Gemini 3.5 Flash深度翻车：跑分亮眼实战拉胯，CLI工具千疮百孔

Google I/O后的冷水：Gemini 3.5 Flash的真实表现

Google I/O 刚刚落幕，Gemini 3.5 Flash 作为重磅新品发布，跑分数据看起来光鲜亮丽。然而，知名科技博主 Theo 在拿到早期测试权限后，却给出了截然不同的评价——这个模型在实际编码任务中表现糟糕，配套的 CLI 工具千疮百孔，而 Google Cloud 同一天还搞出了封禁大客户的闹剧。更令人唏嘘的是，Google 内部优秀的开源团队被边缘化，取而代之的是一个连 demo 都藏不住抄袭痕迹的闭源产品。

Gemini 3.5 Flash跑分亮眼，但价格暴涨20倍

从纸面数据看，Gemini 3.5 Flash 确实亮眼。它在几乎所有基准测试中都超越了 Gemini 3.1 Pro，Terminal Bench 得分仅次于 GPT-5.5，在 Toolathon、金融代理、推理等多个维度拿到了 state-of-the-art 的成绩。Artificial Analysis 的智能指数显示，它在速度与性能的比值上遥遥领先，接近 300 token/秒的生成速度令人印象深刻。

值得注意的是，AI 模型的基准测试（Benchmark）体系本身存在系统性局限。当前主流评测如 MMLU、HumanEval、Terminal Bench 等，本质上是在特定数据集上测量模型的"考试能力"，而非真实世界的工程能力。业界将这种现象称为"Benchmark Overfitting"——模型通过大量针对性训练在测试集上刷高分，但泛化能力并未同步提升。Artificial Analysis 等第三方评测机构虽然引入了速度、成本等维度，但仍难以捕捉"模型能否在复杂、多步骤的真实任务中自我纠错"这一关键能力。这也是为什么 Gemini 3.5 Flash 能在纸面上超越 Gemini 3.1 Pro，却在实战编码测试中彻底失败——后者考验的是模型的执行循环、错误感知和迭代修复能力，而这些恰恰是当前基准测试的盲区。

但 Google 在发布页面上刻意隐藏了一个关键信息：价格。整个页面没有一个美元符号。原因很简单——他们把价格翻了三倍。3.5 Flash 的定价是输入 $1.50/百万 token，输出 $9/百万 token。对比前代 3 Flash 的 $0.50 输入和 $3 输出，涨了三倍；而与 Theo 最爱的 2.0 Flash（$0.10 输入、$0.40 输出）相比，涨幅超过 20 倍。

更要命的是 token 效率问题。Token 效率（Token Efficiency）是评估推理模型实际成本的关键指标，但在大多数营销材料中被刻意淡化。推理模型（Reasoning Model）与标准语言模型的核心区别在于：前者会在给出最终答案前生成大量"思维链"（Chain-of-Thought）内容，这些中间推理步骤同样计入 token 消耗。作为推理模型，3.5 Flash 在 Artificial Analysis 的基准测试中消耗了约 7200 万 token，而 OpenAI 的 GPT-5.5 Medium 仅用了 2200 万——不到前者的三分之一。这 3.3 倍的差距意味着即使单价更低，总账单可能更高。这一现象揭示了推理模型设计的核心权衡：更长的思维链通常带来更准确的答案，但也带来更高的延迟和成本。优秀的推理模型需要学会"适度思考"——在简单任务上快速收敛，在复杂任务上深度展开。3.5 Flash 已经成为这些基准测试中第四贵的模型，实际花费几乎是 3.1 Pro 的两倍。

速度快有什么用？ 如果模型比别人快 2 倍，但生成的 token 量是别人的 4 倍，最终完成任务反而更慢。Token 效率低下不仅是成本问题，更是模型"不知道何时停止思考"的能力缺陷信号。

实战AI编程测试：唯一一个没跑通的模型

Theo 用自己开发中的游戏 Fish Slop 做了一个实战测试：给模型提供原始源码，让它重写成更稳定、更干净的代码库。结果令人震惊——Gemini 3.5 Flash 是他测试过的所有模型中唯一一个没能让游戏正常运行的。

它写出的代码直接就是坏的，而且不会自我检查、不会运行验证。当 Theo 要求它修复时，修复后的版本反而更差：画面出现了丑陋的光晕效果，游戏中的鱼太大无法操作，喂食机制不工作，老化机制不工作，生成的新图片质量低劣，有些甚至连透明度都没设对。

作为对比，GPT-5.5 不仅完美完成了同样的任务，Theo 甚至额外要求它把游戏改成 3D 版本，它也做到了。一个号称 state-of-the-art 的模型交出这样的答卷，Theo 直言"这是真正的耻辱"。

核心问题似乎在于：Google 仍然没有攻克 RL（强化学习）这一关，模型不知道如何检查自己的工作、不知道如何自我纠正，只是毫无目的地燃烧 token。这指向了当前 AI 编程助手的核心技术分水岭。传统的大语言模型训练依赖监督学习（SFT），模型学习"给定输入应该输出什么"，但并不具备"验证自己输出是否正确"的能力。OpenAI 在 o 系列模型中大规模应用的 RLHF（基于人类反馈的强化学习）和 RLEF（基于执行反馈的强化学习）则让模型学会了一种元能力：运行代码、观察结果、根据错误信息修正策略。这种"思考-执行-验证"的循环（也称为 Agent Loop 或 ReAct 框架）是 GPT-5.5 能完成复杂游戏重写任务的关键。Gemini 3.5 Flash"只是毫无目的地燃烧 token"的描述，正是缺乏这种执行反馈训练的典型症状——模型在生成代码后没有内化"我需要验证这段代码是否能运行