 00:18:41.266
这件事当前最准确的结论并

00:18:41.266 --> 00:18:44.500
不是Gemini4已经碾压Astra和fable

00:18:44.733 --> 00:18:46.200
而是三层判断

00:18:46.366 --> 00:18:47.866
第一层已经确认

00:18:48.200 --> 00:18:50.166
Gemini4项目真实存在

00:18:50.366 --> 00:18:53.200
Google正在进行规模空前的预训练

00:18:53.500 --> 00:18:55.933
Gemini3.8Flash已经发布

00:18:56.133 --> 00:18:58.566
Google也在公开研究更长程的代理

00:18:58.566 --> 00:19:01.100
循环和低成本自我改进策略

00:19:01.266 --> 00:19:02.966
第二层有观察支撑

00:19:03.400 --> 00:19:05.500
Arena里确实有人遇到能力

00:19:05.500 --> 00:19:07.333
与标签不匹配的模型

00:19:07.600 --> 00:19:10.966
复杂SVG三维网页和游戏案例

00:19:11.100 --> 00:19:12.666
说明某个测试系统

00:19:12.666 --> 00:19:14.600
投入了更高的推理预算

00:19:14.900 --> 00:19:17.300
它可能属于Google的内部检查点

00:19:17.800 --> 00:19:20.566
也可能是现有模型的特殊配置

00:19:20.700 --> 00:19:22.700
第三层仍然缺证据

00:19:22.933 --> 00:19:24.800
模型就是Gemini4Pro

00:19:24.900 --> 00:19:26.966
四项跑分全面领先

00:19:27.166 --> 00:19:29.700
价格只有对手的约1/4

00:19:29.866 --> 00:19:31.600
支持1,000万上下文

00:19:31.766 --> 00:19:34.066
永久记忆和机器人控制

00:19:34.400 --> 00:19:37.766
以及RSI让它完成了底层自我进化

00:19:37.900 --> 00:19:39.500
把第三层当成新闻

00:19:39.500 --> 00:19:41.466
事实会让文章很炸

00:19:41.933 --> 00:19:44.400
把三层分开才能让判断

00:19:44.400 --> 00:19:46.600
经得住正式发布后的核对

00:19:46.600 --> 00:19:49.300
但这并不代表整场泄露没有价值

00:19:49.733 --> 00:19:50.700
恰恰相反

00:19:50.733 --> 00:19:51.800
它提前暴露了

00:19:51.800 --> 00:19:53.733
下一代模型竞争的方向

00:19:54.200 --> 00:19:57.133
第一测试时计算会继续增加

00:19:57.333 --> 00:19:59.766
模型不再追求每个问题都秒回

00:19:59.866 --> 00:20:02.400
而是按任务价值决定思考多久

00:20:02.500 --> 00:20:05.733
第二前端与三维生成正在从能写

00:20:05.733 --> 00:20:08.866
代码进入能形成完整作品第三

00:20:09.166 --> 00:20:11.500
智能体开始保存探索历史

00:20:11.600 --> 00:20:13.800
减少重复试错第四

00:20:13.800 --> 00:20:16.533
价格会成为能力之外最锋利的武器

00:20:16.900 --> 00:20:19.700
如果Gemini4最终接近流传表现

00:20:20.000 --> 00:20:22.333
Astra和fable真正面对的就

00:20:22.333 --> 00:20:23.900
不是一次跑分失利

00:20:24.100 --> 00:20:26.666
而是Google把前沿能力压进自有

00:20:26.666 --> 00:20:29.100
基础设施后发动的成本战争

00:20:29.300 --> 00:20:31.966
如果正式产品与传闻差距很大

00:20:32.000 --> 00:20:34.300
这场风波也说明了另一件事

00:20:34.733 --> 00:20:36.133
市场已经迫不及待的

00:20:36.133 --> 00:20:37.933
需要一个能把智能体

00:20:38.166 --> 00:20:39.266
长上下文

00:20:39.366 --> 00:20:42.733
视觉代码和自我改进串起来的模型

00:20:43.000 --> 00:20:44.900
需求先于产品出现

00:20:44.966 --> 00:20:46.733
才会让每张截图都像

00:20:46.733 --> 00:20:49.200
未来泄露出来的证据所以

00:20:49.666 --> 00:20:50.800
最值得等待的

00:20:50.800 --> 00:20:53.600
不是Google什么时候揭掉Arena里的伪装

00:20:53.733 --> 00:20:56.766
而是正式模型卡能否回答四个问题

00:20:56.966 --> 00:20:58.666
这些成绩能否复现

00:20:59.100 --> 00:21:00.666
长任务能否稳定

00:21:00.900 --> 00:21:02.600
单位成本能否成立

00:21:02.933 --> 00:21:05.366
所谓RSI到底改进了哪一层

00:21:05.533 --> 00:21:07.466
只有这四件事同时站住

00:21:07.800 --> 00:21:10.866
Gemini 4才算真正跨过Astra和fable

00:21:11.100 --> 00:21:13.066
否则今天被碾压的

00:21:13.066 --> 00:21:14.866
可能不是两个竞争模型

00:21:15.100 --> 00:21:17.400
而只是公众对匿名截图

00:21:17.400 --> 00:21:19.100
最后一点必要的怀疑

00:21:19.400 --> 00:21:22.666
事实核验Gemini 4正在训练属实

00:21:23.000 --> 00:21:24.800
Google称其为公司最具

00:21:24.800 --> 00:21:27.000
野心的预训练任务属实

00:21:27.366 --> 00:21:30.400
Gemini 3.8Flash已经公开属实

00:21:30.800 --> 00:21:34.333
dream RSI论文与相关实验存在属实

00:21:34.800 --> 00:21:37.366
Arena中的异常模型就是Gemini4

00:21:37.566 --> 00:21:38.533
尚未证实

00:21:38.866 --> 00:21:42.000
88.7% 2,064error

00:21:42.366 --> 00:21:46.266
95.3%和86.8%等泄露成绩

00:21:46.733 --> 00:21:49.333
尚未由Google或完整评测记录证实

00:21:49.566 --> 00:21:51.133
1,000万TOKEN输入

00:21:51.200 --> 00:21:53.266
25.6万TOKEN输出

00:21:53.333 --> 00:21:56.466
永久记忆与机器人控制尚未证实

00:21:56.733 --> 00:21:58.700
Gemini是依靠RSI实现

00:21:58.700 --> 00:22:00.300
底层模型自我进化

00:22:00.300 --> 00:22:01.400
没有公开证据