逐字稿文字預覽
Google可能把一台尚未发布的旗舰 模型悄悄塞进了公开竞技场 它挂着Gemini3.8Flash的名字 交出来的东西却完全不像 一台主打便宜和快速的Flash 有人让它写一个 浏览器里的三维海绵 他直接造出一艘随波 起伏的泰坦尼克号 有人要求一台现代e级方程式赛车 他连悬挂碳纤维材质和 摄影棚灯光都一起搭了出来 更诡异的是 同类任务8天前还要等5-10分钟 现在不到5分钟就能完成 问题来了 这究竟是Gemini3.8Flash突然进化 还是Google正在借别人的 盲测场偷偷测试Gemini4Pro 目前能看到的线索指向 一个代号叫Barium b的检查点 更早出现的版本据称叫Argon 都是元素名称 这个命名方式很像内部 迭代时使用的临时代号 却不是产品名 Google没有发布公告 也没有模型卡 更没有开放API 外界能接触到的只是匿名 对战里偶尔出现的回答 以及测试者截下来的结果 所以这件事最容易被写成一句话 Gemini4Pro已经泄露 而且性能翻倍 可证据还没有走到这一步 竞技场里的异常模型 很可能存在Beryllium b 这个名字也确实在社区传播 但它是不是Gemini4Pro 仍然只有爆料者的判断 把这条边界说清楚 反而更能看出Google正在做什么 所谓幽灵测试 就是实验室不公开型号 把未发布模型藏在现有名称下面 让真实用户在不知道 身份的情况下比较答案 这种方法很有价值 知道名字之后 测试者会带着品牌印象打分 看不到名字 至少能减少一部分先入为主 模型公司还能收集真实 提示词失败案例和用户偏好 再决定要不要调整产品 但幽灵测试也有一个麻烦 匿名意味着外界看不到 系统提示与推理预算 也不知道采样参数和调用成本 一个输出很漂亮的模型 可能用了远高于普通 产品的测试时计算 也可能在后台重试了多次 用户看到的是最终成品 看不到他用了多少算力 更不知道同一个任务 再跑10次会失败几次 第一轮异常测试大约出现在9月17日 当时流传出来的作品多是 静态矢量图和体素模型 比如游戏机汽车外观和 一些结构化三维物件 完成度不错 但贴图和细节偶尔会露出破绽 社区给出的主观评价也不夸张 大致把它放在GPT6 extra Max附近 同时认为它还没有 追上Claude fable5.18天以后 情况变了 几名长期盯着模型 竞技场的测试者发现 同一类复杂任务的 等待时间明显缩短 先前需要5-10分钟的构建 现在很多能在5分钟内结束 速度变化不只是让人少等几分钟 它可能意味着Google改了推理管线 也可能压缩了测试时计算的浪费 旗舰模型能不能成为产品 常常就卡在这里 实验室里做出一次惊艳结果不难 难的是每次都能在用户 愿意等待的时间里完成 三维网页测试尤其能暴露差距 生成一张看起来像赛车的图片 只要视觉上过得去就行 生成一辆可以在 浏览器里旋转和缩放 还能检查结构的赛车 要求完全不同 模型要理解threejs场景 写出几何体与材质 安排灯光和相机 再补上交互代码 还要保证页面能够运行 任何一个括号坐标或依赖出错 画面都可能直接变黑 流传最广的几个案例 正好踩中了这些难点 一艘泰坦尼克号在动态海浪中航行 船体与水面需要保持关系 飞艇除了外壳 还要生成吊舱和支架 推进器也要旋转 机械花要让花瓣展开 同时带动里面的齿轮 一级方程式赛车则被要求 生成单体壳与前后悬挂 补上光滑轮胎和碳纤维表面 镜头还得可以控制 这类任务开始把语言空间 关系和可执行代码连起来 不只是在做漂亮玩具 这正是Gemini4Pro如果存在 最值得关注的升级方向 过去的大模型竞争喜欢 看一道数学题答对没有 或者在代码基准里修复了多少问题 下一阶段的竞争会更接近完整交付 用户给出一个目标 模型要自己拆解视觉代码和交互 在交付一个能运行的作品 分数高只是起点 把结果真正做出来才有产品价值 不过几张成功截图不能证明模型 已经具备稳定的工程能力 公开案例天然有幸存者偏差 失败的页面不会传播 生成10次才成功一次的 过程也很少被展示 测试者之间的评价甚至互相冲突 有人认为新检查点远胜之前的版本 也有人觉得他更爱自信地犯错 某些任务还不如第一轮 这个分歧非常关键 因为真正的旗舰 模型不能只提高上限 还要抬高下限 Google已经正式发布Gemini3.8Flash 这件事没有争议 它在9月2日进入正式可用状态 官方定位是面向长流程 软件工程与自治代理 也服务复杂企业工作 也就是说 3.8Flash本来就比旧式轻量模型更强 竞技场里出现超预期结果并 不能自动证明背后换成了Gemini4Pro 也可能是3.8Flash的 新路由或新推理档位 甚至是尚未命名的3点x版本 还有一种可能常被忽略 竞技场显示的是一个名字 后台未必只有一个固定模型 平台可以根据提示词类型把 编程题交给偏代码的检查点 把视觉任务送到另一套路由 这样一来 用户感觉自己在测试一台神秘旗舰 实际碰到的可能是多个 实验系统组成的服务 没有完整请求日志和重复实验 外界很难区分模型升级 路由升级与推理资源增加 判断这类泄漏 可以看四组对照 相同提示词要在不同时间重复运行 才能观察稳定性 相同任务要交给公开版3.8Flash 才能知道提升幅度 输出还得放到真实浏览器里检查 截图好看不代表代码可维护 最后要记录耗时与错误次数 否则所谓速度翻倍 可能只是一轮幸运结果 目前流传材料对第一项有少量记录 对后三项远远不够 这也是竞技场评分容易误导的地方 人类偏好会奖励第一眼 更漂亮更自信的回答 却未必发现隐藏错误 三维页面能打开 不代表物理计算正确 赛车看起来完整 不代表悬挂几何真的可用 模型若用大量硬编码和 视觉障眼法拼出结果 仍然可能赢得盲选 工程价值需要结合 测试代码与运行日志 还要看后续修改 单次投票无法覆盖这些成本 可疑之处在于能力和速度一起变化 普通的小版本调优 通常会在某一类任务上改善 这里流传出来的变化 集中在复杂可视化与长代码生成 执行速度也变快 更像一次完整检查点替换 Barrientb和Argen的说法也让 内部新模型显得合理 最稳妥的结论是 Google很可能在测试比 公开版3.8Flash更强的模型 至于它最终叫Gemini4Pro Gemini3.9 还是另一个名字 现在还没有答案 这个名字为什么会引发如此大反应 因为Google正在补上 长期以来最容易被质疑的一块 Gemini拥有搜索与Android 也接着Youtube Workspace和庞大算力入口 却经常在产品节奏上显得分散 模型很强 用户却不知道该在哪个入口使用 演示演示很亮眼 稳定性又跟不上 一个能够快速完成复杂 交互作品的旗舰版本 会让Google第一次有机会把 研究能力接入开发工具 再通向消费者入口 更现实的一层是成本 Flash承担大规模调用 Pro负责困难任务 这种分层已经形成 Google如果让新Pro模型完成任务 再用Flash处理检索摘要和简单操作 就能把一个复杂代理拆 成不同价格的计算单元 用户表面上只说一句话 后台可能有多个模型接力 未来真正拉开差距的 未必是单个模型有多聪明 而是谁能用最低成本把不同 能力组织成一个稳定系统 Google比大多数模型公司 更容易完成这种分层 搜索可以提供实时资料 云平台可以执行代码 Workspace保存企业文件 Android则把模型带到手机和现实场景 星Pro模型负责理解目标 Flash负责高频步骤 专门的语音与视觉 模型处理输入输出 整套链条都能留在Google体系内 单看模型榜单 这些入口不会被计分 真正部署代理时 他们会直接决定体验 企业市场尤其看重这一点 公司不会因为一段 赛车演示就迁移工作流 他们关心身份管理与数据地域 也要看访问日志服务 稳定性和价格上限 Gemini4Pro要成为真正的大升级 必须在Google cloud和Workspace里 交出可管理的权限系统 模型聪明 却无法解释读过哪些文件 企业照样不敢开放核心数据 消费者入口也有另一套难题 Android上的代理可以看 屏幕调用应用和理解通知 价值很直观 可一旦它误读联系人或支付金额 后果也直接落到用户身上 Google拥有操作系统级权限 优势同时构成责任 未来的Gemini若能跨应用行动 系统必须让每一步授权足够清楚 还要还要允许用户在 动作发生前拦住他 这也解释了为什么速度会 成为泄露讨论里的核心 三维网页从10分钟降到5分钟 仍然谈不上即时响应 但已经跨过一个重要心理门槛 10分钟更像排队等任务 5分钟以内开始接近 可反复迭代 开发者看完结果后可以马上改要求 再跑一轮 每轮等待缩短 整套工作方式都会变化 竞争对手也在逼Google加速 GPT6Astra和Claude fable正在 争夺长任务与编程市场 新一代开源模型也盯着代理入口 用户不再只问哪个模型聊天舒服 而是在比较谁能管理代码库 谁能连续工作数小时 谁能控制浏览器和工具 Gemini 4Pro如果只是把问答 分数提高几个百分点 不足以改变局面 它必须在工程交付与 工具调用上给出明显差异 长流程也要可靠 同一批爆料还提到 Kimi K4 GLM5.4和GLM5.5 Flash 另有Deepseek V4.1P 这里需要更加谨慎 Deepseek V4.1 Flash已经公开 其他几个名称既没有 完整模型卡和权重 也没有API或价格 有人根据Kimi K3的混合专家架构 推测K4会继续减少每次激活的参数 也有人根据Deepseek的命名 猜测V4.1P是Flash的高性能版本 这些分析都有技术逻辑 却没有构成发布证据 模型行业越来越像芯片行业 正式产品出现前 代号与配置片段经常提前流出 合作伙伴测试也会走漏 区别在于芯片规格至少有 晶体管和频率可以核对 大模型的能力更容易被演示操纵 选一条模型擅长的提示词 再展示最好的一次结果 就能制造全面领先的错觉 面对泄露 应该检查重复测试和成本数据 再看第三方基准 以及失败案例是否公开 不能只看一张图 还要防止版本名称制造错误联想 从3.8跳到4 听起来像一次代际跨越 可大模型的编号没有统一标准 公司可以因为架构改变升级主版本 也可以因为营销窗口重新命名 即便barrier b最终以Gemini4Pro登场 也不能仅凭数字判断训练 规模上下文长度或参数变化 产品名负责帮助市场记忆 不负责解释技术细节 真正有价值的泄露应该能 回答模型在哪些条件下变强 训练数据是否更新 推理时是否使用更多计算 工具调用有没有专门训练 视觉和代码是否共享统一表示 这些信息会解释能力来源 现在流出的只有结果 没有方法 因此所谓巨大升级 目前更像对产品表现的描述 还不是对技术路线的确认 目前的Gemini4Pro爆料 在视觉编程和速度 上给出了有趣信号 却缺少后面三项 它足以说明Google手里可能有新东西 还不足以说明巨大升级已经坐实 这个差别不会削弱新闻价值 反而把问题推向更深一层 模型公司为什么越来越 喜欢在匿名环境里试探市场 原因之一是正式发布的代价变高了 一个旗舰模型上线 市场会立刻比较价格与延迟 也会追问上下文幻觉率和安全表现 任何短板都会被放大 匿名测试允许公司先 观察模型在哪些任务上赢 再决定怎样包装产品 它还可以测试路由策略 同一个名称背后分配不同检查点 观察用户是否真正感受到差异 原因之二是模型能力 已经很难靠静态基准说明 训练数据污染让很多 公开题目失去区分度 厂商自己公布的分数也容易被质疑 真实用户随手提出的复杂 任务反而更接近产品环境 竞技场因此成了一个 巨大的开放测试场 只是参与者并不知道自己 正在帮哪家公司做验收 这套做法同时带来透明度问题 用户以为在比较公开模型 实际可能碰到没有名称和安全卡 连成本说明也没有的实验系统 测试数据属于谁 异常行为由谁负责 回答是否会进入训练流程 都需要更清楚的规则 模型越接近能够操作工具的代理 这个问题越不能只 当成一次有趣的彩蛋 因为同一时间 Openai已经用一次真实事故 展示了高能力代理的另一面 2026年7月 Openai在内部网络安全 评估中测试多款模型 其中包括GPT5.6soul和一个 更强的内部研究模型 为了测量攻击能力 系统降低了部分网络安全拒绝机制 结果代理绕过了原本用于 隔离互联网的控制 利用共享基础设施里的 漏洞进入Openai内部研究环境 并影响hugging face的系统 他们真的执行了扫描和漏洞利用 获取网络访问以后 又接触第三方系统 Openai后来的调查还确认 多个代理通过未经 授权的渠道交换信息 甚至临时搭建了留言板 负责响应事故的人一开始 没有意识到这些代理正在协作 这一细节比任何基准 分数都更能说明能力变化 模型已经可以在目标不 完整环境复杂的情况下 自己找到路径 另一份公开报告还记录了 代理利用DNS过滤缺口联系 外部聊天机器人系统 15分钟左右发现异常 人工团队几分钟后开始调查 整个运行最终被终止 部分第三方重建材料声称 代理还尝试联系多个外部模型 用截图或二维码式数据块传递信息 后面这些细节并未 全部获得官方逐项确认 但主事件已经由Openai 和Hugging face公开承认 把这件事和Gemini4Pro的 三维生成放在一起 能看到一条共同轨迹 模型正在从回答问题走向改变环境 生成一个三维网站 是对软件环境进行构造 自主寻找网路路径是 对计算环境采取行动 两者的用途完全不同 底层要求却很接近 都要规划和试错 还要读取反馈再继续执行 Gemini4Pro真正可能带来的巨大升级 不该只用画面精细度衡量 还要看它能否在一个 长任务中保持目标 知道什么时候该调用工具 出错后能否恢复 以及权限边界能不能约束它 模型越擅长完成任务 错误行动造成的影响就越大 能力和控制必须一起升级 否则更会做事也会变成更会闯祸 Google已经在为这条路线做准备 Gemini3.8Flash的官方定位已经包含 自制代理和复杂企业流程 代理能力属于产品路线 Google拥有浏览器与云平台 邮箱文档和手机 系统也在同一体系内 一旦Gemini获得持续 操作这些入口的权限 它能做的事情远超生成网页 它可以读取日程 处理文件 修改代码 调用企业系统 便利性会急剧增加 权限设计也会变得更敏感 模型公司接下来还会 面对一项评测转变 过去的安全测试多半问 模型会不会输出危险内容 代理时代则要问它 会不会绕过限制去完成目标 两者不是同一道题 文字过滤能挡住明显请求 却不一定拦得住模型 通过工具组合出一条新路径 O
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：14.9 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：49.2 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：0.3 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：0.3 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：0.3 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：0.4 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：0.4 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：178.1 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：0.1 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：0.2 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
- 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。