逐字稿文字預覽
谷歌还没有发布Gemini4 但一份写着Gemini4的成绩单已经 提前把Astra和fable按在了排行榜下面 更奇怪的是 真正引爆这场泄露的 不是某份官方文件 也不是Google高管的一句暗示 而是Arena里一个挂着Gemini 3.8Flash名字的匿名模型 它顶着一张已经公开的旧身份证 却干出了公开版本 根本不像会干的事 问题也就来了 这到底是Gemini4不小心露出了底牌 还是整个AI社区共同 完成了一次大型误判 先看最反常的一幕 有人要求这个模型用原始 SVG代码画出一台Playstation5 正常的Flash模型强调速度 十几秒交出一组大致像样 的几何图形就算完成任务 但这个模型没有马上回答 它沉默了将近10分钟 随后一次性吐出数千行代码 把主机的曲线阴影光区 细节和空间关系都做了出来 他不像在即时续写 更像先在后台规划执行检查 再把成品端上来 随后测试案例越来越夸张 像素风宝塔宝马M4鹈鹕骑 自行车带昼夜切换和车灯 效果的三维场景空客H145 直升机完整赛车游戏可交互飞行 模拟全都开始在开发者社区流传 这里真正值得注意的 不是某一张图有多漂亮 而是它能够把空间坐标 视觉层级交互逻辑和长 代码放在同一次生成里完成 很多模型能写页面 也能画简单SVG 但一旦同时加入三维 动画物理和复杂指令结构 很容易散掉 这个匿名模型最引人怀疑的地方 正是它在复杂任务 里表现的不像Flash Arena出现匿名检查点 本来不是什么新闻 这个平台的价值就在于盲测 用户不知道两边是谁 只看答案投票 实验室也能避开品牌光环 收集真实偏好Google Openai和Anthropic都可能把 候选模型放进去测试 真正反常的是这次 模型没有使用陌生代号 而是套用了已经 发布的Gemini3.8Flash名称 社区看到的不是 一个身份空白的选手 而是一个能力与 身份证明显对不上的选手 这给了泄露故事 一个非常诱人的解释 Google把Gemini4检查点藏在Gemini3.8Flash名下 借Arena做公开压力测试 这个解释很顺 也符合大模型公司过去 测试未发布模型的习惯 但顺不等于已经证实 Arena没有公布能够对应 到Gemini4的后台标示 Google也没有承认这个 测试席位属于Gemini4 开发者看到的是输出差异 再从输出差异倒推身份 它是一条合理线索 却不是完整证据链 如果故事只停在这里 最多只能叫疑似内部模型曝光 真正让它冲上热搜的 是随后流传出来的一张跑分表 这张表宣称 Gemini4Pro在Deepseek1.1上达到88.7% 超过Astra的86.9% 在GDP Vol AAVR上达到2,064亿楼 Terminalbench 2.1达到95.3% Osworld 2.0达到86.8% 四项分别考察长程软件工程真实 知识工作终端操作和计算机使用 换句话说 他宣称自己不是只会做漂亮网页 而是在编程智能体知识 工作和电脑操作上同时领先 如果这些数字是真的 冲击确实很大 astral和fable代表的不是上一代模型 而是Openai与Anthropic刚刚摆上 桌的前沿产品Gemini4若能在 同一轮测试中完成横扫 意味着Google不是追上 而是试图跨过整个竞争梯队 更狠的是价格传闻 每百万输入TOKEN2.25美元 输出11.25美元 这个价格高于Gemini3.8Flash 却只有Astra和fable前沿 档位的一小部分 能力领先再叠加价格下压 打击的不只是排行榜 而是对手的商业模型 但这里必须踩一脚刹车 流传的跑分表没有公开完整提示词 没有样本数量 没有重复运行结果 没有评测环境 也没有原始日志 社区能够看到一张设计完整的表 却无法重做这场考试 大模型跑分对提示词工具 权限思考预算代理框架和 采样设置都极其敏感 即使模型相同 给他更多测试时间 更强工具 或者更高TOKEN预算 成绩也会明显变化 没有评测细节 精确到小数点后的数字反而 容易制造一种并不存在的确定感 还有一个容易被忽略的问题 Arena里的视觉演示与那张跑分表 之间没有被公开证据连起来 做出精致PS5的模型是否 就是表里88.7%的模型 所谓后台规格是否来自同一检查点 几个泄露账号引用的 是不是同一个最初来源 目前都没有闭环 互联网上常见的做法是把三个 来源不同的碎片拼成一台完整机器 一组用户演示证明能力 一张匿名表证明跑分 一张终端截图证明规格 听起来很震撼 拆开以后 每一块的证据等级完全不同 规格泄露尤其如此 传闻称Gemini4拥有1,000万TOKEN 输入上限和25.6万TOKEN输出上限 还带有永久跨会话记忆 直接联网 恶意代码隔离环境 甚至原生机器人电机控制 任何一项单独拿出来 都足以成为产品发布会的主角 可是目前支撑这些说法的 主要是一张自称来自Google deep mind内部终端的截图 截图的字段写的很专业 但专业格式无法证明来源 没有经过认证的请求记录 没有公开模型卡 也没有第二个独立团队复现 因为Gemini4本身并不是虚构项目 2026年7月 桑达尔皮查伊在Alphabet第二 季度财报电话会上明确表示 Google已经启动公司迄今 最具野心的预训练任务 目标就是Gemini4 这个事实把整场猜测从凭空 想象推到了项目真实存在 但泄露身份不明的位置 Google也确实有压力 Gemini3.8Flash已经公开 定位是低成本高速度的工作模型 官方定价是每百万输入TOKEN0.75美元 输出3.75美元 它在编程和智能体 任务上比前代更强 还会在复杂任务上 执行更长的推理循环 但Flash终究是效率党 Google需要一个真正站在 前沿最高位的Pro模型 去回答Astra和fable带来的竞争 这也是匿名模型花10分钟 生成SVG为什么引起怀疑 它可能是Gemini4 也可能只是Gemini3.8Flash的高思考配置 或者一个接入了更复杂 代理框架的内部变体 长时间沉默只能说明系统 愿意投入更多测试时计算 不能单独证明底层模型换代 今天的模型能力已经 不再只由模型权重决定 外面的脚手架工具验证器执行 环境和思考预算同样会改变结果 这一点非常关键 行业过去喜欢用参数规模解释能力 后来用训练算力解释 现在又开始用推理阶段投入解释 一个模型先写方案 再调用工具执行 再检查结果 再修正错误 最终输出当然会比 一次性生成更完整 但这不等于模型在 几分钟内学会了新能力 它可能只是把更多计算 花在了同一个问题上 随后被卷进故事的RSI 让这场泄露又多了一层科幻色彩 RSI指递归自我改进 最激进的理解是 AI能够改进自己 再由改进后的版本继续改进 最终让能力增长速度越来越快 传闻声称 Gemini4之所以表现突然跳升 甚至可能提前完成预训练 是因为deep mind在训练 中闭合了RSI循环 这个说法听起来能解释所有异常 但公开证据并不支持这么大的结论 Google参与的dream RSI 研究确实已经公开 它解决的问题是智能体在长程 探索中如何少走重复的弯路 传统智能体面对算法设计 数学优化或者GPU内核工程时 会尝试大量方案 每次都从头在线执行 成本非常高 而且固定的搜索策略 不会随着经验自动调整 dream RSI的办法是把过去的 探索过程保存成一棵历史树 再把这棵树变成 一个低成本回放环境 智能体可以在回放环境 里尝试不同的探索策略 先走哪条分支 同时开几条路线 什么时候停止 失败后改去哪边 因为旧分支的结果已经存在 它不必每次重新调用 昂贵模型和评估器 筛出更好的策略后 再回到真实任务中探索 产生新记录 继续扩充回放环境 如此循环 改进的是探索政策 而不是底层大模型的全部权重 这和大众想象中的AI重写自己 第二天智力翻倍 差别很大 dream RSI论文明确说明 底层编码智能体评估器和 执行接口可以保持固定 主要变化发生在负责 分配探索计算的策略层 它依然重要 因为智能体真正昂贵的部分 往往不是提出一个答案 而是在巨大搜索空间里 找到值得继续投入的路线 dream RSI在部分任务中 把调用量显著压低 并在算法数学和GPU内核任务上 改善了质量与成本的平衡 这也解释了为什么RSI 值得被放进Gemini4的讨论 却不能拿来证明Gemini4已经自我进化 Google的方向很清楚 未来能力提升不止 来自一次更大的预训练 也来自模型如何使用历史 安排搜索 反复验证和改进工具链 它更像给研究团队配上一套不会 忘记试错记录的实验管理系统 而不是让模型突然拥有 不受控制的自我复制能力 真正值得竞争对手警惕的 恰恰是这套组合 Google同时握着模型TPU 数据中心搜索浏览器Android Workspace和大规模用户反馈 单看某个基准 领先2分未必能决定胜负 如果同一家公司能够把训练推理 工具历史回放和产品分发接在一起 能力改善就可以更快进入真实使用 再从真实使用回流 到下一轮系统优化 Openai和Anthropic当然也有自己的优势 Astra的高强度推理和代理执行能力 fable面向复杂工作流的可靠性 都不是一张匿名表就能抹掉的 前沿模型的真实 竞争也不是百米赛跑 而是五项全能 能力延迟成本 稳定性和生态缺一不可 一个模型花10分钟做出惊艳网页 在展示里很有冲击力 放进企业流程后 用户还要问它每次是否稳定 失败如何恢复 工具权限如何审计 以及账单是否能承受 这正是价格传闻如果 成真会非常危险的原因 前沿模型公司目前面对同一个矛盾 训练和推理投入持续增加 客户却希望TOKEN越来越便宜 谁能用自研芯片和 系统优化把单位智能成本压下去 谁就能把高能力下放到更多任务里 Google拥有TPU和完整云基础设施 因此具备主动发起价格战的条件 但所谓2.25美元和 11.25美元仍然只是传闻 不能提前写进Google价目表 长上下文传闻也需要放回成本里看 1,000万TOKEN听起来像把 一个大型代码仓库 几年邮件和整套公司 文件一次塞进模型 但能够接收不等于能够有效使用 上下文越长 首TOKEN等待注意力计算 缓存容量和账单压力越高 真正有价值的不是输入框能塞多大 而是模型能否在材料 中稳定找到关键约束 不丢失中间信息 不被互相冲突的指令带偏 没有检索准确率延迟和价格 单独公布一个窗口上限 商业意义很有限 25.6万TOKEN 输出也是一样 模型理论上可以一次生成整套项目 用户实际需要的却不是更多代码 而是能运行能测试能维护的代码 输出越长 局部错误累积的概率越高 除非系统会持续编译 执行回归测试和修复 否则一次吐出几十万TOKEN 更像产量展示 不是软件工程能力 匿名模型那些花10分钟 完成的案例之所以重要 正在于它似乎不只是增加输出量 而是把执行和校验藏进了生成过程 可惜目前只有成品 没有完整轨迹 基准测试同样存在版本选择问题 Terminalbench Osworld和Deepseek都在快速更新 新版本会修补数据污染 提高任务难度 也会改变工具环境 把模型在某个旧版本上 的成绩拿来横向比较 必须确保所有对手使用同一套任务 同一种脚手架和相近思考预算 若Gemini测试时允许10分钟内部执行 Astra和fable只用默认设置 所谓领先很可能混入系统配置优势 反过来如果三者都获得最大预算 Google仍然领先 那才是更可靠的能力信号 还有数据污染风险 公开基准一旦成为营销指标 题目相似任务和解题 模式就可能进入训练材料 分数升高 有时代表推理能力增强 有时只是模型更熟悉考试 真正能说明问题的 是发布时间晚于训练截止 任务过程可审计 失败案例也完整公开的新测试 匿名表最缺的恰恰是这些细节 它给出了结果 却没有给出让外界相信结果的路径 不过Google并不需要在每个 榜单上第一才足以改变竞争 它拥有搜索和Chrome 可以让模型直接接触实时网页 拥有Android 可以让代理进入手机 拥有Workspace 可以把代理放进 企业文档邮件和会议 拥有云与TPU 可以控制推理成本 Astra和fable卖的是模型能力 Google有机会卖一整套默认 存在于用户工作流里的能力 只要Gemini4达到同一水平 分发优势就会开始放大 这也是机器人控制 传闻为什么格外吸睛 Google deep mind一直把数字智能与 具身智能放在同一张路线图上 如果一个统一多模态 模型能看懂环境规划动作 再把指令翻译成电机控制 Gemini就会从聊天窗口走向物理世界 但支持机器人协议和能够可靠控制 机器人之间隔着感知误差 安全约束实时性与硬件差异 一个后台字段无法 填平这些工程距离 从竞争节奏看 Google还有一个理由把未 发布检查点放进公开盲测 内部基准容易让团队 围绕固定指标优化 真实用户却会提出 研究者想不到的任务 Arena里的SVG游戏和网页挑战 正好检验模型面对开放 需求时能不能自己拆任务 即使测试模型不是Gemini4 这种测试方式也可能成为 Google后训练的重要部分 先让真实用户暴露失败 再针对失败改进系统 泄露背后真正的变量 因此可能不是某个神秘参数 而是产品开发方式 过去模型先在实验室完成 再发布给用户 现在候选模型可能在匿名 环境中接受公开压力测试 社区一边猜身份 一边免费提供最刁钻的测试集 公司获得了数据 用户获得了提前体验 媒体获得了故事 唯一缺少的是每条 结论应有的证据标签 还有一个判断不能回避 泄露文化本身已经成为 前沿模型营销的一部分 公司不必正式宣布 匿名测试模糊代号和 社区截图就能制造关注 开发者主动寻找神秘模型 媒体主动拼接线索 竞争对手也被迫回应 一个尚未发布的产品 哪怕最后证明只是高思考版Flash Google仍然获得了大量免费 的能力展示和市场预热 可这套玩法也有风险 一旦传闻把预期抬到1,000万上下文 25.6万输出 全基准第一和极低价格 正式产品只要少一项 就会被说成缩水 泄露不是只有竞争对手承受压力 Google也会被社区制造 的规格表反向绑架 尤其当匿名跑分不可复现时 用户对正式版本的评价可能 不再基于它实际进步了多少 而是看它有没有兑现 一张来历不明的清单 这件事当前最准确的结论并 不是Gemini4已经碾压Astra和fable 而是三层判断 第一层已经确认 Gemini4项目真实存在 Google正在进行规模空前的预训练 Gemini3.8Flash已经发布 Google也在公开研究更长程的代理 循环和低成本自我改进策略 第二层有观察
本次執行流程與問題處理
下達指令
預期流程
- 採用來源字幕（略過語音辨識）
- 來源選擇與品質檢查
- 文字校正與句子單元
- 筆記與發布
- 公開網頁發布
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：15.4 秒
關係：依序執行
結果：完成
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：48.3 秒
關係：依序執行
結果：完成
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：0.4 秒
關係：依序執行
結果：完成
4. 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：0.4 秒
關係：依序執行
結果：完成
5. 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：0.5 秒
關係：依序執行
結果：完成
6. 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：0.5 秒
關係：依序執行
結果：完成
7. 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：0.5 秒
關係：依序執行
結果：完成
8. 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：140.3 秒
關係：依序執行
結果：完成
9. 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：0.4 秒
關係：依序執行
結果：完成
10. 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：0.5 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
- 尚未產生
Qwen 字幕
- 尚未產生
Parakeet 字幕
- 尚未產生
MOSS 字幕
- 尚未產生
聲學時間證據（PyAnnote / WhisperX）
- 尚未產生
校正前後逐字稿
- 校正前 transcript.source.json 純文字 JSON
- 校正後 transcript.json 純文字 JSON
目前待解決問題與初步改善方向
- 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。；RAPID_REVIEW_STATUS=REVIEW_REQUIRED_INVALID_OUTPUT
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。
- 音訊下載不穩定，需更新 cookies / PO token 後重試精進模式。