KeyFrame內部研究專用

Gemini 3.7 Flash 震驚發布,OpenAI 這次真的要完蛋了?

商業本質23 min中文
觀看原始影片

三句話摘要

Google Gemini 3.7 Flash 的推出標誌著 AI 競爭從「誰最聰明」轉向「誰能以更低成本完成更多實際工程工作」的時代轉變。 Gemini 3.7 Flash 最有價值的地方在於它沒有假裝用 AI 完全取代人,而是定位為「廉價、快速、願意反覆工作的執行者」,由人負責確定邊界與檢查結果,模型負責讀取、修改與嘗試——這個朴素敘事比「超級智能替代所有工作」更可能先改變市場。 AI 競爭軸轉移:過往模型競爭比拼極限題的正確率,現在轉向考量連續多步驟工作的完成能力與單位成本。一個任務可能經過幾十次推理和工具調用,單次價格若只高一點點,規模放大後就是另一筆帳單。3.7 Flash 的價值在於能否減少錯誤重試與修復次數,進而降低總體 token 消耗。

重點整理

  1. AI 競爭軸轉移:過往模型競爭比拼極限題的正確率,現在轉向考量連續多步驟工作的完成能力與單位成本。一個任務可能經過幾十次推理和工具調用,單次價格若只高一點點,規模放大後就是另一筆帳單。3.7 Flash 的價值在於能否減少錯誤重試與修復次數,進而降低總體 token 消耗。

  2. 從生成代碼到工程完成的能力躍進:傳統聊天模型的問題是「會寫不等於能寫完」——第一步看似正確,執行後卻暴露問題。3.7 Flash 改進的核心是能先讀取倉庫結構、決定需要修改的文件、運行測試、在失敗時調整策略。它強化了對字面指令的遵守,用戶要求只改一個組件時不會順手重構整個項目。

  3. 模型路由與分層架構的商業現實:成熟的代理系統不會固定使用一個模型,而是用 Flash 判斷普通任務直接執行,遇到複雜架構或高價值決策才轉交更強模型,最後用便宜模型檢查格式。Flash 爭奪的是路由系統裡呼叫最頻繁的位置——雖然負責最難的 5%,卻可能承包其餘 95% 的工作量,帶來的收入和開發者依賴超過單次銷售。

  4. Google 生態的隱藏優勢與風險:Spark 能連接 Gmail、Google Calendar、Docs 等服務,天生掌握用戶郵件、文件、會議數據,這是 OpenAI 缺少的關鍵上下文。但優勢伴隨風險——一個代理讀取三封錯誤郵件若僅影響摘要還可接受,若擁有發信、修改日曆權限就會擴散到實際工作,需要完整的審計記錄與用戶確認機制。

實用技巧與重點

  • 基準測試數據
  • Frontier Code 1.1 Main:34.4% → 43.6%
  • DeepSuite 1.1:48.8% → 65.3%
  • WebDev Arena:1538 → 1588
  • Terminal Bench 2.1:85.8%
  • Automation Bench:30.4%
  • OS World 2.0:33.8% → 47.9%
  • Terminal Bench 3.0:14.9%(對比 GPT-4o 的 20.8%)
  • 定價(2026-2027)
  • 推廣期(至 2026 年底):輸入 token $0.75/百萬,輸出 $3.75/百萬
  • 正式價格(2027 年 1 月起):輸入 $1.5/百萬,輸出 $7.5/百萬
  • 整合平台
  • Gemini API、AI Studio、Android Studio
  • Anti Gravity(開發環境)
  • 企業代理平台
  • Spark(個人全天候代理,連接 Gmail、Calendar、Docs)
  • 關鍵能力改進
  • 倉庫結構分析、選擇性文件讀取
  • 測試執行與失敗後策略調整
  • 遵守字面指令(不自動擴展需求)
  • 遇障礙時重新規劃與明確提問

結論

Gemini 3.7 Flash 最有價值的地方在於它沒有假裝用 AI 完全取代人,而是定位為「廉價、快速、願意反覆工作的執行者」,由人負責確定邊界與檢查結果,模型負責讀取、修改與嘗試——這個朴素敘事比「超級智能替代所有工作」更可能先改變市場。

完整解析

Google 在短短三週內從 Gemini 3.6 Flash 推進到 3.7 版本,背後反映的不是技術突發,而是 AI 行業競爭邏輯的根本轉向。過去,模型公司比拼基準測試中的極限題——誰在最難的推理任務上得分最高。如今,Google 清晰地看到真實市場需求已經改變:企業不需要在每項任務上都用最聰明的模型,他們需要一個足夠聰慧、價格低廉、能夠連續執行幾十步工作的「工人」。

傳統編程模型的問題在於 「會寫不等於能寫完」。它可能生成看似正確的代碼片段,但遺漏依賴、誤讀文件結構、無意間破壞其他功能。用戶回報錯誤,模型再修一次,又製造新問題。整個任務陷入循環修復。3.7 Flash 的改進點在於把能力從「生成一段代碼」推進到「完成一項工程工作」。模型會先檢視倉庫結構,決定需要讀取哪些文件,修改後運行測試,失敗時調整策略。同時強化了對字面指令的遵守——用戶要求只改一個組件時,不會順手重構整套系統;需求不清楚時,更願意先提問而非自信推測。

電腦操作能力的進展(OS World 基準從 33.8% 升至 47.9%)表明 3.7 Flash 已接近半數情況下能正確執行屏幕交互任務。但 47.9% 的成功率意味著什麼?對於整理測試文件這類低風險操作尚可接受,但涉及支付、數據庫或生產環境修改則遠遠不夠。這恰好說明 Google 的策略成熟度:公司並未等待模型達到 100% 可靠性才部署代理,而是先將其放進可設定防線和回滾的環境——開發工具、企業代理平台、個人 Spark 都是讓模型在邊界內工作。真實軟體環境永遠在變化,按鈕位置不同、網頁會加載延遲、接口返回異常格式。代理如果只能執行預寫路線,它只是更昂貴的自動化腳本;它必須知道當前方法不行,決定是換工具、請求授權還是向用戶提問。

商業邏輯層面,3.7 Flash 代表著從「單次聰慧度」到「任務總成本」的轉變。假設模型 A 的輸入價格只有模型 B 一半,但 A 經常需要重試三次、多讀大量文件,最終可能比 B 更貴。而 B 單價雖高,卻能一次找對文件、正確調用工具、通過測試。開發者未來比較模型時,不會只看每百萬 token 多少錢,而是完成一項任務的總時間與總價格。推廣期每百萬輸入 token 0.75 美元相當激進,即便 2027 年恢復至 1.5 美元,仍瞄準高頻代理市場而非最昂貴的極限推理。Google 的定價有兩層目的:第一層是搶佔開發者心智——能力接近時,價格直接決定誰被設為默認選項,一旦開發者圍繞某個模型寫好提示詞與工具定義,遷移並非改個名字那麼簡單。第二層是搶奪任務量——聊天應用一天可能問幾十次,代理平台卻運行幾千次。誰拿下主力層,誰就掌控最大的 token 消耗量。旗艦模型負責展示能力上限,主力模型負責產生帳單。

Google 把 Spark 接入個人用戶的郵件、日曆、文檔,掌握了 OpenAI 缺少的關鍵上下文。但優勢伴隨風險——連接越深,權限越敏感。一個代理錯讀三封郵件可能只影響摘要不完整,若具有發信、修改日曆、共享文件的權限,錯誤就會擴散到真實工作。代理產品的成敗不只取決於模型能否執行,更取決於用戶敢否讓它執行。

11 min
AI 安全中文11月21日

防蒸餾的三道防線:OpenAI 怎麼保護 AI 的思考過程

一隻羊聊AI看原片 ↗
  • 思考過程是最值得保護的資產:完整的思維鏈(Chain-of-Thought)包含最終答案中沒有的中間步驟,蒸餾來的模型若學到完整思考過程,會多掌握超出預期的能力,包括原本應被防護的攻擊技巧。實驗顯示,學完整思考的學生在資安測驗中表現顯著優於
  • 三層防護結構應對單次請求與持續威脅:模型透過對抗訓練自我拒絕套話,分類器檢查請求意圖與回應內容(包括工具參數),API 層將思考過程與對話綁定,防止跨對話搬運。九月報告曾揭示的加密思考搬運攻擊已被修補。
10 min
AI 安全中文11月13日

The New AI Security Nightmare: Undetectable LLM Backdoors

Internet of Bugs看原片 ↗
  • LLM 可被訓練成在表面上表現正常,卻在特定條件(如在程式碼註釋中看到某個特定字串)觸發時執行訓練者指定的惡意行為,例如上傳環境變數檔案到遠端伺服器。這種後門是不可偵測的,研究者找不到檢測方法,且即使進行後續重新訓練也無法消除。
  • 任何參與模型創建或分發的人員都可能植入這類後門,不論模型是由知名 AI 廠商託管在雲端、還是自行部署。只要組織內有不可信任的人員,就無法完全排除這個風險。
22 min
AI 技術中文10月27日

Switch 2 宣告失守! AI 黑客 14 日暴力破解,唔使拆機、唔使焊晶片!任天堂今次真係驚咗?

大世界看原片 ↗
  • 漏洞來源出人意料:攻擊源於 iTunes 上售價約 25 美元的編程教學軟體 Small Basic。黑客利用其解釋器中的 32 位整數溢位漏洞穿過沙盒限制,再透過 ROP 鏈和緩衝區溢位層層深入,最終取得檔案系統完整權限。這套設計精妙的攻
  • AI 徹底改變破解生態:研究員 Pepsi Poo 坦承,破解工作大部分由 OpenAI 的 Codex AI 編碼代理執行。他搭建自動化測試裝置讓 AI 24 小時不間斷地觸發漏洞並自動重啟,兩週內完成原本需耗時數年的工程。這不是 AI