2025–2026 前沿对照

2026-10-18阅读约 105 分钟AI 起草 · 人工审核已核查 · 已审核审核人负责人

所属专题：Gemini（Google DeepMind） · 第 11 章引语索引信源台账

专题章节

CHAPTER 11 # 2025–2026 前沿最佳实践与行业对照十三个月的逐月主线、七家横向对照、互不兼容的榜单口径，以及三个绕不开的追问。

    阅读时长 **约 85 分钟**
    时间范围 **2025.07 – 2026.07**
    事实冻结 **2026-07-25**
    节 **0 个**
    图表 **0 个**
    配图 **0 张**
    来源 **0 条**





  ### 本章要点

截至 2026-07-25，最新旗舰是 Gemini 3.1 Pro Preview（2026-02-19），不是版本号更大的 3.6 Flash。 本材料提出的解释是**「双时间线假说」：小数位（3.1 / 3.5 / 3.6）跟着后训练走，整数位（3 → 4）跟着预训练**走。这是分析假说，不是官方口径（公开证据的边界见第二节）。支持它的最硬一条是同一天的两句话：2026-07-21，Google 既说 3.5 Pro 仍在 partner testing，又说 Gemini 4「最雄心勃勃的预训练」已启动^[1]。 无论假说是否成立，操作结论都一样：不要用版本号大小推断能力代差。
2026 年不存在一张可以横比的总榜，只存在一堆互不兼容的口径。 HLE 有 Artificial Analysis 与 Scale/CAIS 两套题集，GDPval 有原版与 GDPval-AA 两套，SWE-bench 有标准化 bash-only 与厂商 harness 两套， Terminal-Bench 有 2.0 与 2.1 两个版本。同一个 GPT-5.3-Codex 在 Terminal-Bench 2.0 上是 64.7% 还是 77.3%，取决于你信谁的 harness—— 差 12.6 个百分点，足以把 Gemini 3.1 Pro 的 68.5% 从「领先」翻成「落后」^[2]。
不是「有没有验证器」，而是「有效反馈通道有多好」——原来那个二分把自己的反例放进了正例栏。 验证器强度预测的不是「涨速」（HLE 验证器很弱却 12 个月涨 37.4 个点），而是绝对水位：有廉价可靠验证器的一侧，前沿在那几个存在真实人类对照线的项目上已越过它（IMO 2025 由官方评委认证的 35/42 达到当年金牌线——金牌线由人类选手分布定义，是本章最硬的一条人类对照）； ★不能再拿「ARC-AGI-2 92.5% 对人类 60%」举例：官方技术报告页从未发布任何平均个体准确率，「人类 60%」是第三方派生数，本站已全面停用（详见 §六的批判框）；没有验证器的一侧还趴在人类对照线的零头上（GDPval-AA 上 Gemini 最好的公开值落后榜首约 440 Elo）^[3]。正确的自变量至少有五维：目标对齐度、反馈密度、反馈延迟、完整轨迹成本、任务时长—— 漏掉的正是「完整轨迹成本」那一维，而它才是 Vending-Bench 2 与 ARC-AGI-3 的真实瓶颈。 但这条收窄版自己也有反例：ARC-AGI-3 有强验证器，截至冻结日仍只有 30.16%—— 所以廉价验证器是必要条件而非充分条件。
约束不再只有芯片供应，但「电力取代芯片成为第一约束」没有证据。 Google Cloud 在第八代 TPU 的技术博客里写下官方判断：power, not just chip supply, is a binding constraint^[4]。 2026 capex 指引在半年里三级跳到 $195–205B（2026-07-22 Q2 电话会）^[5]，而第八代的核心卖点是性能/瓦最高 2×——竞争指标正在从 FLOPs 变成 FLOPs/W。
同一组事实，中英文有两套相反的评价框架，而中文那套更接近本质。 「Google 把 TPU 卖给 Anthropic」在英文里是商业胜利（2026Q2 Cloud 营收 $24.8B、+82% YoY），在中文里是战略失焦的证据^[6]。中文圈还把「大公司病」当技术问题分析、对 TPU 叙事逐条祛魅、把 Co-design 提炼成 superpower 后立刻拿去对照腾讯——这些视角在英文主流报道里系统性缺席。
```
 本章 10 节 · 7 个交互图表 · 13 张配图 · 84 条来源 ·
 关键词：Gemini 3.1 Pro Preview 3.6 Flash
 评测口径 有效反馈通道
 FLOPs/W 中英叙事分裂
```
一、2025.07–2026.07：十三个月的逐月主线

这一章的时间窗口是 2025-07-01 到 2026-07-25，共 13 个自然月。窗口内 Google 侧的公开动作密度，是 Gemini 品牌史上最高的一段。但密度本身不是结论——真正值得看的是密度分布在哪几条线上： Flash 线在 2026 年上半年把迭代间隔压到了九周左右（3.5 Flash 2026-05-19 GA → 3.6 Flash 2026-07-21 GA，相隔 63 天），而 Pro 线从 2026-02-19 的 3.1 Pro Preview 到冻结日 2026-07-25 约五个月没有新的公开旗舰（这两个数分别刻画 Flash 的迭代速度与 Pro 线的停滞时长，不是同一把尺子）。下面这张八泳道时间轴把这个不均匀摊开。

读这一节的前提：announcement / preview / GA / rollout / model-card publication / shutdown 是六个不同的状态词，不能互换。 本章所有节点的状态标注，逐条取自项目事实基线的裁定，并在下方的「逐月主线对照表」里给出状态列。凡本材料只找到「未来承诺」的（例如 3.5 Flash Cyber 的受限试点），一律标为「仅宣布」，不计入可用能力。
```
 2025.07 – 2026.07 · 八泳道主线
 悬停任一节点看完整名称、精确日期与状态；密集处的次要节点只画点不画字；点图例可开关泳道；横条表示「从 preview 到 GA / 下线」的区间





 数据逐条取自本项目 2025-07—2026-07 事实基线，每个节点都可回溯到官方博客、模型卡、API 文档、财报电话会或法院文件；
 主要一手来源见本章脚注 [@src-24717f621a]–[@src-e28566b191]、
 [@src-7fcb28f154]–[@src-9a48645ac8]、[@src-71f5a0a2d1]–[@src-3825b65b13]。
 **announcement / preview / GA / rollout 是四个不同状态，节点已按基线裁决逐条标注，图上只画时间不画优劣。**
 文字替代见下方「逐月主线对照表」（表 11.1）。
```
1.1 逐月主线对照表

下表是上图的文字替代，也是本章后续所有引用的日期锚。表头的状态列比日期列更重要：同一个模型在 preview 与 GA 之间可以隔好几个月，而绝大多数二手报道会把两者混为一谈。

| | 日期 | 事件 | 状态 | 关键口径

| | 2025-07-22 | Gemini 2.5 Flash-Lite | GA | 1M/64K，发布价 $0.10/$ 0.40^[10]

| | 2025-11-18 | Gemini 3 Pro | preview | 1,048,576 / 65,536；≤200K $2/$ 12，>200K $4/$ 18^[17]^[18]

          表 11.1a · 2025 年 7–12 月主线。状态列按 announcement / preview / GA / rollout / report / legal 区分。数据截止 2026-07-25。

| | 日期 | 事件 | 状态 | 关键口径

| | 2026-03-03 | Gemini 3.1 Flash-Lite | preview | 2026-05-07 GA； $0.25/$ 1.50^[27]

| | 2026-03-18 | Jasjeet Sekhon 任 GDM Chief Strategy Officer | appointment | —^[28]

| | 2026-03-31 | TPU7x / Ironwood 正式 GA | GA | 不是 2025-11-06：那篇标题写 GA、正文说 coming weeks，2025-11-24 的 release notes 仍标 Preview^[29]

| | 2026-05-19 | Gemini 3.5 Flash GA | GA | 1M/64K， $1.50/$ 9；默认进入 Gemini app 与 AI Mode。同日预告 3.5 Pro「下个月推出」，该承诺未兑现^[33]^[34]

| | 2026-05-28 | Nano Banana 2 / Gemini 3 Pro Image 转 stable | GA | 稳定 endpoint 更新^[25]

| | 2026-06-30 | Gemini 3.1 Flash-Lite Image / NB2 Lite | GA | 65,536 / 4,096，约 $0.0336/1K 图^[25]

| | 2026-07-09 | AlphaEvolve 通过 Gemini Enterprise Agent Platform 对 Cloud 客户 GA | GA | 与 2026-05-07 的「一年成果盘点」是两件事；档案两处日期不一致，本章采用基线裁定的 07-09^[25]

| | 2026-07-21 | Gemini 3.6 Flash | GA | 1M/64K、 $1.50/$ 7.50^[1]^[43]

| | 2026-07-21 | Gemini 3.5 Flash-Lite | GA | 1M/64K、 $0.30/$ 2.50^[1]

| | 2026-07-21 | Gemini 3.5 Flash Cyber | announcement future limited pilot | 仅宣布面向政府与可信伙伴的未来受限试点，配合 CodeMender；冻结日无独立模型卡，评测条件未披露。同日明确 3.5 Pro 仍在 partner testing、Gemini 4 预训练已启动^[1]^[44]

          表 11.1b · 2026 年 1–7 月主线（截至 2026-07-25）。**「已过时」标注的 capex 数字保留在表里，是为了让读者看见指引被上调了两次，而不是为了引用它们。**











  **把这 39 个节点按泳道数一遍，Google 的节奏是「两条腿严重不等长」。**
    Flash 线在 2026 年 5 月 19 日到 7 月 21 日之间只隔了 **约九周**就换了一代（3.5 Flash → 3.6 Flash），
    Sundar 在 Q2 财报会上说这两版在 DeepSWE 上「跳了 10 分以上」[@src-9f4a08bfb1]；
    而 Pro 线从 2026-02-19 的 3.1 Pro Preview 之后，**到冻结日为止再没有任何新的公开旗舰**，
    连原定「下个月推出」的 3.5 Pro 都没有兑现[@src-64d3b9098e]。
    这个不等长本身就是本章第二节要解释的东西：**后训练能持续吃红利的地方在 Flash 侧；Pro 线要的是另一类提升，本材料没有证据说清它究竟受限于预训练底座、后训练配方还是资源分配。**
    完整的 2021–2026 编年史见第 1 章 · 编年史（22/22 季度矩阵）。




  **这张时间轴最容易被误读的地方，是把「宣布」当成「可用」。**
    窗口内至少有三个节点属于「宣布了但你用不上」：TPU 8t/8i 于 2026-04-22 官宣，
    截至 2026-07-25 官方仍写 later this year，Cloud TPU release notes 里没有任何 Preview 或 GA 条目[@src-6295285e27]；
    3.5 Flash Cyber 只是向政府与可信伙伴预告了受限试点[@src-09b59cb95c]；
    3.1 Deep Think 至今没有公开的 model ID 与 token 价[@src-c8bba1a41d]。
    **如果按「公众可通过 API 调用」这个口径重画这张图，2026 年的节点会少掉三分之一。**
    这不是 Google 独有的问题，但它确实让「发布密度」这个指标失去了大部分意义。



## 二、版本号错位：为什么 3.6 Flash 不是最新旗舰

这是本章最容易写错、也最容易被读者误解的一件事，所以先把裁定摆在最前面：
  **截至 2026-07-25，Gemini 的最新旗舰是 3.1 Pro Preview（2026-02-19），而版本号最大的公开通用模型是 3.6 Flash（2026-07-21 GA）。
  两者不是同一个东西，后者属于 Flash 档，不应被称作旗舰。**

| | Flash（主力） | Gemini 3.6 Flash | GA（2026-07-21） | 1,048,576 / 65,536 | $1.50 /$ 7.50

| | Flash（上一版） | Gemini 3.5 Flash | GA（2026-05-19） | 1,048,576 / 65,536 | $1.50 /$ 9

| | Flash-Lite | Gemini 3.5 Flash-Lite | GA（2026-07-21） | 1,048,576 / 65,536 | $0.30 /$ 2.50

    表 11.2 · Gemini 两条产品线的状态对照，数据截止 **2026-07-25**。来源为官方发布帖、模型卡与 API 模型目录[@src-24717f621a][@src-09b59cb95c][@src-919b66e84f][@src-b88c4950bb]。
      **「未披露」表示官方从未给出，不得用外部估算顶替。**





  **版本号错位不是命名混乱，是训练范式变化的外化。**
    2023–2024 年，一代模型等于一次大预训练，版本号跟着预训练走，所以是 1.0 → 1.5 → 2.0。

2026 年，产出速度远快于预训练的是后训练——thinking 深度、agentic 数据、蒸馏目标、安全策略。本材料据此提出**「双时间线假说」：小数位跟后训练走，整数位跟预训练走。**

    **必须写清这个假说的公开支持边界，因为它比证据本身走得远：**
    模型卡能直接支持的只有两对关系——**3.1 Pro 基于 3 Pro**、**3.6 Flash 基于 3.5 Flash**；
    **Google 从未公开声明过一条编号规则，也从未披露 3.x 各 SKU 是否共享同一个预训练 checkpoint。**
    最硬的间接证据是同一天的两句话：2026-07-21，Google 一边说 3.5 Pro 仍在 partner testing，
    一边说 Gemini 4「最雄心勃勃的预训练」已经启动[@src-09b59cb95c]——
    **这说明「Pro 线停摆」与「下一代预训练开跑」可以同时发生，两条线至少在调度上是解耦的。**

    **可证伪判据**：若 Google 日后发布一个小数位版本、却同时披露它换了预训练底座，该假说即被推翻。

    **对读者的实际含义只有一句：不要用版本号大小推断能力代差。**
    要判断一个 Gemini 型号有多强，看的是两个维度——**它坐在哪个预训练底座上**，以及**它的 thinking 预算档位**。






    **图 11.1** Gemini 3.6 Flash（2026-07-21 GA）官方评测图。
    **★先更正形态：这不是表，图里没有「行」**——它是**四个并列的柱状面板**，
    标题 “✦ Gemini 3.6 Flash”，副标 “Outperforms prior generations across agentic benchmarks”，
    每个面板三根柱，依次是 **Gemini 3.1 Pro / 3.5 Flash / 3.6 Flash**（柱顶印有数值）：
    ① 长周期软件工程 **DeepSWE v1.1**：12% → 37% → **49%**；
    ② 机器学习工程 **MLE-Bench**：42.6% → 49.7% → **63.9%**；
    ③ 知识工作 **GDPVal-AA v2**：965 → 1349 → **1421**（**这一格图上没有 % 号也没写单位**，
    同系列的 3.5 Flash 官方表把 GDPval-AA 标为 Elo，但本图未标，不要当成读图所得）；
    ④ computer use **OSWorld-Verified**：76.2% → 78.4% → **83.0%**。底部注明方法学页 `evals-methodology/gemini-3-6-flash`。
    **关键读法：这张图一共只有 4 个基准，而且四个全是 agentic 口径**——
    **没有 GPQA、HLE、AIME、ARC-AGI，也没有多模态与长上下文**。
    厂商没报什么，信息量常常比报了什么更大（详见第六节 6.8）。
    **另注：对照的两根柱是自家前代，图上没有任何竞品**，所以它撑不起任何跨厂商结论。
    [@src-d6251014f7]出处：blog.google, Introducing Gemini 3.6 Flash / 3.5 Flash-Lite / 3.5 Flash Cyber, 2026



### 2.1 一个反常信号：3.5 Pro 的公开时间窗口未兑现

Google 在 2026-05-19 的 3.5 Flash 发布中预告 Pro 版「已在内部使用，下个月推出」[@src-64d3b9098e]。
  到 2026-07-21 的三模型发布，仍然没有 Pro。**截至冻结日 2026-07-25，Gemini 3.5 Pro 从未公开发布，只在 partner testing 中**[@src-09b59cb95c]。
  **公开证据能支持的只有一条：一次公开时间窗口（「下个月推出」）未兑现，且至冻结日已过去约两个月。**
  **「三次延期」「因达不到内部标准」这类说法，本材料没有找到官方依据，因此不写**——
  延期次数与内部原因都未获官方披露。


  **「旗舰延期」有三种解释，证据强度完全不同，本材料无法在冻结日判定。**

    （a）**后训练的边际收益在递减**。同一个 Gemini 3 底座上，Flash 侧还能靠蒸馏加效率优化持续吃红利
    （3.6 Flash 的输出 token 用量比 3.5 Flash 少 17% 就是典型的效率型进步），
    但 Pro 侧要的提升可能更依赖预训练底座，而底座已经用了八个月。**（这是三种候选解释之一，不是结论。）**

    （b）**算力被 Gemini 4 预训练挤占**。Sundar 在 2026 Q2 财报电话会上把优先级说得很清楚——
    第一优先级是给前沿 AGI 开发分配算力[@src-9f4a08bfb1]，而「最雄心勃勃的预训练」正在跑。

    （c）**标准提高了**。3.1 Deep Think 在 2026-02 已把 ARC-AGI-2 拉到 84.6%（ARC Prize 官方验证），
    一个不能明显超过 3.1 Pro 的 3.5 Pro 发出来只会稀释品牌。

    **需要标明的是：有媒体报道称 Google 在 3.5 Pro 上遇到内部延期、未能达到内部性能目标——但这是媒体口径，非官方确认，本章不采为事实。**

    **可证伪判据**：若 Gemini 3.5 Pro 将来发布并在同一 GDPval-AA v2 锚定下把与榜首的差距缩到 100 Elo 以内，(a) 这条解释就被削弱。

⚠ 这条判据锚定在一块会动的板上：440 Elo 是 2026-07-25 的快照差（Gemini 最好公开值 1423±18 对榜首 1861），而 AA 的 GDPval-AA 是动态榜。检验时必须重新测量当时的榜首，不能拿 1861 当固定终点线——否则会重演本章 ARC-AGI-3 那次「阈值锚在陈旧快照上、设定没几天就逼近触发」的错误。

### 2.2 长上下文：Google 的领先是「能跑」，不是「跑得好」

这一节要写的是本项目里**最诚实的一个数字，而且是 Google 自己披露的**。
  在 Gemini 3.1 Pro 的官方模型卡上，MRCR v2（8 针多线索召回）分成 128k 与 1M 两行给：

| | 128k 平均 | 84.9% | 77.0% | 84.9% | 84.0% | 83.8% | 91.8%

| | 1M pointwise | 26.3% | 26.3% | 未报 | 未报 | 未报 | 54.0%

    表 11.3 · 长上下文的真实边界。**评测条件**：前五列全部取自 Google 于 2026-02-19 发布的 Gemini 3.1 Pro 模型卡同一张表[@src-564638136e]，
      最后一列取自 2026-07-21 的 Gemini 3.6 Flash 模型卡[@src-4b569e3e16]，**两者不同时点、不同对照组，最后一列只作纵向参考，不与前五列并排定胜负**。
      MRCR v2 为 8 针设置。★**两行的统计对象不同**：`upto_128K` 是**累计平均**，`at_1M` 是**逐点值**（依 Google `eval_hub` 的 MRCR v2 README）。**因此本表刻意不给「128k → 1M 的落差」那一行**——两个数单位相同但统计对象不同，相减得到的不是「从 128k 单点到 1M 单点的跌幅」。在拿不到 128k 逐点值之前，**真实的点到点跌幅大小是未知的**。





  **1M 名义窗口，不等于在 MRCR v2 8 针任务上可靠使用 1M。**
    本材料**不用「128k 减 1M」那个差值**来论证这件事（理由见表脚：两行统计对象不同）。
    更硬的论证只需要 1M 那一格自己：


    \[ 26.3\% \;-\; 15\% \;\approx\; 11\ \text{个百分点} \]
    (11.2b)
    Google `eval_hub` 的 MRCR v2 官方说明给出 **8 针设置的噪声地板约 15%**——
      即「已经找到八个相关回答后、在这些相关答案中随机选一个」的条件正确率。
      **所以 1M 档上 26.3% 里，真正的信号只有约 11 个百分点。**
      （注意这个 15% 是**条件**噪声，不是全空间盲猜；若在全部 assistant 回复里均匀随机，约为 1%。）



  这个算法的好处是**不需要任何跨口径比较**：它只用 1M 那一格自己的数，
    减掉同一份官方文档给的同一设置下的噪声地板。**26.3% 听起来像「勉强能用」，扣掉噪声地板之后更接近「刚刚离开随机」。**

    另一个值得注意的观察是 **3.1 Pro 与 3 Pro 在 1M 上完全一样都是 26.3%**——
    **限定在 Pro 线**，这一格从 3 Pro 到 3.1 Pro 没有移动
    （严格的 Pro 线序列是 2.5 Pro 16.4 → 3 Pro 26.3 → 3.1 Pro 26.3，**不要把 Flash 档的数混进这条序列**）。
    而 Claude 与 GPT 在这一格是「**各自模型卡未报**」——★**「不支持」这个说法已经过时**，
    Claude Opus 4.6 起已有 1M beta；本表这一格只能说明**它们没有在这项设置下报数**，不能说明它们跑不了。

    **到 3.6 Flash（2026-07-21 模型卡）这一格已经是 54.0%@1M**——扣掉同一个噪声地板还有约 39 个百分点的信号。
    **两个月内从 26.6% 到 54.0%，这说明它是一个工程差距，不是能力上限。**
    有效上下文与名义上下文的公式化处理见第 6 章 · 核心公式（有效上下文 vs 名义上下文那一条）。



      本章上一版的结论是「Google 在长上下文上的领先是『能跑』而不是『跑得好』的领先」。
        **反方主张：这个结论在 2026-07 的数据下已经过期，而且它把一个配方问题写成了能力问题。**




      证据就在同一份材料里：**3.6 Flash 在 1M 档上是 54.0%**，两个月前的 3.5 Flash 是 26.6%。
        如果 26.3% 反映的是「Transformer 在 1M 长度上的固有极限」，
        **那么一个更小、更便宜的 Flash 档模型不可能在两个月内把它翻倍**。




      反方成立的条件：3.6 Flash 的 54.0% 与 3.1 Pro 的 26.3% 是**同一设置**（8 针、pointwise、1M）。
        这一点成立——两者都标 `GDM-MRCR v2 (8-needle)`。
        **但两者出自不同时点的模型卡、不同对照组，因此只能作纵向参考。**




      **反方赢，本章据此改写。**正确的表述不是「跑不好」，而是：
        **Pro 线在这一格三代未动，而 Flash 线两个月翻倍——这更像优先级与配方的差异，不是能力上限。**

      **本章因此禁止对这一格使用「墙 / 上限 / 物理瓶颈」这类措辞。**
        那类词把一个可以被工程改动跨过去的差距，写成了不可跨越的边界，
        而同一份材料里就有反例。**更好的问题不是「1M 是不是极限」，而是「为什么 Pro 线不做这件事」**——
        后者是一个关于资源分配与后训练配方的问题，**本材料没有证据回答它**，只能把它标为开放问题。










    **图 11.2** Gemini 3.1 Pro 的官方 benchmark 表（2026-02-19）。**关键读法：这张图的对照组是 2026 年 2 月的竞品**
    （Gemini 3 Pro、Claude Sonnet 4.6 / Opus 4.6、GPT-5.2、GPT-5.3-Codex 共 5 个对照列），**不是 2026-07 的真实前沿**；
    引用其中任何一格，都必须连「Google 自跑、2026-02、模型卡口径」一起写。
    **★开图后必须补上一条列头里写着、却最容易被略过的条件：六列的 thinking 档位并不相同**——
    Gemini 两列是 **Thinking (High)**，Claude 两列是 **Thinking (Max)**，GPT 两列是 **Thinking (xhigh)**。
    **也就是说这张表连「同 effort」都不成立，横比时必须把这一格一并写出来。**
    另外，被高亮的 Gemini 3.1 Pro 并非格格领先——同表里 **GDPval-AA Elo 1317 落后于 Sonnet 4.6 的 1633 与 Opus 4.6 的 1606**，
    HLE 含工具档 51.4% 低于 Opus 4.6 的 53.1%，SWE-Bench Verified 80.6% 略低于 Opus 4.6 的 80.8%，
    MMMU Pro 80.5% 还低于自家上一代 3 Pro 的 81.0%。
    [@src-627606cdf9]出处：blog.google, Gemini 3.1 Pro: A smarter model for your most complex tasks, 2026



## 三、七家横向对照：能力、价格、上下文、agent、开源、算力自主、商业模式

下面这张表把七家放在一起。**请先读表脚再读表身**：
  不同厂商的「最新」处在完全不同的发布状态（Preview / GA / 受限试点），
  并排放在一张表里**只说明「同期存在」，不构成任何能力排序**。

| | agent 与工具 | Computer use 内置于 3.5 Flash（2026-06-24 preview）；Antigravity 2.0；Managed Agents；Gemini Enterprise Agent Platform（2026-04-22） | Sol 有 max 推理档与 ultra 并行子 agent 档 | 发布材料以 coding / agentic 私有套件为主（Cognition / Cursor / Hebbia / IMC） | 模型卡只报四行 coding，不报 GPQA / HLE / ARC-AGI | Meta Model API preview（2026-07-09） | V3.1 为 hybrid think / non-think（2025-08-21） | Qwen3-Coder 480B-A35B（2025-07-22）

      表 11.4 · 七家横向对照，**数据截止 2026-07-25**。一手来源：Google 侧见脚注 [@src-24717f621a]–[@src-e28566b191]、
      [@src-7fcb28f154]–[@src-7775dbd964]；竞品侧见 [@src-238c8d8bf6]–[@src-3825b65b13]；
      GPT-5.6 家族规格核实口径见 [80]。

      **★表脚（比表身重要）：不同厂商的「最新」处在不同发布状态——Google 的旗舰是 Preview，Anthropic 与 OpenAI 的是 GA，Google 的 Cyber 型号只是受限试点。
      并排放在一张表里只说明「同期存在」，不构成能力排序。**标「本材料未核实」的格子表示本项目没有回到一手来源核过，**不代表该项不存在**。






  **这张表是不对称的，而这个不对称本身应该被写出来。**
    Google 列几乎每格都有一手来源，其余六列有大量「本材料未核实」。
    原因很简单：本项目的调研目标是 Gemini 阵营，对竞品只做了时间坐标级的核实。
    **如果读者拿这张表去做选型，会系统性地高估 Google 的信息密度、低估其余六家**——
    这是一种可预测的选择偏差，跟第六节要讲的「厂商选择性汇报」是同一类问题，只不过这次犯错的是写表的人。
    **正确用法：把它当成一张「同期存在什么」的坐标图，不要当成评测。**



## 四、榜单快照（2026-07-25）与它们互不兼容的口径

这一节把冻结日的公开榜单摊开。**规则先行：这不是一张可以合并的总排名。**
  不同 benchmark 的题集版本、工具开关、reasoning effort 档位、scaffold 与成本全都不同，
  同名榜单还经常有两套互不兼容的实现。

| | 榜单 | 冻结快照（2026-07-25） | 条件与陷阱

         | LMArena Text
         | 官方静态快照 **2026-07-21**，7,430,560 票 / 378 个模型：#1 Claude Fable 5 (High) 12.72%±2.00；#2 GPT-5.6 Sol (xHigh) 10.12%±1.69；#3 Claude Opus 4.8 (Thinking) 9.75%±1.39
         | **三者置信区间重叠，不得写成确定名次。**该指标会随投票量持续漂移，引用必须带快照日期、票数与置信区间[@src-7f0f16c038][@src-7d09025c48]

| | SWE-bench Verified | 官方标准化 bash-only 口径下最新可比条目为 2026-02-17：Claude 4.5 Opus (high) 76.8%；Gemini 3 Flash high 与 MiniMax M2.5 high 均 75.8% | harness 为 mini-SWE-agent 2.0.0、单次尝试。不设跨 harness 的单一第一名；v1 与 v2 mini-SWE-agent 不可比。Google 模型卡里 3.1 Pro 的 80.6% 单次尝试是另一套口径^[45]

| | ARC-AGI-2 Semi-Private | Claude Opus 5 Max 90.4%（2026-07-24）；High 档 88.3%。Gemini 3.1 Deep Think 84.6%、3.1 Pro 77.1% | 各厂商 / ARC-verified 报告，reasoning effort 与成本不同。ARC Prize 公布的成本口径几乎所有二手报道都漏掉：3.1 Deep Think 在 ARC-AGI-1 上 96.0%、 $7.17/题**；ARC-AGI-2 上 84.6%、**$ 13.62/题^[46]

| | HLE（口径一） | Artificial Analysis：Claude Fable 5 max 53.3%；Opus 5 max 52.6%；Opus 5 xhigh 52.5% | 只测 2,158 道 text-only、pass@1。不能与 Google 的 full text+多模态 44.4% 混排^[47]

| | HLE（口径二） | Scale / CAIS 官方榜：最高原始分 gemini-3.1-pro-preview (thinking high) 46.44%±1.96；gpt-5.4-pro-2026-03-05 44.32%±1.95，两者同列 Rank-UB 1 | 2,500 题定稿多模态公开集、temperature 0。与口径一是不同题集与协议，禁止跨榜比名次；也不得说「Gemini 在 HLE 第一」而不写是哪一套榜^[48]

| | FrontierMath v2 | 本章不报未经页面显式展示的第一名 | 2026-06-12 的 v2 修正了 42% 的题目，旧 v1 分数全部不可沿用；官方页未返回可引的排名行^[49]

| | GDPval-AA v2 | Claude Opus 5 Max 1861 Elo；Opus 5 xhigh 1827；GPT-5.6 Sol max 1735。Gemini 侧最好的公开值是 3.6 Flash：1421（Google 07-21 模型卡）/ 1423±18（AA 07-25 动态榜）。对榜首的差距统一写**「落后约 440 Elo」**——动态榜带置信区间，不应写成无误差的精确差值 | 2026-07-25 抓取；Stirrup agent、带 shell+web、44 职业 / 9 行业、盲配对 Elo、人类基线锚 1000^[3]

| | GDPval（OpenAI 原版） | 无现行权威排名：OpenAI 已下线托管 leaderboard | 只剩厂商自报（GPT-5.2 Pro 60.0% clear win / 74.1% win-or-tie）。与 GDPval-AA 不是同一评测，不可互换合并^[50]

    表 11.5 · 冻结日榜单快照。**所有百分数都必须连同这一列的条件一起引用**；单独摘出一个数字放进 PPT，是本章最想劝阻的行为。








      **图 11.3** SWE-bench 官方 **Verified** 榜（页面抓取于 2026-07）。
      页面上明写着两件事：Verified 是 **500 条人工筛选实例**的子集；
      **所有模型都用同一个 harness（页面写的是 “mini-SWE-agent”，控件里选的是 mini-SWE-agent v2）**评测，
      就是为了消掉厂商 scaffold 的差异；也正因如此，它上面的分数普遍**低于**厂商模型卡里的自报值——
      例如 **Gemini 3 Pro 在这里是 69.60，而 Google 模型卡的 SWE-Bench Verified（single attempt）是 80.6%**。
      **★两处按图更正**：（1）**“bash-only” 四个字图上没有**，页面写的是「同一个 mini-SWE-agent harness」，
      本材料早前的措辞已订正；（2）**页面虽抓取于 2026-07，但表内 Date 列最新只到 2026-02-26**，
      **它反映的是 2 月的提交状况，不是 7 月的前沿**。
      表中还并列了 **Avg. $**（每题平均花费，本屏 14 行的跨度是 $0.05–$0.96），
      这是判断「分数是不是砸钱砸出来的」的必要列。（页面无「共 N 条」提示，无法从像素判断表下方是否还有更多条目。）
      [@src-433a37bad4]出处：SWE-bench Official Leaderboards (Verified), 2026





      **图 11.4** ARC-AGI-2 在 **2025-05** 的样子——前沿分数被压回接近 0。
      **★形态先说清：这不是排行榜表格，而是一张成本—分数散点图**——
      纵轴 SCORE (%) **量程只开到 5%**，横轴是 COST PER TASK（$1e-3–$1K 对数轴），三角形为模型、虚线连同族。
      经像素标定（横轴 269.3 px/十倍、纵轴 176 px/百分点）：**全图最高的标注点是 o3-preview (Low)*，4.0% @ 约 $200**，
      绝大多数模型贴在 0%–1.5% 之间。
      **关键读法：把它和冻结日的最高分放在一起看，就是「难度重置」的完整寿命曲线**——
      从 2025-03 的前沿约 4%，到 **2026-07-24 的 Claude Opus 5 Max 90.4%**（ARC-AGI-2 Semi-Private），约 16 个月。
      **口径统一说明**：本章一律以 **90.4%** 作为 ARC-AGI-2 的寿命终点（与第九节寿命表一致）；
      正文另处出现的 **92.5%** 是**另一个模型**（GPT-5.6 Sol 的 Max 档）在 effort 曲线顶端的值，**两者不可混用**——
      图注早前把两个数写在同一句里，已订正。
      **另注**：本图**不含任何 2026 年数字，也不带日期**（2025-05-15 取自 ARC Prize 的图片文件名）；
      左上角还有三四个**无标签的暗灰色点**（约 3.5%–4.5%，$0.005–$0.02），像素上无法判定含义，本材料不引用。
      这张图是历史快照，**不代表冻结日的排名**。
      [@src-e15a9d7326]出处：ARC Prize, ARC-AGI-2 Technical Report, 2025




### 4.1 一个条件内自洽的对照：Google 官方模型卡口径（2026-02）

要画雷达图，唯一安全的做法是**所有数据点来自同一张表**：同一 harness、同一时点、同一家跑。
  下面两张图的数据全部取自 Google 于 2026-02-19 发布的 Gemini 3.1 Pro 模型卡与同期的 Deep Think 模型页。
  **缺格的轴一律整轴去掉，绝不把缺失当 0 画**——GPQA Diamond 只有 Gemini 3.1 Pro 一格有数（94.3%），所以它不在雷达图上。



    Google 官方模型卡口径（2026-02）· 两张条件内自洽的图
    切换标签页；点图例可开关系列
























    **数据来源与全部评测条件**：图 A 四个轴（HLE 无工具 / SWE-bench Verified 单次尝试 / MMMU-Pro 无工具 / MMMLU）
    与四个系列（Gemini 3.1 Pro、Gemini 3 Pro、Claude Opus 4.6、GPT-5.2）**全部取自 Google 于 2026-02-19 发布的 Gemini 3.1 Pro 模型卡同一张表**[@src-564638136e]；
    图 B 的 ARC-AGI-2 取自同期的 Gemini Deep Think 模型页对照表（ARC Prize 官方验证口径）[@src-c8bba1a41d][@src-1f86bb6aa9]。
    **这是厂商自测，不是独立复现；对照组是 2026 年 2 月的竞品，不是 2026-07 的真实前沿。**
    pass@1 / 单次尝试口径，thinking 档位按各模型卡标注（Opus 4.6 为 Max、GPT-5.2 为 xhigh）。
    **本图内各点条件一致；跨图比较无效。**文字替代见下方表 11.6。

| | HLE（无工具） | 44.4% | 37.5% | 40.0% | 34.5% | 48.4%

| | SWE-bench Verified（单次尝试） | 80.6% | 76.2% | 80.8% | 80.0% | 未给

| | MMMU-Pro（无工具） | 80.5% | 81.0% | 73.9% | 79.5% | 81.5%

| | MMMLU | 92.6% | 91.8% | 91.1% | 89.6% | 未给

| | ARC-AGI-2（ARC Prize 验证） | 77.1% | 31.1% | 68.8% | 52.9% | 84.6%

| | GPQA Diamond | 94.3% | 未给 | 未给 | 未给 | 未给

    表 11.6 · 图 A / 图 B 的文字替代。**「未给」表示 Google 在这张模型卡里没有填这一格，本章不用其他来源的数字去补**——
      补进来就破坏了「条件内自洽」这个前提。评测条件同上方 `.iv-foot`：Google 自跑、2026-02、pass@1 / 单次尝试。





  **图 A 最诚实的信息，其实是「四个形状几乎重叠」。**
    在 HLE、SWE-bench Verified、MMMU-Pro、MMMLU 这四个轴上，2026 年 2 月的四个前沿模型
    分数带宽分别只有 9.9、4.6、7.1、3.0 个百分点。
    而这四个题库自身的已知错误率是多少？MMLU 6.49%、GPQA Diamond 约 8%、HLE 全量复审后仅 26.7% 原样通过、
    SWE-bench Verified 被 OpenAI 以「≥59.4% 有问题」为由弃用[@src-20fd64a19e]。
    **需要谨慎的是怎么用这个数。**「题库错误率大于模型差距 ⇒ 差距不存在」这个说法很顺口，但**在统计上不成立**：题目缺陷率描述的是**题集的标注质量**，它不是模型分差的置信区间；缺陷题既可能同时拉低两个模型、也可能只影响其中一个。正确的做法是**在修订后的题集上重打分、做配对 bootstrap、并跑一次敏感性分析**。本材料能负责任地说的是：**当分差与题库缺陷率同量级时，缺陷足以改变排序，因此该排名不应被当作稳定结论**——而不是「差距不存在」。按这个更弱的判据，图 A 上除 MMMU-Pro 外的三轴排名都**不稳定**。
    **真正把四个模型区分开的是 ARC-AGI-2 那一格（31.1% 到 84.6%，跨度 53.5 个点）——而它恰好是唯一一个有独立第三方验证与公开成本口径的轴。**



## 五、Terminal-Bench 2.0 的两个数：换 harness 就换答案

这一节独立成节，因为它是本章最重要的方法论教具。
  **同一个 GPT-5.3-Codex，在同一个 Terminal-Bench 2.0 上，有两个相差 12.6 个百分点的公开分数**：



    **Google 模型卡口径：64.7%**

      出自 Google 于 2026-02-19 发布的 Gemini 3.1 Pro 模型卡对照表，
      同表里 Gemini 3.1 Pro 在 Terminus-2 harness 下是 **68.5%**。
      按这个口径读，**Gemini 3.1 Pro 领先 GPT-5.3-Codex 3.8 个百分点。**




    **另一套自报 harness 口径（Codex）：77.3%**

      同一 benchmark 版本、不同 harness / scaffold。
      按这个口径读，**Gemini 3.1 Pro 落后 GPT-5.3-Codex 8.8 个百分点。**

      **同一个问题，两个相反的答案，全看你信谁的 harness。**







    Terminal-Bench 2.0 · 同一个模型的两个官方可查分数
    悬停看每根柱的口径；注意 GPT-5.3-Codex 那一行有两根柱，其余各行只有一根





    **数据来源与全部评测条件**：蓝色系列取自 Google 于 2026-02-19 发布的 Gemini 3.1 Pro 模型卡，
    benchmark 版本为 **Terminal-Bench 2.0**、harness 为 **Terminus-2**、Google 自跑[@src-564638136e]；
    紫色系列是同一 benchmark 版本下**另一套「best self-reported harness (Codex)」**的口径；本材料**不自行补充该 harness 的运行方身份**（早先版本写的「Verdent」未获已批准基线直接支持，已删除）[80]。
    **只有 GPT-5.3-Codex 一行同时有两个口径的公开值，其余各行的紫色柱为空——空不等于 0，是本材料没有可引的第三方值。**
    Terminal-Bench 的官方定义与题集见论文 arXiv:2601.11868[@src-f6aa42bfdc]。文字替代见下方表 11.7。

| | 模型 | Google 模型卡口径（2026-02，Terminus-2） | 另一套自报 harness 口径（Codex） | 差值

| | GPT-5.3-Codex | 64.7% | 77.3% | 12.6 个百分点

| | Gemini 3.1 Pro | 68.5% | 本材料无可引值 | —

| | Claude Opus 4.6 | 65.4% | 本材料无可引值 | —

| | Claude Sonnet 4.6 | 59.1% | 本材料无可引值 | —

| | Gemini 3 Pro | 56.9% | 本材料无可引值 | —

| | GPT-5.2 | 54.0% | 本材料无可引值 | —

    表 11.7 · Terminal-Bench **2.0** 双口径对照（不是 2.1）。**评测条件**：Google 列为 2026-02 模型卡、Terminus-2 harness、Google 自跑；
      第三方列为 Verdent 汇总口径。**两列不可相互填补空格。**




### 5.1 双数不止一例：Google 自己也给过同一个模型两个数

如果只有 GPT-5.3-Codex 一例，还可以辩解成「第三方汇总不严谨」。**但 Google 对自己的模型也出现了同样的问题**：

Gemini 3 Pro 的 Terminal-Bench 2.0：Google 开发者博客写 54.2%，三个月后 Google 自己的 Gemini 3.1 Pro 对照表把同一个模型标成 56.9%。 同一家公司、同一个模型、同一个 benchmark 版本，差 2.7 个百分点。合理的解释是换了 harness（Terminus-2）或者重跑了一遍，但 Google 两处都没有做交叉说明^[2]^[17]。
Gemini 3.1 Pro 自己在 Terminal-Bench 上则有三个数：68.5%（2.0 版本）、70.3% 与 73.8%（均为 2.1 版本，不同汇总）。 跨版本比较是最常见也最隐蔽的错误——2.0 与 2.1 的题集不同，Terminal-Bench 2.0 的 89 题里还修过 28 题^[51]。

Gemini 3.5 Flash 的 76.2% 与 3.6 Flash 的 78.0% 都是 Terminal-Bench 2.1 + Terminus-2 口径^[34]^[43]， 不能与上表任何一个 2.0 的数字放在一起排名。

    **图 11.5** Terminal-Bench **2.1** 官方榜（2026-07 抓取，页面写「Showing 17 entries」，Date 列最新到 2026-07-11）。
    **关键读法：榜上每一条目都是「agent × 模型」的组合，不是模型本身**——
    表头把 **Agent** 与 **Model** 分成两列就是这个意思，这正是「harness 是一等变量」的直接可视化。
    **★图里自带最硬的一组证据：同一个模型换 agent，分数差得比很多「代际差」还大**——
    **Gemini 3 Pro 配 Terminus 2 是 73.9% ± 1.3%，配 Gemini CLI 只有 65.8% ± 1.4%，同模型相差 8.1 个百分点**；
    Fable 5 配 Claude Code 83.8% 对配 Terminus 2 80.4%；GPT-5.5 配 Codex 83.1% 对配 Terminus 2 78.0%。
    表里还有两列常被忽略：**Cost**（本屏跨度 $134.09–$2,059.19，第 2 名 Codex + GPT-5.5 花了两千美元）
    与 **Hacks**（Cursor CLI + Grok 4.5 那一行是 −9.0%，其余多在 0% 至 −0.9%）。
    **准确率一律带 ± 置信区间（±1.1% 至 ±1.7%），因此相邻名次多数不可区分。**
    **本图是 2.1 版本，不能与上表的 2.0 数字并排。**
  [@src-261b9b6325]出处：terminal-bench@2.1 Leaderboard, 2026




**「Gemini 3.1 Pro 在 Terminal-Bench 上是赢还是输」这个问题，在 2026 年是没有答案的。**
  不是因为数据缺失，而是因为**问题本身问错了**：Terminal-Bench 测的从来不是模型，是「agent × 模型 × harness × 题集版本」这个四元组。
  换掉四元组里的任何一项，答案都会变。已知的量级是：**只换 scaffold 能动 5–15 个点**
  （Epoch 测得 SWE-bench Verified 上 GPT-5 动 11 点、Kimi K2 Thinking 动 15 点），
  **Agents' Last Exam 的作者自测两个 harness 对同一任务的 pass/fail 判断只有 63% 一致**[@src-20fd64a19e]。

  **可操作的结论**：任何跨厂商的 agent benchmark 比较，如果没有写清 harness 名称与 benchmark 版本号，
  就应该被当成「未提供信息」处理，而不是「信息偏弱」。harness 与 agent 环境的系统讨论见
  第 8 章 · Agent 与世界模型（验证器、harness 与 agent 环境那两节）。

六、2024–2026 沉淀下来的八条工程共识

这一节把两年里真正沉淀成「行业默认做法」的东西列出来。每一条都配一个可核的数字，因为没有数字的「最佳实践」就是口号。

6.1 第一条：test-time compute 的产品化

Gemini 2.5 Pro 的官方技术报告给了一组少见的完整数据：同一个模型、只改 thinking budget，三条曲线画在技术报告的 Figure 4 上（arXiv:2507.06261）^[7]。下表是本材料直接对该图逐点数字化的结果^[7]：

| | 1,024 | ≈67.2% | ≈48.5% | ≈80.0%

| | 2,048 | ≈68.9% | ≈50.5% | ≈80.3%

| | 4,096 | ≈70.7% | ≈58.4% | ≈82.1%

| | 8,192 | ≈81.2% | ≈72.8% | ≈84.9%

| | 16,384 | ≈87.4% | ≈75.8% | ≈84.7%

| | 32,768 | ≈87.7% | ≈76.2% | ≈86.1%

    表 11.8 · thinking budget 与分数。**评测条件**：Gemini 2.5 Pro，官方技术报告 Figure 4，arXiv:2507.06261（2025-07）；
      AIME 2025 为单次尝试、无多数投票。**数值为本材料对该图的逐点读数**，读数来源是三张子图的 y 轴网格线
      （AIME 每格 5 个百分点、LiveCodeBench 每格 5、GPQA diamond 每格 2），
      **读图误差约 ±0.3 个百分点**，不是论文正文给出的数字。
      **该图只有六个采样点，横轴是 1,024 / 2,048 / 4,096 / 8,192 / 16,384 / 32,768**；
      **原图没有把任何一个点标为「默认」**。本表只对 Gemini 2.5 Pro 成立——Gemini 3 起 API 改用
      thinking level（LOW / MEDIUM / HIGH），不再暴露 token 级预算。





  **更正记录。**本章早先的版本用的是一份二手转录的五点表（1,024 / 4,096 / 8,192 /
    16,384 / 32,768，分数为 66 / 75 / 80 / 84 / 88 等），那份表**漏掉了 2,048 这个点、
    把 8,192 标成了原图没有的「默认」、并且有三处数值与原图不符**
    （8,192 的 LiveCodeBench 原图约 72.8% 而非 68%；16,384 的 AIME 约 87.4% 而非 84%；
    32,768 的 GPQA 约 86.1% 而非 88%）。由那组点算出的弹性与交互曲线随之全部失效。
    **上表与下文的弹性、下方交互图的锚点，均已按原图重新数字化。**



定义每次预算翻倍带来的分数增量为「thinking 弹性」：


  \[ \eta \;=\; \frac{\Delta\,\text{score}}{\Delta \log_2 B} \]
  (11.1)
  从 1,024 到 32,768 是 5 次翻倍，端到端平均：AIME 2025 约 **4.1** 个百分点/翻倍、
    LiveCodeBench 约 **5.5**、GPQA Diamond 约 **1.2**。
    **但这个平均值本身是有误导性的**——见下面的 critique。




  逐点看，三条曲线都**不是**在 \(\log_2 B\) 上的直线，所以式 (11.1) 的单一 \(\eta\) 只是端点连线的斜率，不是任何一段的真实边际收益：

  **（1）收益高度集中在中间一段。**AIME 从 1,024 到 4,096（两次翻倍）只涨了约
    **3.5 个百分点**，而从 4,096 到 8,192（一次翻倍）跳了约 **10.5 个百分点**。
    用平均弹性 4.1 去描述这两段，两段都会被描述错。

  **（2）最后一次翻倍几乎买不到东西。**16,384 → 32,768 上，AIME 只涨约
    **0.3 个百分点**、LiveCodeBench 约 **0.4**——**算力翻倍，分数在读图误差之内**。
    这一段的真实结论是「已经饱和」，而不是「每翻倍再涨 4 个点」。

  **（3）★GPQA Diamond 是非单调的。**原图上它在 8,192 处约 **84.9%**，
    到 16,384 反而降到约 **84.7%**，再到 32,768 才回到约 86.1%。
    这个下凹幅度（约 0.2 个百分点）落在读图误差里，**本材料不据此断言「多想会变笨」**；
    但它足以说明一件事——**官方自己的图里就没有出现一条单调上升的曲线，
    而二手转录把它抹成了单调**。凡是「thinking budget 越大越好」的说法，
    在这张图上就已经找不到无条件的支持。

  这一点与 Princeton 的 Holistic Agent Leaderboard 的发现方向一致（见下文 6.1 末尾），
    但要注意两者是**不同性质的证据**：这里是单模型的官方曲线出现平台与微幅回落，
    那里是跨模型跨 benchmark 的 agent rollout 统计。**不要把两者当成同一个结论的两次印证。**




  **同一个 Gemini 2.5 Pro，在 AIME 2025 上可以被合法地报成约 67% 或约 88%，全看 `thinking_budget` 设成多少。**
    这不是作弊，两个数字都是真的。问题在于**「模型能力」这个概念已经从一个标量变成了一条曲线** \( S(B) \)，
    而厂商报的是这条曲线上他们挑的某一个点。

    竞品同样严重：ARC Prize 给出 GPT-5.6 Sol 在 ARC-AGI-2 上五档 reasoning effort 的完整曲线——
    **Low 42.5% → Medium 67.1% → High 85.4% → Extra High 90.0% → Max 92.5%，同一个模型 50 个点的跨度**[@src-20fd64a19e]。
    所以当我们说「A 比 B 强」时，严格来讲只能说「在各自厂商选定的 effort 档位与 harness 下跑出的两个数字，一个比另一个大」。
    pass@k 与 test-time compute 的公式化处理见第 6 章 · 核心公式（pass@k 无偏估计量与 test-time compute 那两条）。





    拖动 thinking budget，看同一个模型的三条分数曲线
    滑杆是对数刻度，从 1,024 到 32,768 token；下方读数给出当前预算下的三个分数与相对 1,024 的增量





    **数据来源与全部评测条件**：**六个**锚点全部取自 Gemini 2.5 Pro 官方技术报告的
    **Figure 4**（arXiv:2507.06261，2025-07）[@src-75cbdfdb08][@src-75cbdfdb08]，
    **是本材料对该图的逐点读数（误差约 ±0.3 个百分点），不是论文正文给出的数值**；
    原图横轴只有 1,024 / 2,048 / 4,096 / 8,192 / 16,384 / 32,768 六个采样点，**且未把任何点标为「默认」**；
    锚点之间按 \(\log_2 B\) 线性插值，插值段属于本章的呈现方式而非原始数据。
    **该曲线只对 Gemini 2.5 Pro 成立**：Gemini 3 起 API 改用 thinking level（LOW / MEDIUM / HIGH），不再暴露 token 级预算。
    指标口径为官方表格所用设置，AIME 2025 为单次尝试、无多数投票。文字替代见上方表 11.8。








      **图 11.6** thinking budget 与准确率的关系（Gemini 2.X 技术报告图 4）。
      **★这是三个并列面板，不是一条曲线**：横轴同为 thinking budget（1024 / 2048 / 4096 / 8192 / 16384 / 32768 六个离散档），
      纵轴同为 Accuracy / Pass rate (%)，但**三格的纵轴量程各不相同（AIME 65–90、LiveCodeBench 45–80、GPQA diamond 78–88），
      因此三条曲线的陡峭程度不可互相比较**。
      **★并且它不是单调上升的**——这与本节表 11.8 与上面那条 critique 是同一个结论：
      按本次像素标定（AIME 11.5 px/百分点、LiveCodeBench 8.2、GPQA diamond 28.8），
      **GPQA diamond 在 8192→16384 之间回落约 0.1–0.2 个百分点**（两个标记点在像素上确实不重合，但幅度落在读图误差内，
      **本材料不据此断言「多想会变笨」**）；AIME 与 LiveCodeBench 的末档也只再涨约 0.3–0.4 个百分点，基本走平。
      图注早前写的「单调上升曲线」与本章 6.1 节自己的结论直接冲突，**已订正**。
      **关键读法：这是「测试时算力的产品化旋钮」第一次被官方画成曲线**——它同时也是「同一个模型可以是任意分数」的原始证据。
      **另注：图上没有印任何模型名**，「Gemini 2.5 Pro」这一条来自技术报告正文而非本图像素。
      [@src-fea64c89da]出处：Gemini 2.5 Technical Report (arXiv:2507.06261), 2025





      **图 11.7** 预训练算力 vs 测试时算力的权衡（Snell et al., 2024，图上标题 “Comparing Test-time and Pretraining Compute”）。
      **★它有两个面板、五条难度分层曲线、三条 R 参考线，这三层结构决定了结论，缺一条就会读错**：
      **左面板 Revisions、右面板 PRM Search**；两格横轴都是 “Proportional to Inference FLOPs”（2⁰→2⁸），
      纵轴都是 MATH Difficulty Level Accuracy (%)；右侧色标把曲线按 **难度 1（紫）→ 5（蓝）** 分层；
      图例给出 **★ = Pretraining Compute**、**实线圆点 = Test-time Compute**，
      三条竖虚线分别是预训练/测试时算力比 **R ≫ 1（2⁴）、R ≈ 1（2⁶）、R ≪ 1（2⁸）**——
      **星标只画在这三条线上，所以「FLOPs 对齐」这件事只在这三个位置成立，不是整条横轴。**
      **★两个面板给出的答案并不一样，这恰恰是本图的要点**：
      在 **Revisions** 面板，难度 1–2 上实线在三个 R 位置都压住★（测试时算力占优），难度 3 在 2⁴ 到 2⁸ 之间发生交叉；
      在 **PRM Search** 面板，★ 反而几乎处处不低于实线，难度 5 上尤其明显，只有难度 2 在 2⁸ 处被实线超过。
      **所以「该花在哪」同时取决于方法与难度，本图没有给出一个普适答案。**
      **⚠ 判读限制**：本地文件仅 566×227，**难度 4 与 5 两条线被压在轴底，星标与折线在多处相互重叠，
      那两档的高低差不可靠判读**，本材料不据此排序。
      这道题正是 2026 年 Pro 线与 Flash 线分化背后的那道题。
      [@src-09dec58f8a]出处：Scaling LLM Test-Time Compute Optimally Can Be More Effective Than Scaling Model Parameters (arXiv:2408.03314), 2024





  **加钱不一定买到更好的答案，这是 2026 年最反直觉的一条实测结论。**
    Princeton 的 Holistic Agent Leaderboard 收集了 **21,730 条 agent rollout**（9 个模型 × 9 个 benchmark），
    发现**在多数运行中提高 reasoning effort 反而降低了准确率**；给出的机制是：
    预算变大时，模型常常在中途已经得到正确答案，然后又把它推翻了[@src-20fd64a19e]。

    另一个数量级上的证据：Artificial Analysis 测得 GPT-5 在 high effort 下跑完 Intelligence Index 消耗 **8,200 万 token**，
    minimal 档只要 **350 万**——**23 倍的 token 只买到 1 个 Index 点（67 → 68）**。
    **所以「把 thinking 拉满」不是一个默认正确的工程选择，它需要按任务类型实测。**



### 6.2 第二条：RLVR 与可验证奖励成为后训练主线

可验证奖励（verifiable reward）在 2024–2026 从一个技巧变成了后训练的组织原则：**凡是能自动判分的任务，就能被做成 RL 环境**。
  这条共识的直接后果，是第七节要展开的那个更深的问题——**benchmark 与 RL 环境在结构上是同一个东西**，
  区别只在于那个标量是被报告出去了，还是被接回去当奖励。RLVR 的公式与适用条件见
  第 6 章 · 核心公式（RLVR 与可验证奖励那一条），
  对 agent 训练环境的影响见第 8 章 · Agent 与世界模型。

### 6.3 第三条：agent harness 成为一等变量

2024 年谈模型能力还可以只谈模型，2026 年不行了。**只换 scaffold 能动 5–15 个点**
  （Epoch 测得 SWE-bench Verified 上 GPT-5 动 11 点、Kimi K2 Thinking 动 15 点），
  而 Agents' Last Exam 的作者自测**两个 harness 对同一任务的 pass/fail 判断只有 63% 一致**[@src-20fd64a19e]。
  2026 年的常见 harness 包括 Codex CLI、Claude Code、Gemini CLI、Terminus 2、mini-SWE-agent。
  **不写 harness 名称的 agent 分数，等于不写单位的物理量。**

### 6.4 第四条：长上下文的真实边界已经被官方量化

见第二节表 11.3：MRCR v2 从 128k 到 1M 的断崖（3.1 Pro 84.9% → 26.3%）。
  **这一条之所以重要，是因为它是行业里极少数「厂商主动把自己最难看的一格印在模型卡上」的例子**，
  也因此成了本章判断可信度时最信任的一格。

### 6.5 第五条：蒸馏与小模型——2026 年第一次把「输出 token 数」当核心卖点

Gemini 的 co-leads 公开说法是「每代 Flash 超越前代 Pro」。到 2026-07-21 这一版，
  Google 换了一个更硬的说法：**3.6 Flash 相对 3.5 Flash 输出 token 用量减少 17%**（Artificial Analysis Index 口径），
  在 Datacurve 的 DeepSWE 上**最高减少 65%**，而且单位输出 token 单价更低（$9 → $7.50）[@src-09b59cb95c]。
  两个版本间隔仅约九周，Sundar 在 Q2 财报会上说 3.6 Flash 在 DeepSWE 上比 3.5 Flash「跳了 10 分以上」[@src-9f4a08bfb1]。




    **图 11.8** Gemini 3.6 Flash 的「**每题平均输出 token 数**」官方图（2026-07-21）。
    **★三处按图更正**：这张图**没有「质量」这一维，也没有「成本」这一维**（文件名里的 “quality-vs-cost” 同样与内容不符）；
    **token 用量在纵轴不在横轴**——副标题明写 “Avg output tokens per task”，**横轴只是两个模型名**。
    实际是**两个面板、每个面板两根柱**：**DeepSWE v1.1** 上 3.5 Flash **276K** → 3.6 Flash **97K**（降到约 35%）；
    **Artificial Analysis Intelligence Index** 上 **28K** → **23K**（降到约 82%）。
    **关键读法：2026-07-21 这次发布最值得注意的不是分数，
    而是 Google 第一次把「输出 token 数」单独做成一张主图当核心卖点。**这是评测叙事从「谁更强」转向「谁更省」的一个标志性时点。
    **本图不含任何质量分数或美元价格，「质量 vs 成本」需另配图。**
    [@src-2a70e006b5]出处：blog.google, Introducing Gemini 3.6 Flash / 3.5 Flash-Lite / 3.5 Flash Cyber, 2026



### 6.6 第六条：MoE 成为标配，连开源线也不例外

Gemma 4（2026-04-02，Apache 2.0）是**首个 MoE Gemma**（26B-A4B），最高 256K context[@src-20e9cbbba2]；
  DeepSeek 在 2025-09-29 的 V3.2-Exp 上引入 DeepSeek Sparse Attention[@src-57fb8eea07]。
  **需要提醒的是：Gemini 自身的参数量、专家数、Top-k 与训练 token 数，Google 从未公开过任何一个数字。**
  任何流传的具体数值都是外部估算，本章不采用。

### 6.7 第七条：推理成本曲线——榜单最大的结构性盲点

分数榜上没有每任务成本，这不是疏忽，这是这套体系最大的盲点。
  Artificial Analysis 是唯一在主榜上做这件事的第三方：

| | DeepSeek V4 Pro | 44 | $0.04 | 1100

| | GLM-5.2 | 本表未给 | 本表未给 | 159

| | GPT-5.5（xhigh） | 55 | $0.99 | —

| | Claude Opus 4.8（max） | 56 | $1.78 | 31

| | Claude Fable 5 | 60 | $2.75–3.25 | 22

    表 11.9 · 每美元智能（IPD）。**口径**：Artificial Analysis 第三方评测，2026-07 抓取；
      Intelligence Index 是复合指标，**不是单一 benchmark**。「本表未给」表示本材料只取到 IPD 值、没有取到该模型的 Index 与成本原值。





  \[ \mathrm{IPD} \;=\; \frac{\text{Intelligence Index}}{\text{Cost per Task}} \]
  (11.2)
  用约 **70 倍**的钱（$0.04 → $2.75–3.25）买 **16** 个 Index 点（44 → 60）。代入 IPD 后，**排名几乎完全反转**。





    Intelligence Index vs 每任务成本（对数横轴）
    越靠左上越划算；四个点是本材料能同时取到「分数」与「成本」两个值的全部模型





    **数据来源与全部评测条件**：Artificial Analysis 第三方口径，2026-07 抓取[@src-20fd64a19e]。
    横轴为跑完一个 Intelligence Index 任务的美元成本（对数轴），纵轴为 Intelligence Index 分数。
    **Intelligence Index 是复合指标而非单一 benchmark，其权重最高的一项是 GDPval-AA，而 GDPval-AA 是模型评模型的 Elo**（见 6.8 与第七节）。
    Claude Fable 5 的成本原值是一个区间（$2.75–3.25），图上取 $3.00 作为绘图点。**本图只画本材料同时取到两个值的四个模型，
    不代表这四个是前沿的全部。**文字替代见上方表 11.9。





  **IPD 有一个必须同时写出来的缺陷：Index 有下限而成本没有下限，所以 IPD 系统性偏袒低分模型。**
    它只回答「预算有限时买什么」，**不回答「谁最强」**。

    还有两条被榜单完全丢弃的信息：

    **（1）时间。**Artificial Analysis v4.1 报告的 Time per Task 跨度是 **1.5 到 13.5 分钟，约 9 倍**，而这些模型的 Index 只差几个点。
    另有一个跨度更大的例子，但它的证据等级低得多，必须连同限定条件一起读：
    在一次**第三方个人自测**（Menlo Ventures 的 Deedy Das 自建 harness）中，**该层的三个**模型在 IMO 2026 题目上都拿到满分，墙钟时间分别约
    **2.5 小时 / 3.8 小时 / 17.4 小时**——约 7 倍的差距[81]。
    **⚠ 别把这「三个」当成 IMO 2026 的 AI 满分总数**：全站统一口径是**三个验证层级共六个 42/42**——
    官方 IMO 阅卷 **2** 家（华为 Celia、小红书 dots-note-3.0）／本层自办 harness **3** 家／Lean 4 机器验证 **1** 家（AxiomProver），
    另有 NVIDIA Nemotron 3 Ultra 30/42 由 IMO 团队阅卷。拆分详见第 9 章 §4.9与
    第 14 章表 14.4b（**整体只能取 C 级：IMO 官网没有 AI 成绩页**）。

    **这一层不是 IMO 官方评审**：它是个人组织的评测，其中两个模型的解答经过了 repair（二次修补）流程，
    判分环节还用到了 Claude agent 作为 grader。**因此它既不能与 2025 年 IMO 官方 coordinator 认证的结果并排，
    也不能用来证明「判分器是脚本而非 LLM」。**
    **★而这一层最有信息量的一格恰好也服务于本节的论点：同一模型家族内仅调 effort 档位，首过分数就摆动 11 分**——
    **当分数能被推理预算移动 11 分、而满分只有 42 分时，「谁拿了满分」已经不再区分模型，这正是 IPD 丢掉时间维度的代价。**本材料只把它当作
    **「同样的分数背后可以有数量级不同的算力与时间」的一个例证**，不作为能力排名的依据。

    **（2）一致性。**榜单报的是「跑一遍的多任务平均」，产品面对的是「同一个任务跑很多遍」。
    ReasonBench 用 12 个模型 × 6 类推理任务 × 每配置 30 次相同试验测这个效应，发现
    **得分最高的推理策略只在 77% 的一对一比较中胜出——单次运行大约每四次就有一次选错赢家**[@src-20fd64a19e]。
    这个 23% 的翻转率**只在该实验自己的模型池、判分器与抽样协议下成立**，**不能外推成「任何选型决策都有 25% 概率出错」**。它能支持的结论要弱得多，但仍然有用：**单次运行不足以在两个接近的方案之间定胜负，选型至少要重复跑并报方差。**







      **图 11.9** Artificial Analysis Intelligence Index **v4.1**（2026-07 抓取）。
      **★更正一处：这不是「全榜」**——页面筛选框明写 “**28 of 586 models**”，即这是从 586 个模型里筛出的一屏；
      **而且像素扫描在基线上方只数出 27 根柱，与筛选框写的 28 差 1**（差异原因不能从像素判定）。
      分值从 **61**（Claude Opus 5 max）递减到 **17**（K2 Think V2），其中 **Gemini 3.6 Flash 50、Gemini 3.1 Pro Preview 46**。
      **关键读法：副标题已写明它是由 9 项评测合成的复合指标**
      （GDPval-AA v2、τ³-Banking、Terminal-Bench v2.1、SciCode、Humanity's Last Exam、GPQA Diamond、CritPt、AA-Omniscience、AA-LCR），
      **不是单一 benchmark**；引用时必须说清版本号（v4.1）与抓取时点——**注意图上不带任何日期**，2026-07 是本材料的抓取时点。
      [@src-ca4de0894d]出处：Artificial Analysis — Comparison of Models: Intelligence, Performance & Price, 2026





      **图 11.10** Intelligence / Speed / Cost per Task 三联对比（2026-07 抓取，页面 “Highlights” 区）。
      三格各自标了口径：**Intelligence**（Artificial Analysis Intelligence Index · Higher is better，61→24）、
      **Speed**（Output tokens per second · Higher is better，268→33）、
      **Cost per Task**（Weighted average cost (USD) per Intelligence Index task · **Lower is better**，$0.04→$2.75）。
      **★读这三格有一个必须先知道的坑：三格各自按自己的指标独立排序，因此同一个模型在三格里的横向位置完全不同**——
      例如 GPT-5.6 Sol 在 Speed 里排第一（268 tok/s）、在 Intelligence 里排第三；
      Claude Opus 5 max 在 Intelligence 里排第一、在 Cost 里却是倒数第二（$2.03）。
      **三格都只画了 12 个模型，是图 11.9 那 27 根柱的一个子集。**
      **关键读法：把「分数」「速度」「成本」并列画出来，就是本节想说的全部——
      单看第一张柱状图做决策，等于把后两张的信息扔掉。**（图上同样不带日期。）
      [@src-e3caaea65c]出处：Artificial Analysis — Independent analysis of AI, 2026




### 6.8 第八条：评测方法论的进步与危机

这一条要写成方法论教学，因为它是本章其余所有数字的**前提条件**。

#### 题库自身的错误率

| | 题库 | 已知缺陷率 | 来源性质

| | MMLU | 6.49% 错题 | 独立审计论文

| | GPQA Diamond | 约 8% 无效题（198 题总量） | 第三方估计

| | HLE | 全量复审后仅 26.7% 原样通过 | HLE-Verified，2026-02

| | FrontierMath | v2 修正了 42% 的题（2026-06-12） | Epoch AI 主动公开修正

| | SWE-bench Pro | 审计出 27.4%–34.1% 损坏 | OpenAI 审计，2026-07-08

| | SWE-bench Verified | ≥59.4% 有问题（OpenAI 弃用理由） | 官方方法学页

| | OSWorld | 修了约 300 个条目 | 团队自陈

| | Terminal-Bench 2.0 | 89 题里修了 28 题 | 团队自陈

    表 11.10 · 尺子自己的误差。**评测条件**：各条的原始出处逐条见脚注 [@src-20fd64a19e]，其中 MMLU 审计为 arXiv:2406.04127、
      SWE-bench Pro 题集为 arXiv:2509.16941。**读法：题库缺陷率不是模型分差的置信区间；当两者同量级时，正确结论是「该排序不稳定、需在修订题集上重打分并做配对 bootstrap」，而不是「差距不存在」。**







    **图 11.11** 同一批模型在已饱和基准与 HLE 上的落差（论文图 1）。
    **★更正一处形态判断：这张图里没有任何曲线，也没有时间轴，所以「每一条曲线冲顶所需的时间在缩短」这件事在本图上不存在。**
    它是**一张单面板分组柱状图**（标题 “Accuracy of LLMs Across Benchmarks”）：横轴四个模型 GPT-4o / o1 / Sonnet-3.5 / Gemini 1.5，
    每组四根柱依次是 **HLE（斜纹）/ GPQA / MATH / MMLU**。像素标定读数（3.585 px/百分点，**±0.5 个百分点**）：
    MMLU **86.3 / 91.6 / 88.6 / 86.9**；MATH **68.5 / 96.4 / 78.0 / 87.7**；GPQA **50.1 / 74.3 / 64.6 / 58.2**；
    **HLE 只有 2.6 / 8.5 / 3.8 / 4.3**。
    **关键读法：同一个模型 MMLU 已挤到 86–92，而 HLE 只有 2.6%–8.5%**——这就是「旧基准区分不动了、需要新难度」的直接证据。
    **但请只对 MMLU 说「饱和」**：MATH 与 GPQA 在这四个模型间的跨度分别是 28 与 24 个百分点，还远没有挤在一起。
    「基准通胀速度加快」「HLE 后来被推到多少」都属于本图之外的时间序列信息：
    论文预测 2025 年底可能超过 50%，实际是 2026 年 6 月被推到 59.0%（无工具）/ 64.5%（含工具）——
    **这三个数字图上都没有，须另行标注来源与日期。**
    [@src-18f08de382]出处：Humanity's Last Exam (arXiv:2501.14249), 2025



#### 饱和：保密防得住污染，防不住暴露

EvalEval Coalition 在 2026-02 对 60 个 benchmark 做的饱和度研究，把饱和定义为「在 SOTA 模型之间失去可靠的区分力」，
  判定 **60 个里有 29 个已饱和**。它最刺眼的一条发现是：
  **私有测试集与公开测试集在饱和速度上「没有统计意义上的差异」**[@src-20fd64a19e]。
  实验室不需要看到你的题，只需要知道你的题型，就能把训练分布拉过来。


#### LMArena 的「排行榜幻觉」，以及一个可以量化的偏差

arXiv:2504.20879（2025-04，68 页，作者来自 Cohere Labs、Stanford、Princeton、MIT、AI2、Waterloo、UW）给出两条硬发现[@src-36475d3475]：
  **（1）私测多变体、择优披露**——极端案例是 Meta 在 Llama-4 发布前测试了 **27 个**私有变体，Google 同期 10 个；
  **（2）数据访问不对称**——Google 约获得全站 **19.2%** 的数据、OpenAI 约 **20.4%**，
  而**合计 83 个开源权重模型只拿到约 29.7%**。

择优披露的偏差可以精确量化。设某模型的真实 Elo 为 \( \mu \)、单次测量噪声标准差为 \( \sigma \)，
  若测 \( N \) 个变体只公布最高的那个，则期望公布值为：


  \[ \mathbb{E}\!\left[\max_{i\le N} R_i\right] \;=\; \mu + \sigma\cdot\mathbb{E}\!\left[\max_{i\le N} Z_i\right] \;\approx\; \mu + \sigma\sqrt{2\ln N} \]
  (11.3)
  \( Z_i \) 为标准正态；右端的 \( \sqrt{2\ln N} \) 是极值统计的经典渐近，\( N \) 不太小时够用。





  **LMArena 官方在反驳这篇论文时，自己给出的估计恰好验证了论文的机制。**
    官方说法是「测 50 个私有变体只公布最好的，会抬高约 **11 个 Elo 点**」。
    代入式 (11.3)：\( \sqrt{2\ln 50} \approx 2.80 \)，反推 \( \sigma \approx 3.9 \) Elo——
    **一个完全合理的测量标准误。**换句话说，官方并没有否认这个机制存在，
    它否认的只是这个机制的**量级**；而按它自己给的量级算回去，模型是自洽的。

    **这提示了一个更一般的读法：当一方用「影响很小」来反驳「机制存在」时，它其实已经承认了机制。**



#### Google 自己的三次 benchmark 争议（不护短）





      营销网站上写：Gemini Ultra **MMLU 90.0%（CoT@32）** vs GPT-4 **86.4%（5-shot, reported）**。
        而技术报告里四个数字都写全了：Gemini Ultra 90.0% CoT@32、Gemini Ultra **83.7% 5-shot**、
        GPT-4 87.29% CoT@32（via API）、GPT-4 86.4% 5-shot。
        **同为 5-shot 时，GPT-4 86.4% > Gemini Ultra 83.7%，Gemini 落后 2.7 个点；同为 CoT@32 时是 90.0 对 87.29，只赢 2.71 个点**——
        而这个更直接的对比没上营销页。

      **需要为 Google 说的公道话**：CoT@32 **不是** 32-shot（这是当时最普遍的误读），
        它是 CoT 加 32 次采样共识投票，**不用任何额外数据，只用额外算力**；技术报告完整披露了 5-shot 的 83.7%，
        **没有隐瞒，只是没上营销页**。**这不是造假，是选择性汇报。**








      视频经过剪辑与加速：**不是实时**（先拍视频再抽静态帧）、**不是语音**（用文字 prompt，视频里的人声是在朗读文字 prompt）、
        **不是视频理解**（追踪杯下球那一段是先用文字告诉模型球在哪个杯子下）、并且从多次交互里挑出成功的剪到一起。

      **需要精确的一点**：出面回应的是 **Oriol Vinyals 与 Google 发言人**，**不是 Demis Hassabis**。
        回应口径是「视频里所有用户 prompt 和输出都是真的，为简洁做了缩短」。

      **为什么三年后仍然重要**：2026 年 Google 的模型发布里，大量核心素材仍然是视频演示。
        2023 年那次事件**永久性地改变了这些视频的可信度权重**——读者现在会默认它是「精选的最佳输出」而不是「典型输出」。
        这是一次自己给自己加上的、无法卸载的贴现率。








      Ethan Mollick 公开批评 **GDPval-AA 用 Gemini 3.1 去评判其他模型在公开 GDPval 题目上的输出**，
        称这个设置「什么都说明不了」[@src-20fd64a19e]。这是一个循环评估：分数反映的是评委模型的偏好与题库污染，
        而不是被测模型的真实能力。而 **GDPval-AA 恰恰是 Artificial Analysis Intelligence Index v4.1 里权重最高的一项**——
        也就是说，行业最常引用的那个「智能指数」，其最大权重项是一个模型评模型的 Elo。

      **★这一条的分量：Google 不再只是被打分的对象，它同时是打分的工具。这是一个比「分数被质疑」更深的位置。**








  **这个行业最值得尊敬的一批数字，恰恰是各家自己披露的失败。**
    Epoch AI 公开修正了 FrontierMath 42% 的题；Scale AI 开源了 SWE-bench Pro 的隐藏测试，让 OpenAI 得以审出约 30% 的损坏；
    **GPT-5.4 拒绝公布 SWE-bench Verified 分数，明确理由是数据污染顾虑——这是拒绝报一个对自己有利的数字**；
    Cursor 在 Grok 4.5 发布中把自家的 CursorBench 从表里拿掉，因为发现 Grok 的训练数据里有一份早期 Cursor 代码库快照；
    **Google 在自己的模型卡里给上一代 Gemini 3 Flash 的 Blueprint-Bench 2 标了 0.0% 而不是省略**[@src-20fd64a19e]。

    **在 2026 年，脚注的密度是可信度最好的代理变量。**
    反过来，一张全是漂亮数字、没有一个脚注说明 harness 与 effort 档位、没有一处披露「这个数在别的口径下是多少」的表格，
    无论那些数字多高，都应该被打上最大的折扣。



#### 读榜三问检查清单


  **第一问：这个数字是在什么条件下产生的？**五项缺一不可比——
  ① effort / thinking 档位（Grok 的 high、GPT 的 xhigh、Claude 的 max、Gemini 的 Thinking(High) **完全不是一回事**）；
  ② harness / scaffold（只换 scaffold 动 5–15 个点）；③ 工具开关（HLE 开工具能涨 5.5 个点）；
  ④ 指标口径（pass@1 / pass@k / maj@k / 含部分分的均值）；⑤ benchmark 版本与题集（**跨版本比较是最常见也最隐蔽的错误**）。



  **第二问：这把尺子本身有多准？**
  ① 题量够不够（GPQA Diamond 198 题，1 题 = 0.505 点；AIME 15 题，1 题 = 6.67 点——**1–3 个点通常是噪声**）；
  ② 题库自己的错误率是多少（见表 11.10）；
  ③ 判分器是谁——**脚本判分 > 隐藏测试 > LLM-as-a-judge > 人类盲测**，按可规模化程度递减，按噪声递增。



  **第三问：这个分数值多少钱、要多久、稳不稳？**
  ① 每任务成本（70 倍成本换 16 个 Index 点，这笔账要自己算）；
  ② 墙钟时间（1.5 分钟和 13.5 分钟是完全不同的产品；IMO 2026 上 2.5 小时和 17.4 小时也是）；
  ③ 跑十遍会怎样（**单次运行大约每四次就有一次选错赢家**）。


## 七、核心追问一：不是「有没有验证器」，而是「有效反馈通道有多好」

这是本章最重要的论点，也是与第 8 章 · Agent 与世界模型和
  第 9 章 · AI for Science共用的主干。
  **但这个论点必须先被收窄一次，因为它的粗糙版本已经被数据证伪了。**


  **粗糙版是「有廉价可靠验证器的领域涨得快」。把数字真算出来之后，它不成立——
    但需要先说清楚：本材料上一版用来反驳它的三个反例，现在只剩两个。**

  **幸存的反例一**：HLE 的验证器很弱（LLM 抽取答案，题库全量复审后仅 26.7% 原样通过），
    却在 12 个月里从 21.6%（Gemini 2.5 Pro，2025-06，无工具）涨到 59.0%（Claude Fable 5 官方，2026-06，无工具）——
    **+37.4 个点**。

    **幸存的反例二**：GDPval 原版用的是**最贵的一种验证器**（人类专家盲测，几乎无法规模化重跑），
    却在三个月里涨了 **26.5 个点**——该数字由第 8 章 · Agent 与世界模型核出，
    本章按项目内交叉引用采用。

    **两个幸存反例是同一种形态：验证器又弱又贵，照样快涨。**


    本章上一版还有**反例三：ARC-AGI-3 验证器不弱，却只从 0.51% 涨到 7.78%（+7.3 个点）**，
      用来说明「强验证器也会慢」。**这条现在不成立了。**
      按冻结日口径，ARC-AGI-3 已达 **30.16%**（Claude Opus 5，2026-07-24，ARC Prize）[@src-1f86bb6aa9]——
      从 2026-03 的 0.51% 起算，四个多月涨约 **29.7 个点**，速度与 HLE 同级。

    **也就是说：它从「反对粗糙版的证据」变成了「支持粗糙版的证据」。**
      本材料不把它重新解释成「涨得不均匀所以还是反例」——
      那是用叙事去救一个已经翻面的数据点。**7.78% 是 2026-06 的历史快照，
      上一版把它当成当前值，是过度锚定在一个陈旧快照上。**



  **所以论证的形式变了，但结论没变。**它不再是「强验证器也会慢」，而是：
    **在同一个 12 个月窗口里，验证器强度谱系的两端都出现了大幅跃迁——
    又弱又贵的（HLE、GDPval 原版）在涨，又强又便宜的（ARC-AGI-2、ARC-AGI-3）也在涨。**
    把「验证器强度」作横轴、「涨幅」作纵轴，**四个象限全部有点**。
    **一个在四个象限都有点的散点图，说明这个自变量对这个因变量没有区分力。**
    这与第 8 章返工后的口径一致。

    **方法论提醒**：上面所有「涨了多少个点」都是**跨模型、跨 harness**的端点差，
    且各 benchmark 在各自窗口内未更换题集 revision（若换了则完全不可比）。
    **它们只能用来反驳一条普遍规律，不能用来拟合任何增长率。**




  本章上一版把这一节写成「**有**廉价可靠验证器的一侧 vs **没有**验证器的一侧」。
    **这个二分是错的，而且它把自己的反例放进了正例栏。**

  用来证明「无验证器一侧水位低」的两个样本——**Vending-Bench 2** 与 **ARC-AGI-3**——
    它们的判分恰恰是**全场最廉价的程序化判分**：前者是模拟器里的年末银行余额，后者是一条确定的 RHAE 算术公式。
    **按上一版的分类，它们应该在「有验证器」那一侧。**

  ★**错误的根源是混淆了两种完全不同的成本**：

| | 成本类型 | Vending-Bench 2 | ARC-AGI-3

| | 评分函数的成本 | 年末余额，几乎为零 | RHAE 算术，几乎为零

| | 取得一条完整反馈样本的成本 | 一局要 3,000–6,000 条消息、6,000 万–1 亿输出 token | 完整 agent 交互；前沿模型跑整套评测可达数万美元

      表 11.10b · 「验证器便宜」这句话有两种含义，而它们可以相差六个数量级。
        **「这两个 benchmark 都有廉价评分器」是真的；「这两个 benchmark 都提供廉价、高密度的 RL 反馈」是假的。**
        上一版把前者当成了后者。




  ★**还有一个更难看的问题：原命题在上一版的表述下接近同义反复。**
    「我们能验证的地方，我们测到更高能力」——如果「能验证」的判据就是「测得出高分」，
    这句话不携带任何可证伪的内容。**它之所以读起来解释力很强，恰恰是因为它几乎不可能错。**




  **正确的自变量不是「有没有验证器」，而是「有效反馈通道有多好」——而它至少有五个维度，不能压成一个二分。**

| | 维度 | 它决定什么

| | 目标对齐度 | 判分器测的是不是你真正想要的东西（代理指标偏差决定你会不会优化错目标）

| | 反馈密度 | 一条轨迹能给出多少可用信号（终局单标量 vs 过程逐步）

| | 反馈延迟 | 决定一轮自适应要等多久（Lean 编译器是秒级，湿实验是月级）

| | 完整轨迹成本 | 决定吞吐——这一维正是上一版漏掉的那一维

| | 任务时长 | 决定信用分配有多难（一步任务 vs 302 天的经营模拟）

      表 11.10c · 有效反馈通道的五个维度。**这是一个研究框架，不是已被验证的公式**；
        列出它的作用是让「验证器便宜」这句话变得可以被拆开检验，而不是继续当一个口号。




  **用这五个维度重述本节的观察，它就变成可证伪的了：**

    **形式化数学**（Lean）在五维上全部占优——目标对齐（证明成立就是成立）、反馈密度高、延迟秒级、
    单次验证成本极低、任务可切成引理。**它的水位因此最高。**

    **真实专业工作**（GDPval-AA）在五维上全部吃亏——判分靠盲测偏好（目标对齐度未知）、
    一次交付只给一个偏好标量、延迟以人类评审吞吐计、单条样本贵、任务跨天。**它的水位因此最低。**

    **Vending-Bench 2 与 ARC-AGI-3 落在中间**：评分函数极便宜，但**完整轨迹成本高、任务时长长**。
    这正好解释了为什么它们既不像数学那样被打穿、也不像 GDPval 那样几乎不动。
    **上一版的二分无法容纳这两个样本，五维框架可以。**

  **各档当前水位（全部带条件）：**

    ARC-AGI-2 上 **92.5%**（GPT-5.6 Sol 的 Max 档，ARC Prize 2026-07 口径，程序化判分）对**典型个人** **60%**；
    AIME 2025 已被打到接近满分（脚本判分、单次尝试）；
    IMO 2025 上 Gemini Deep Think 进阶版 **35/42** 达金牌标准，由 IMO 官方 graders 与 coordinators 评阅——
    **这是本节唯一一个经过赛事官方认证的成绩**（主办方同时声明不验证方法、算力、人类参与程度与可复现性）；

    ARC-AGI-3 **30.16%**（Claude Opus 5，2026-07-24）[@src-1f86bb6aa9]；
    Vending-Bench 2 当前最好 **$10,936**；
    **GDPval-AA 上 Gemini 最好的公开值落后榜首约 440 Elo**[@src-20fd64a19e][@src-5d24e84404]。


    ① **★ARC-AGI-2 的「人类 60%」不是官方数字——它根本不存在。**
      逐字读官方技术报告页[@src-5a37f864c9]（arcprize.org，2025-05-20），
      它的小节标题就是 **“Humans can solve 100% of ARC-AGI-2”**，全页披露的人类侧数据**只有四项**：
      **400 人 × 1,417 个任务**、纳入门槛是「**two people in two attempts or less**」、
      每题平均由约 **9–10 名**参与者尝试、人均**每题约 2.3 分钟**。
      **该页从头到尾没有任何「平均个体准确率」，60% 与 66% 都不在其中**（60% 来自一篇第三方综述、66% 来自一个第三方榜单，两者都回溯不到官方文本）。

    **所以正确的处置不是在 60 与 66 之间挑一个，而是撤掉这个对照本身。**
      官方门槛的口径是「**两人两次内解出**」这种**任务级覆盖**，
      它**不是**、也无法换算成**个体平均准确率**——一个任务只要有两个人做对就计入，
      这既不告诉你第三个人做不做对，也不告诉你任何单个人的总分。
      **拿模型的单模型单档位准确率（92.5% 还绑定 Max effort、约 $1.44/题、半私有集）去对这样一个门槛，两侧量纲不同。**
      **结论：本章不再宣称「在 ARC-AGI-2 上越过人类」，正反都不宣称。**
      能照抄的官方句子只有一句：**「至少两人解出了每一道题，每题平均 9–10 人尝试，人均每题约 2.3 分钟。」**

    ② **Vending-Bench 2 的「人类 $63,000」不是实测值。**它是 **$206/天 × 302 天** 的
      「假设一个好策略能做到」的纸面推算。**因此「只有人类的 17%」这个说法必须撤回**——
      分母不是测量出来的。本章现在只报模型侧的绝对值 $10,936，
      并注明**该 benchmark 没有实测的人类对照组**。





      **反方主张：因果方向是反的。**RLVR 并不「拓宽」模型能力边界，
        它只是把基础模型里已经存在但概率极低的正确轨迹**重新加权**到可用概率。
        所以「验证器决定能力边界」应该反过来读：**验证器只决定我们能把哪些已有能力筛出来。**




      这一侧有真实证据：pass@1 与 pass@256 的对照实验显示，
        经 RLVR 之后 pass@1 大幅提升而 pass@256 常常不升甚至下降——
        即**模型的经验覆盖没有扩大，只是分布被压向了已知的正确解**。
        这是当前主流 on-policy、受探索/KL/预算约束的 RLVR 的**常见行为**。




      反方成立的条件：训练在**受限探索预算**内、且基础策略对正确解**已赋非零概率**。
        ★**这两个前提都不是普遍成立的**：support 类定理需要基础策略对解赋零概率，
        而标准 softmax 通常不赋零；ProRL 等长程训练工作也给出了经验覆盖被扩大的反例。




      **反方部分成立，本章据此收窄，但不接受它的强版本。**

        **可以写的**：常见的 on-policy、受探索/KL/预算约束的 RLVR，**往往**把已有或极低概率的正确轨迹提升到可用概率。

        **不可以写的**：「RLVR 只能采样，绝不可能在有限预算下扩大经验 support」——
        这是把「当前方法经常如此」升级成了普遍定理，**而它有已发表的反例。**

        ★**注意这条反方即使成立，也不构成对本节的替代解释。**
        「验证器只筛不造」与「有效反馈通道决定水位」**可以同时为真**——
        前者讲机制，后者讲结果。**推翻一个解释不等于证明另一个。**

      ★★**本章在这里到此为止，不再往前走一步。**
        「能力边界 = 验证器边界」这条命题**作为一个整体，在本项目里尚未裁定**——
        它同时被第 8、9、11 三章当过主线，而三章的收窄方向并不完全一致。
        **本章只负责给出它在「2026 年前沿对照」这个语境下的可用版本（五维框架），
        不在这里替全项目下总裁定。**该争议的跨章汇总、双方最强版本与未决点，见
        争议地图章节「4.1 争议 1 · 能力边界 = 验证器边界」。
        **需要提醒的是：该章目前仍在返工中（独立 reviewer 评分 39/70、未通过），
        因此它的结论同样不应被当作已裁定事实引用。**





  **第二层含义：验证器强度预测的是「这个分数值不值得信」，而不是它涨多快。**
    HLE 的分数之所以要打折，是因为它的判分依赖 LLM 抽取、且题库复审后只有 26.7% 原样通过；
    ARC-AGI-2 / ARC-AGI-3 的分数之所以更可信，是因为判分是程序化的、且 ARC Prize 会公布每题成本。
    **「可信」与「难涨」是两件事，本材料上一版把它们混成了一件。**


    **本章上一版写过一条可推广判据：「分数随算力单调上升的 benchmark，寿命约 12 到 18 个月」。
      它的原始论据是「ARC-AGI-3 堵死了算力通道，所以它是唯一一个前沿模型还停在个位数的通用推理 benchmark」——
      **而这条论据已经随 30.16% 一起失效了**。上游论据塌了，就必须重新审视结论本身。**

    **本材料的处理是削弱表述，而不是换一批论据把它撑住。**理由是把能查到的样本摊开之后，
      「12–18 个月」只在**最近一个批次**里成立，而且样本极小：

| | MMLU | 2020，GPT-3 43.9% | 约 4–5 年 | 2024 普遍 >90%，2025–2026 前沿发布会已停报

| | ARC-AGI-1 | 2019，接近 0 | 约 5 年 | 2024-12 o3 达 87.5%（1,024 次采样）

| | ARC-AGI-2 | 2025-03，前沿约 4% | 约 16 个月 | 2026-07-24 Claude Opus 5 Max 90.4%

| | HLE | 2025-01，约 3% | 约 17 个月 | 2026-06 达 59.0% 无工具 / 64.5% 含工具，尚未饱和

        表 11.14 · 五个 benchmark 从发布到高位的时间。**数据截至 2026-07-25。**
          「到高位」不是一个严格定义——MMLU 与 ARC-AGI-1 取的是「前沿普遍越过 87%」，
          ARC-AGI-2 取当前最高值，HLE 与 ARC-AGI-3 **尚未饱和，因此那两格是下界而不是寿命**。
          各行的模型、harness、采样预算均不同，**本表只用于说明量级差异，不可用于拟合。**




    **能站住的只有一句更弱的话：饱和窗口在压缩。**
      2019–2020 那批用了四五年，2025 年那批用了一年多。**这是一个可观察的趋势，不是一条可外推的定律**——
      支持「12–18 个月」的干净样本只有 **两个**（ARC-AGI-2、HLE），而且它们同批次、同类型；
      更早的两个样本（MMLU、ARC-AGI-1）与之相差 **3 到 4 倍**。
      **两个同质样本撑不起一条「可推广的判据」。**

    **还有一层内部矛盾必须承认**：本节刚刚论证「验证器强度对涨速没有区分力」，
      如果紧接着又给出一个适用于所有 benchmark 的固定饱和周期，
      等于在说「涨速由某个我还没命名的东西统一决定」——**这两句话不能同时为真**。
      **本材料因此不保留任何固定月数。**

    **脆弱性标注**：表 11.14 的后两行是活的。
      如果 ARC-AGI-3 在 2026 年内越过 80%，「压缩」这个趋势会被进一步坐实；
      如果它在 2027 年仍停在 30%–50% 区间，那么「压缩」本身就只是 2025 年那一批的偶然。
      **本判断依赖这两个仍在变化的数据点，任一变化都需要重估。**





### 7.1 验证器最强的一侧：形式化数学

**2025-07-21，Gemini Deep Think 的进阶版在 IMO 2025 上拿到 35/42，达到 gold-medal standard**，
  端到端自然语言、在官方 **4.5 小时**竞赛时限内完成，由 IMO 官方 graders/coordinators 评阅确认[@src-1f65760bea]。
  2025 年的金牌线正好是 35，**这是踩线达标，不是大幅超过**[@src-572f71b507]。

但主办方在同一份声明里给出了硬边界，这句话必须原样引用：



    the IMO cannot validate the methods, including the amount of compute used or whether there was any human involvement, or whether the results can be reproduced.


      IMO 2025 主办方
      2025-07-19
      第 66 届国际数学奥林匹克闭幕声明
      [@src-12be8fce45]来源





    IMO 无法验证其方法，包括所用算力、是否有人类参与，也无法验证结果是否可复现。


      译文
      译自左侧英文原文，以英文为准






对照 2024 年：那一次是 **AlphaProof + AlphaGeometry 2**（**不是 Gemini Deep Think**），
  解出 6 题中的 4 题、**28/42**、银牌档顶端、距金牌线 1 分；**题目需专家先译成 Lean**，
  计算耗时最长 **2–3 天**；由 Timothy Gowers 与 Joseph Myers 作为**独立专家评审**打分，
  **不是官方 coordinator 认证流程**[@src-4487619628]。**2024 与 2025 不可横比，横比就错。**

2026 年这条线又往前走了一步：**AlphaProof Nexus（arXiv:2605.22763，2026-06-08）自主解决了 353 道 Erdős 未解问题中的 9 道**
  （其中 2 题悬置了 56 年），另证明 **44/492** 条 OEIS 猜想，解决一个悬置约 15 年的 Hilbert 函数问题，
  **每题几百美元推理成本**，证明已登记在 Terence Tao 的 Erdős-AI wiki 上，全部经 **Lean 编译器**形式化验证[@src-1d4ccde518]。




    **图 11.12** AlphaProof Nexus 论文图 1。
    **★先更正形态：这不是方框加箭头的系统结构图，而是三张截图并置的 (a)(b)(c) 面板。**
    **(a) 任务文件**：一段 Lean 源码，注释指向 `formal-conjectures/…/ErdosProblems/125.lean`，
    含 `-- EVOLVE-BLOCK-START/END` 与 `-- EVOLVE-VALUE-START/END` 两类可进化区段，
    目标定理末尾是一个红色的 `sorry`（即待填的证明洞）。
    **(b) 提示词模板**：`== Role and Goal ==` / `== Task ==` / `== Sketch Structure ==` /
    `== Prior Attempts ==`（三次尝试各带 **Elo: 1505 / 1480 / 1520**，并附
    `AlphaProof: 3/5 goals proved, 2 open`）/ `== Current Plan ==` / `== Instructions ==`。
    **(c) 单次 agent 执行轨迹**：Thought (5m 3s) → `search_replace` (3s ✓) →
    `attempt_goals_with_alphaproof` (10m 1s) 得 ✓A_bound ✓B_bound ✓sum_size_bound ✗independent_bases_zero_density
    **(3/4 proved)** → Thought (1m 35s) 决定拆解 → 再次 `search_replace` → 「4 more search_replace iterations」→
    `attempt_goals_with_alphaproof` (2m 40s) **(6/6 proved ✓)** →
    三枚状态徽章 **Generation complete. / Proof validated. / Admitted to Population Database.**
    **★两处必须按图收窄的说法**：（1）**图上没有任何标着「Lean 编译器」的方框**，
    所以「右边那个 Lean 编译器」这个指代在图上落不到实处——
    图里真正提供逐目标确定性信号的，是面板 (c) 的 `attempt_goals_with_alphaproof` 调用及其 ✓/✗ 与 (3/4)/(6/6) 计数，
    外加末尾那枚 `Proof validated.`；形式化验证由 Lean 完成这一点出自论文正文，不是本图画出来的。
    （2）**图里只画了一条 agent 轨迹，没有画多个子 agent 并行，也没有出现「Gemini 3.0 Flash」字样**。
    **关键读法不变：整个闭环的核心不是模型有多聪明，而是那条**低边际成本、确定性、可重复调用**的验证信号。**
    （**不是「零成本零噪声」**：形式化检查本身要消耗算力，而且它只验证「证明相对于那条**已形式化的命题**成立」；
    **命题是否忠实刻画了原猜想，仍然要靠人类专家判断**——这一步正是论文里保留的人工环节。）
    这正是本节论点的物理实现。
    [@src-bbdfdf64ca]出处：Advancing Mathematics Research with AI-Driven Formal Proof Search (arXiv:2605.22763), 2026




  **「AI 解决了数学未解难题」这句话，必须连成功率一起说，否则就是误导。**
    9/353 ≈ **2.5%**，44/492 ≈ **8.9%**。而 Terence Tao 本人早就给过校准：
    **「AI 在 Erdős 问题上的实际成功率只有 1–2%，而且集中在较容易的题上」**[@src-2539f1ef46]。

    **DeepMind 的结果几乎精确落在专家划的这条线上——也就是说，这个成果验证了专家的预期，而不是超出了专家的预期。**
    这与「benchmark 分数突然跳变」是完全不同性质的事件：它可核查、不可抵赖，但也不令人意外。
    AlphaProof 与 AlphaFold 这条线的完整展开见第 9 章 · AI for Science。



### 7.2 验证器最弱的一侧：真实专业工作（GDPval-AA）

GDPval-AA 用 44 个职业、9 个行业的真实专业交付物做盲配对比较，**人类基线锚定在 1000 Elo**。
  **这里必须分两层锚定写，因为 v1 与 v2 的 Elo 数值差异巨大，跨版本比较毫无意义。**

| | 锚定 | Gemini 侧最好的公开值 | 榜首 / 对照组 | 差距

| | v2 锚定 （Artificial Analysis，2026-07-25 快照） | Gemini 3.6 Flash 1421（Google 07-21 模型卡） 1423±18（AA 07-25 动态榜） | Claude Opus 5 Max 1861；Opus 5 xhigh 1827；GPT-5.6 Sol max 1735 | 落后榜首 约 440 Elo；落后 Sol max 约 314 Elo

    表 11.11 · GDPval-AA 的两层锚定。**评测条件**：v1 取自 Google 于 2026-02-19 发布的 Gemini 3.1 Pro 模型卡同一张表[@src-564638136e]；
      v2 取自 Artificial Analysis 2026-07-25 快照，Stirrup agent、带 shell+web、盲配对 Elo、人类基线锚 1000[@src-5d24e84404]。
      **引用「落后 440 Elo」时必须注明口径是「Gemini 最好的公开值 vs 榜首」，不是「3.1 Pro vs 榜首」。**




按 Bradley–Terry / Elo 的定义，两方胜率与分差的关系是：


  \[ P(A \succ B) \;=\; \frac{1}{1 + 10^{(R_B - R_A)/400}} \]
  (11.4)
  代入 440 分差，期望胜率约 **7%**——**在盲测两两对比里，大约十四次才赢一次。**




  **把 7.1 与 7.2 并排看，差别不在「难度」，而在有效反馈通道的五个维度上同时占优还是同时吃亏。**
    Lean 编译器提供**低边际成本、确定性、可重复**的验证信号（不是零成本零噪声，见上文对形式化忠实性的说明），所以形式化数学可以被 RLVR 与 test-time compute 直接吃掉；
    「写一份让领域专家在盲测中更愿意选的交付物」没有这样的信号，所以那一格几乎不动。

    **可证伪判据（两条，方向相反）**：

    ① 如果这个解释成立，那么**任何领域一旦出现廉价可靠、且无法靠加采样刷分的自动验证器，其绝对水位最终应当越过人类基线**。**本材料不给这条判据配一个固定的月数**——因为本节刚刚证明验证器强度**不**预测涨速，再回头写「12–18 个月」就自相矛盾。ARC-AGI-3 就是现成的反例：它先趴了四个月，又在一个月里跳了 22 个点。

    ② 反过来，凡是只能靠人类盲测打分的领域，进步速度应该受**人类评审吞吐**而不是算力约束。

    ③ 具体到 Gemini：如果**尚未公开发布**的 3.5 Pro（截至 2026-07-25 仍在 partner testing）
    或**仅披露已开始预训练**的 Gemini 4 将来发布，并在**同一 v2 锚定**下把与榜首的差距缩到 100 Elo 以内，本判断被削弱。

⚠ 同样的锚定警告：GDPval-AA v2 是动态榜，440 Elo 只是冻结日的差值；检验时应取当时的榜首值重算，而不是沿用 1861。

  **「落后 440 Elo」这个结论的置信度，低于「ARC-AGI-2 84.6%」，这一点必须诚实写出来。**
    原因有三层：

    ① **人类评委之间在原版 GDPval 上只有约 71% 的一致率**——尺子自己对同一件事有三成的时候意见不合[@src-20fd64a19e]；

    ② **GDPval-AA 把人类专家换成了模型评委**，而 Ethan Mollick 已经公开批评过这个循环设置（见 6.8c）；

    ③ **对比对象不对等**：Gemini 3.6 Flash 是 **Flash 档**，而榜首 Claude Opus 5 是对方的旗舰；
    Gemini 的旗舰 Pro 线在 v2 上是 965（**低于人类锚点 1000**），但 3.1 Pro 是 2026-02 的模型，
    拿它对 2026-07 的榜首并不公平。**公平的对比对象（Gemini 3.5 Pro）截至冻结日没有任何公开分数——这个空格本身就是本节最有信息量的一格。**




  **本节全部讨论的是「benchmark 分数为什么涨得快或不涨」。它对「这个产品凭什么值钱」几乎没有解释力。**

  OpenAI 自己的一手使用研究（NBER Working Paper 34255，**约 110 万条对话**的均匀抽样样本）给出的分布是：
    ChatGPT 上约 **77–80% 的对话**集中在**实用建议、查找信息、写作**这三类，
    **编程占比很小**，而且**超过 70% 的使用与工作无关**[@src-a2d07267e0]。

  ★**这些能力全都没有程序化验证器，却是这个产品的价值主体。**
    换句话说：**有效反馈通道决定的是「哪些能力会在榜单上先被打穿」，
    不决定「哪些能力会被用户付费」。**把前者的结论外推到后者，是本章必须明确拒绝的一次越界。

  **这条限制反过来也解释了一个表面矛盾**：为什么 GDPval-AA 上落后 440 Elo，
    与 Gemini App 的 9.5 亿 MAU 可以同时为真——**它们量的根本不是同一件事**。
    **限定条件**：该研究是 OpenAI 对自家产品的使用统计，
    **不能直接外推到 Gemini 的使用分布**（两者的入口结构与默认集成完全不同）；
    本章只用它证明「消费价值不由可验证性决定」这一点。



## 八、核心追问二：约束不再只有芯片供应——但也不是「电力取代了芯片」

2026 年基础设施侧最重要的一句话，不在财报里，在 Google Cloud 第八代 TPU 的技术博客里：



    in today's data centers, power, not just chip supply, is a binding constraint


      Google Cloud
      2026-04-22
      Inside the eighth-generation TPU: An architecture deep dive
      [@src-7fcb28f154]来源





    在今天的数据中心里，电力——**而不只是**芯片供应——是**一个**硬约束。


      译文
      译自左侧英文原文，以英文为准







  原文有两个限定词，缺一个意思就变了：**“not just chip supply”** 与 **“a binding constraint”**。
    它说的是「**电力也是一个硬约束**」，**不是**「电力才是硬约束」，更**不是**「电力取代了芯片供应」。

  本章上一版的小节标题写成「约束已经从芯片供应变成电力」，**这是原句支持不了的强版本，已改**。
    同时要写出另一条官方口径：Pichai 在一次长访谈里把 **wafer starts（晶圆起片）称为 fundamental constraint**，
    并说「电力与能源**更可解**」、许可（permitting）**也可能**成为约束[@src-3c510c0260]。

  ★**这两个口径不打架。**把它们读成「Google 内部两个官方说法冲突」是一次误读——
    一句说「电力也是约束之一」，另一句说「晶圆是根本约束、电力相对更可解」，
    **两句共同支持的是「多重约束并存」，而不是任何一种排序。**
    本材料**不**主张电力已经取代芯片成为第一约束。



这不是一句修辞。**第八代 TPU 因此做了集成电源管理，按实时需求动态调整功耗**；
  官方给出的效率数字也全部落在「每瓦」和「每美元」上，而不是峰值算力：
  **TPU 8t 大规模训练性能/美元最高 2.7× 于 Ironwood；8i 推理性能/美元最高 +80%；两者性能/瓦最高 2×**[@src-7fcb28f154]。



    **反方主张：「约束从芯片转向电力」是一个尚未被证据支持的排序判断。**
      能被证据支持的只有更弱的一句：**time-to-power 在部分地区、部分时段，是并列约束之一。**




    三条真实证据：

官方原句本身带两个限定词（“not just”、“a”），见上方口径拆解——它是并列表述，不是排序表述。
同一家公司的另一条口径把晶圆列为根本约束，并认为电力「更可解」^[52]。如果电力已经是第一约束，很难解释为什么 CEO 会说它更可解。

capex 构成不支持「电力主导」：官方口径是约 60% server / 40% 数据中心与网络—— 服务器（含芯片）仍是大头。电力相关支出被包在后 40% 里，官方从未单列过它的占比。

  反方成立的条件：只要「第一约束」这个说法需要一个**跨地区、跨时段的排序证据**，
    而公开材料只提供了单点表述与单向投资信号，反方就成立。

    **正方要成立，需要的是本材料没有的东西**：例如 Google 披露「因电力不足而未能上线的算力占比」，
    或「因缺芯片 vs 因缺电而延期的项目数对比」。**这类数据一条都没有公开。**




  **反方赢，本节标题与主张已按弱版本改写。**本章保留的判断只有两条，都可证伪：

    ① **电力已经进入约束集合**——证据是第八代 TPU 专门做了集成电源管理、效率指标全部改用每瓦/每美元、
    以及一连串把能源与数据中心绑在一起的投资动作（PJM 区域、Brookfield 水电、Intersect 收购）。

    ② **竞争指标因此从 FLOPs 部分转向 FLOPs/W**——这一条恰好是自研 ASIC 相对通用 GPU 最容易做出差异的地方。

    **本章不再主张任何约束之间的排序。**

  ★**同样地，本章不替全项目裁定这条争议。**
    「约束是否已从芯片转向电力」在本项目里**尚未裁定**：
    它牵涉到多家公司的产能数据与地区电网数据，**而这些数据本章一条都没有**。
    跨章汇总与双方最强版本见
    争议地图章节「5.2 争议 12 · 约束已从芯片供应变成电力」
    （**该章仍在返工中，其结论不应被当作已裁定事实引用**）。

    ★**还要防住一个反向越界**：本章指出「电力取代芯片」缺证据，
    **并不等于证明了「芯片仍是唯一第一约束」**——
    后者同样需要本章没有的排序证据。**推翻一个排序不等于证成相反的排序。**

8.1 佐证链：从水电协议到 capex 三级跳

  2026 capex 指引的三次修订（含 2025 实际值作为对照）
  每组两根柱是指引区间的下限与上限；悬停看每次修订的官方理由





  **数据来源**：2025 实际 $91.4B 与 2026 初始指引 $175–185B 出自 2026-02-04 的 2025 Q4 财报电话会[@src-be8eb159b1]；
  $180–190B 出自 2026-04-29 的 Q1 电话会（官方明确只因纳入 Intersect 收购）[@src-67ea357f9c]；
  **$195–205B 出自 2026-07-22 的 Q2 电话会**（理由是需求与产能交付加速）[@src-9f4a08bfb1]。
  **2025 那一组是实际值而非区间，故上下限相同。**单位为十亿美元。文字替代见下方表 11.12。

| | 时点 | 口径 | 数值 | 官方给出的理由

| | 2026-02-04 | 2025 全年实际 | $91.4B | —

| | 2026-02-04 | 2026 初始指引 | $175–185B | —（该数已过时）

| | 2026-04-29 | 第一次上调 | $180–190B | 仅因纳入 Intersect 收购（该数已过时）

| | 2026-07-22 | 第二次上调（现行） | $195–205B | 需求与 capacity delivery acceleration

    表 11.12 · capex 指引的三级跳。**capex 构成约 60% server / 40% data center + network——不是全部买芯片。**
      2026 上半年 capex $78.6B，其中 Q2 单季 $44.9B（+107% YoY）。




把能源侧的动作串起来，时间顺序很清楚：

2025-07-15：宣布未来两年在 PJM 区域投超 $25B 数据中心与 AI 基建，并签下 **$ 3B、20 年**的 Brookfield 水电现代化协议^[8]。
2025-12-22 宣布 / 2026-03 完成：以 $4.75B 现金加承担债务收购 Intersect（能源与数据中心共址）^[20]。
核电组合：Duane Arnold 计划 2029 重启 >600MW；Kairos/TVA 50MW、2030。 这两条都是未来供电，不是当前 TPU 的电^[53]。

资本结构：长期负债从 2025-12-31 的 $46.5B 升至 2026-06-30 的 **$ 98.2B**； 6 月股权融资定价口径 $84.75B，其中 **$ 40B 是尚未动用的 ATM 授权**，06-30 实际净到账 $49.6B^[35]^[36]。

  **图 11.13** AI 数据中心**总**功耗的增长（Epoch AI）。
  堆叠面积分两层：深青为 **AI 芯片本身的功耗（TDP）**，浅青为**其余数据中心功耗（散热、网络等）**，
  右端斜纹区标着 “Extrapolated from incomplete data”（由不完整数据外推）。
  图上以三条横向参考线给出量级感：**新西兰全国 ≈ 7 GW、荷兰全国 ≈ 19 GW、纽约州峰值负荷 ≈ 31 GW**，
  堆叠曲线右端已逼近纽约州峰值那条线。
  **⚠ 两处必须写明的裁切与量纲问题**：
  （1）**本地这张图的横轴（年份）连同顶部标题被整个裁掉了，图上找不到任何时间刻度**——
  **所以「长期趋势」的时间维度在本图里无从看起，引用增速或年份必须回原图**；
  （2）纵轴只印了 5–35 这组数字、**轴上没有写单位**，GW 是由那三条参考线的文字反推的。
  **（3）本材料早前写的「单个 pod 进入十兆瓦量级」与本图量纲不符**：
  本图是 **GW（吉瓦）**量级的**全行业总量**，10 MW = 0.01 GW，在 5–35 GW 的轴上根本不可见。
  **关键读法（按图收窄后）：当 AI 数据中心的总功耗进入吉瓦量级、逼近一个中等国家或一个大州的全部电力负荷**，
  选址、电网接入与长期购电协议就从后勤问题变成了战略问题。
  单 pod 的兆瓦级功耗是另一个量纲上的事，其完整展开见第 7 章 · 基础设施。
  [@src-38467e7966]出处：Epoch AI — Data Insights: AI datacenter power, 2026




**当电力进入约束集合，竞争指标就从 FLOPs 部分转向 FLOPs/W——而这正好是自研 ASIC 相对通用 GPU 最容易做出差异的地方。**（注意是「部分转向」：capex 构成里服务器仍占约 60%。）
  通用 GPU 必须为一个宽得多的负载分布留出硅面积与功耗预算；专用 ASIC 可以把已知负载的数据通路、片上互连与数值格式全部钉死。
  第八代把这件事做到了极致：**训练侧 8t 保留 3D torus（邻居间 all-reduce，带宽敏感），推理侧 8i 换成 Boardfly 拓扑
  （任意点到任意点的 all-to-all，延迟敏感）**——同一代芯片，两种拓扑，分别优化两种敏感度。

  **这也解释了为什么 Google 现在才认真做 PyTorch on TPU**：过去 TPU 的外部使用**集中在 Cloud TPU 这一个面**——客户在 Google 的机房里租用，底层框架由 Google 掌握（JAX 足够），**而不是「只服务 Google 自己」：Cloud TPU 多年来一直有外部客户**。2026 Q2 真正新增的事实是**首次把整机交付到客户自有机房并确认收入**，而买家自有机房里的存量代码是 PyTorch。**「负载可移植性」不是技术慷慨，是销售前提。**
  反过来说，这也削弱了 TPU 的护城河叙事：可移植性做到位，客户也更容易从 TPU 迁回 GPU。

8.2 顺带修正一个被广泛复制的换算错误

Alphabet 在 2026 Q2 披露的模型 API token 吞吐是 220 亿 token/分钟（上季度 160 亿）^[5]。本项目技术档案在两处把它换算成「约 9,500 亿 token/月」——这个换算错了 1000 倍。正确的是：

\[ 22\times10^{9}\ \text{token}/\text{min} \times 60 \times 24 \times 30 \;\approx\; 9.5\times10^{14}\ \text{token}/\text{月} \]
(11.5)
即约 **950 万亿（950 T）token/月**，不是 9,500 亿。本章统一采用 950 T/月，并已在第十节登记该档案错误。




**三条必须同时写出来的边界，否则「Google 算力无敌」会被写成一个错误的结论。**

  ① **capex 不等于买芯片**：官方口径是约 60% server / 40% data center + network。
  把 $195–205B 全部当成芯片采购，会高估算力增量至少四成。

  ② **「$84.75B 股权融资」是定价口径**，其中 $40B 是尚未动用的 ATM 授权，06-30 实际净到账 $49.6B。
  **写成「已募得 847.5 亿美元」是错的。**

  ③ **核电全部是未来供电**：2029 与 2030 才上线，对 2026 年的 TPU 一度电都没贡献。

  另外，中文圈对 TPU 成本优势的量化（训练 TCO 差距从 1.52× 收敛到 1.23×）见第九节 9.2——
  **但那条论证建立在「第八代仍是 3nm」这个未经官方确认的前提上；若实际为 2nm，该结论不成立。**
  本项目档案内部对制程本身就有 3nm 与 2nm 两说，**官方从未确认过任何一个**。

九、核心追问三：同一组事实，中英文两套相反的故事

这一节是本章差异化的核心。素材来自本项目对中文科技公众号的系统采集， 以下五条在英文主流报道里要么缺席、要么被弱化。

**引用纪律**：本节引用的全部是**中文媒体的分析与转述**，一律标「转述」，可信度记 **C**。
凡引中文原句，都在 `.quote-meta` 里写清公众号名与日期。**这些不是当事人原话**，
即便署了名（如 9.1 里的 Llion Jones 与 9.4 里的 Andrew Dai）也一样，它们仍是经中文媒体二次呈现的版本，
按本项目的标注规则一律记「转述」。

9.1 「大公司病」被当作技术问题，而不是管理八卦

英文媒体报道 Google 人才流失，通常落在薪酬与股权。中文媒体把它上升为技术能力的结构性流失。机器之心 2026-06-20 那篇的核心论证是：

你可以锁住模型权重（Weights），让它留在数据中心里；但那些构建它们的人，带走的是隐性知识、训练直觉、安全权衡、架构模式以及避坑经验。


  转述
  机器之心
  2026-06-20
  《谷歌：我手握最多诺奖得主，为啥就留不住他们？》
  [@src-805b4fd440]来源

这句话把「人才流动」重新定义为不可复现的隐性知识外流，理由是「这种技术直觉在顶级研究中是无法通过论文完全复现的」。同一篇给出了三条英文报道里少见的机制性归因^[6]：

算力内耗：原 Google Brain 与 DeepMind 融合过程中，团队间在计算资源争夺上存在激烈内部政治。
晋升机制反向激励：内部激励鼓励造新东西（容易拿晋升），维护现有产品没有晋升价值，于是「每年都会冒出同一个功能的新产品，老产品没人维护」。

产品线自相残杀的实证清单：Antigravity 与 Jules 两个互相竞争的编码 agent、被停掉的 Gemini CLI、Project IDX 改名 Firebase Studio；同一套 Gemini 能力散落在 AI Studio、Workspace、Spark、Jules、Antigravity、Flow、Veo、NotebookLM、AI Mode 等入口，「名字还经常改」。

并引 Transformer 作者之一 Llion Jones：

我觉得谷歌的官僚体系已经发展到一种程度，让我感觉自己什么事都推进不了。


  转述
  Llion Jones
  经机器之心 2026-06-20 转引，**非本项目直接核对的一手原话**
  [@src-805b4fd440]来源





**如果护城河是算力与权重，Google 无人能敌；但如果护城河其实是「一小撮人的训练手感」，那 Google 的垂直整合优势就被高估了。**

★**这个推论必须立刻收窄，否则它就是叙事驱动而不是证据驱动。**从「四个人离职」到「能力下降」之间，目前没有任何可观测的因果链——相反，3.6 Flash 在 2026-07-21 正常 GA，Gemini 4 的预训练已经启动（未发布）。用「三连失血」推出「护城河失效」，是把一个尚未发生的结果当成已发生。 2026 年 6 月的三连失血是这条论点最直接的实证： Noam Shazeer 于 06-17/18 离职加入 OpenAI（他 2024-08 才回归任 Gemini co-lead，不到两年再度出走）^[38]； 诺奖得主 John Jumper 于 06-19 离开 GDM 加入 Anthropic^[40]；据 Bloomberg 报道 Jonas Adler 与 Alexander Pritzel 也将转投 Anthropic——后者双方均无一手确认，只能写「据报道」^[54]。再往前，2026-01 David Silver 离开 GDM 创办 Ineffable Intelligence^[22]； Transformer 时代的 Jack Rae 更早在 2025-06 就已转投 Meta Superintelligence Labs—— 提到他在 Gemini 上的贡献时应当写「时任」，其当前具体职位待核^[39]。

    **中文媒体这个提法，比英文圈「Google 又流失了一位高管」的叙事更接近问题本质。**
    人物条目的完整状态见第 13 章 · 我的判断。





    **反方主张：「一小撮人的训练手感」是一个无法测量、也无法证伪的变量。**
      真正成立且重要的是另一层——**垂直整合有一个从未被讨论过的成本项**。




    把本章第八节的「调度自由度」这条护城河翻译到组织内部，它的意思是：
      **算力的分配权高度集中，并且在技术上高度灵活。**
      这在对外竞争时是优势（可以随时把资源压到最重要的项目上），
      但在组织内部，它同时意味着**「你的算力可以被拿走」**。

      中文语料里那条「算力内耗」的描述（原 Brain 与 DeepMind 融合期间在计算资源上的内部政治）
      转述指向的正是这个机制，而不是「手感」。




    反方成立的条件：顶级研究者对「资源可被行政性调走」这类工具的容忍度确实低于对薪酬差异的容忍度。
      **这一条本材料无法直接验证**——它需要离职者在非公开场合的真实理由，而本材料拿不到。




    **两条解释并列，本章不判权重，而且必须说清一件事：这不是「暂时还没想清楚」，
      是「用现有公开数据在原理上就判不了」。**
      「隐性知识外流」与「算力分配权即组织政治工具」**都能解释同一批离职，而且可以同时成立**。

    ★**要把任一方向从「相关」抬到「因果」，需要下面这五样东西——本材料一样都没有：**

时序，而不是同期。需要知道具体的算力调度事件（某项目的配额被调走）与离职决定之间孰先孰后。目前只知道两者发生在同一段时间里， 而同期是相关性最弱的一种证据。
对照组。需要同期没有离职的同等资历研究者，看他们是否经历了同样的调度事件。没有对照组，就无法排除「所有人都经历了，只有一部分人走了」。
**剂量反应关系。**如果这条因果链成立， 算力被调走幅度更大的团队，离职率应当更高。这需要团队级的配额变动数据与离职率数据，两者都未公开。
离职者在非公开场合陈述的理由（退出访谈、内部调研）。公开的告别声明系统性地不包含这类信息。

**混淆变量的排除。**2026 年前沿实验室的薪酬水平、pre-IPO 股权、创业融资环境同时在剧烈变化——这三者中的任何一个都足以单独解释同一批离职。

 **结论：本章只写「两者同期发生」，不写任何一个方向的因果。**
   ★注意这也意味着**反方同样不能成立**——
   「算力政治导致离职」和「算力政治与离职无关」在当前数据下**都无法被证成**。
   **反方推翻了正方的充分性，但没有因此成为新的真因。**

 ★**方法论自省（必须写在自己头上）**：本章关于人才流动的信息，
   几乎全部来自**匿名信源**与**当事人的告别声明**。
   **告别声明天然体面，匿名信源天然有议程。**
   两类来源的偏差方向相反，但都不指向真相；把它们拼起来也不会得到真相。

9.2 对 TPU 叙事的祛魅：不接受 SemiAnalysis 的结论，并用中国工程实践反证

英文圈（尤其 SemiAnalysis）关于 TPU 的分析在中文圈被广泛转载，但海外独角兽 2026-01-15《TPU vs GPU 全面技术对比》做的事情是逐条打折，这在英文评论里几乎看不到^[55]：

指出 SemiAnalysis「倾向于放大 TPU 的 MFU 优势（假设 TPU 40% vs GPU 30%）」，而 FP8 精度下缺乏公开 MFU 数据使这个假设缺乏证据。
用中国团队的工程成果作为反证：「在之前广泛利用的 BF16 精度下，Bytedance 在 MegaScale 论文中将 H100 优化到跟谷歌 TPU 差不多的水平」—— 言下之意是 TPU 的 MFU 优势很大程度来自软件优化能力而非硬件代差，而这种能力并非 Google 独有。
指出 SemiAnalysis「详细介绍了 TPU 的软件优化，却淡化了这些优化本质上是在弥补 3D Torus 对不规则流量的天然劣势」。
给出「看场景」的选型结论：训练与延迟不敏感的推理选 TPU，Prefill 与延迟敏感推理 GPU 更优（GB200/GB300 凭 FP4 在 Prefill 反超约 35–50%）。

给出护城河正在收窄的量化判断：训练 TCO 差距从 1.52× 收敛到 1.23×，HBM 带宽性价比差距从 1.32× 收窄到 1.10×。

**这组数字必须带三重折扣引用。**
  ① 它们是**海外独角兽基于 SemiAnalysis 的再估算，不是 Google 官方数据**，可信度 C；
  ② 1.52× → 1.23× 这条结论**建立在对下一代 TPU 制程的某个假设上，而官方从未确认过制程**——
  本项目档案内部就有 3nm 与 2nm 两说；**若实际为 2nm，这条 TCO 收敛的结论不成立**；
  ③ 它比较的是「代际对代际」，而 TPU 8t/8i 截至 2026-07-25 **尚未 GA**，任何 TCO 对比都还是纸面推演。




**这是典型的「中国供应链视角」：对纸面算力祛魅、对「可持续算力 vs 瞬时峰值」敏感。**
  文中特别点出 NVIDIA 与 AMD 用瞬时峰值频率宣传（Blackwell 只能做到纸面的 75%、MI300 只有 50–60%），
  **并主动补充「SemiAnalysis 没提到的是，TPU 也用 DVFS，大概也只能做到 80–90%」**。
  **两边都打——英文分析很少这样。**这种「先问实际可持续值是多少」的本能，
  直接来自制造业与供应链的经验，而不是来自模型研究。

9.3 Co-design 被提炼为 Google 的真正 superpower——并立刻被用于自我对照

晚点 LatePost 在年末回顾里引用在 Google Cloud Vertex 部门工作 7 年的 Bethany Wang 的说法，把 Google 卷土重来的关键归结为 Co-design[78]：

Google 多年的布局，让它全面掌握了训练 AI 的 TPU 芯片，芯片上面的 JAX、Pallas 等软件库，面向大模型的 Infra，再到云平台、模型和最上层的应用。能从底层到上层，一路协同优化，形成了 Superpower。


  转述
  Bethany Wang（Google Cloud Vertex，7 年）
  经晚点 LatePost 年末回顾转引，**中文媒体转述，非本项目直接核对的一手原话**





**真正体现「中文圈独有」的不是这句话，而是下一步动作。**
  文章紧接着指出，腾讯 AI 大模型新负责人**姚顺雨**在内部会上也提到 Co-design，
  认为「从 Infra 到算法再到产品协同打通，可以加快迭代，减少内耗」，**腾讯因此把 AI Infra 部门划入其管辖范围**。

  **即：中文媒体不是把 Google 当作报道对象，而是当作「中国大厂的组织样本」**——
  分析 Google 是为了回答「字节/阿里/腾讯该怎么组织 AI」。
  **这种「拿来主义」的对照视角，是英文媒体完全不会有的。**
  它也解释了为什么中文分析往往更关注组织结构而非模型分数：因为读者要的是可执行的组织决策，不是排行榜。

9.4 小团队高效率作为对规模化的反命题，并用中国开源团队举证

Z Potentials 2026-05-27 对 Andrew Dai（Google 14 年、Gemini 数据负责人）的访谈里，最耐人寻味的一段是他主动拿中国团队当参照系来解释自己为什么离开^[56]：

我最早和 Quoc Le 写预训练与微调论文时，只有两个人。后来做 GLaM，大概十个人。再后来做 PaLM，核心团队大概三四十人。但现在的 Gemini，规模已经比当年大了几个数量级。而与此同时，我看到很多中国开源模型团队。他们人数很少，但进展极快。这让我意识到：真正高效的 AI 团队，不一定需要巨大规模。


  转述
  Andrew Dai
  2026-05-27
  Z Potentials 访谈（中文媒体转述，非英文一手原话）
  [@src-ce6ec336c9]来源





我现在越来越相信：正确的方式，是一支非常专注、世界级的小团队，加上充足算力。只有这样，才能真正快速迭代，而中国团队，某种程度上证明了这一点。


  转述
  Andrew Dai
  2026-05-27
  同上
  [@src-ce6ec336c9]来源

同一篇里还有几条英文圈少见的一手细节，值得记下来：

PaLM 2 内部最初叫 GLaM，是「最顺利的一次预训练过程之一」。
训练期间感恩节当晚磁盘将满，他整晚在复制 checkpoint、删文件才没让训练中断。
内部争论最激烈的不是安全而是架构——「是否应该继续使用 autoregressive 和 causal attention」。
一个模型能同时部署到三四十个产品、且只用几周到几个月，「这在 Google 其实非常罕见」。

多模态与 coding 存在根本张力：「当你加入大量多模态数据时，模型的 coding 能力往往会下降；反过来也一样」。

**这段话由一位 Google 内部人说出、经由中文媒体传播，构成了对「Gemini 靠规模取胜」叙事的内部反证。**
  英文媒体报道 Andrew Dai 创业时，几乎不会突出「中国团队证明了小团队可行」这个论据。

  而最后那条「多模态与 coding 的根本张力」还顺带解释了第二节的一个现象：
  **如果多模态与 coding 在数据配比上互相拉扯，那么「一个统一模型通吃」就有真实的技术代价**，
  而不只是产品线取舍——这也是他判断未来是「专精化 Frontier Model」时代的理由。

9.5 同一事实、两种相反的评价框架

压轴的这一条，是本节方法论上最干净的一个例子：同一组事实，中英文两套完全相反的评价框架。

  **Google Cloud 拿下 Anthropic 的大额算力订单，是一次商业胜利。**

    一手事实：Anthropic 于 2025-10-23 宣布计划使用最多 **100 万颗 Google TPU**、数百亿美元、2026 上线 >1GW[@src-97c582cac1]；
    2027 起 Google 与 Broadcom 合计 **5GW**[@src-8589c87e9b]。
    财务侧同步印证：2026Q2 Google Cloud 营收 **$24.8B（+82% YoY）**、
    营业利润率 **35.6%**（去年同期 20.7%）、backlog **$514B**[@src-9f4a08bfb1]。

    **需要标注的边界**：「五年 2000 亿美元」这类金额只有匿名信源与二手报道，**双方未证实**。




  **同一件事在中文里被读成战略优先级错乱的证据。**机器之心 2026-06-20 的表述最尖锐[@src-805b4fd440]：


    谷歌领导层在战略上对 Scaling Law 缺乏绝对信仰，竟然在去年 10 月把珍贵的 Google Cloud TPU 算力打包卖给或租给了竞争对手 Anthropic，而不是留给自家的 DeepMind。


      转述
      机器之心
      2026-06-20
      [@src-805b4fd440]来源




  配套批评是：「既要做底层基础设施、又要维护庞大的既有业务，导致其在前沿探索上缺乏硅谷初创公司那种『All in LLM』的专注度」。
    而腾讯科技 2026-04-30《单季200亿增速63%，Google Cloud的收割时刻》对同一组事实给出的是几乎相反的解读[@src-b283340efc]。







  **反方主张：中文圈失焦论的「弱版本」站不住，但它有一个「强版本」，而强版本比中文原文说的更有力。**

  **弱版本**（「把算力让给对手、Gemini 自己不够用」）：**不成立。**

    **强版本**（「这笔生意改变了收入的风险结构」）：**成立，且在财报里可查。**




  **驳倒弱版本的证据只有一条是干净的**：Pichai 在 2026 Q2 电话会上把分配优先级说得很清楚——
    **第一优先级是给前沿 AGI 开发分配算力**[@src-9f4a08bfb1]。
    这一条直接针对「Gemini 自己不够用」这个说法，**是同一个问题上的直接回答**。


    上一版还用了另外两条：2026 Q2 Google Cloud 营收 **$24.8B（+82% YoY）**、
      Cloud 营业利润率 **35.6%**（去年同期 20.7%），并据此写「**这笔生意在商业上是赚的**」。

    **这一步不成立。**Google Cloud 是一个**分部**，里面装着 GCP、Workspace 以及
      TPU 系统销售等多条业务线；**用分部利润率去推断其中某一条业务线的盈利性，是聚合谬误**。
      分部利润率上升完全可以由与 TPU 无关的原因驱动（GCP 规模效应、Workspace 提价、折旧年限调整等）。
      ★而且 **CFO 在同一场电话会上明确拒绝披露 TPU 的单独毛利率**——
      **被拒绝披露的那个数，恰好就是这条推理需要的那个数。**

    ★**要把「TPU 外售赚不赚钱」从猜测抬到结论，需要下面这五样——本材料一样都没有：**

**TPU 系统销售的单独毛利率。**CFO 已明确拒绝披露。
**它在 Cloud 收入中的占比。**未披露；官方只说「今年只确认现有协议中相对小的一部分」。
存货的拆分与减值计提。资产负债表上有存货余额，但它混装了 TPU 系统与 Pixel， 比例未披露——因此无法判断 TPU 侧的周转与减值风险。
**合同结构。**是否含性能保证、返修、保修或折价回购条款，直接决定这笔收入的真实质量。全部未披露。

**外部锚点。**同类硬件业务的毛利率区间，用来判断 Google 报出的数字处在什么位置。

   **因此本章对「这笔生意赚不赚钱」不下结论**，只保留可核的两句：
     **Cloud 分部整体在增长且利润率在上升**；**TPU 外售的单独经济性未披露**。



 **支撑强版本的是收入性质本身的改变**：从**递延确认的高毛利云服务**，
   部分改写成**一次性确认、带存货的硬件销售**。
   Alphabet 的 Other Cost of Revenues 里已经出现「向客户销售 TPU 系统的库存成本」这一项。
   **在一个代际更替只有 12–18 个月的市场里，硬件存货是一个真实的单向风险敞口**——
   云服务卖不动可以降价，机器卖不动只能减值。




 强版本成立的条件：TPU 系统销售在收入中的占比继续上升，**且**代际更替速度保持在当前节奏。
   **两个条件目前都只有一个季度的数据**——2026 Q2 是首次确认收入，官方明确说
   「今年只确认现有协议中相对小的一部分，绝大部分收入将在 2027 年确认」。




 **本章据此改写为三层，而不是两个对立框架：**

   ① **「Gemini 因此缺算力」——有直接反证（Pichai 的分配优先级发言），不采用。**

   ② **「这笔生意赚钱」——缺识别策略，本章不下结论**（理由见上方撤回说明：
     分部利润率推不出单条业务线的盈利性，而所需的那个数正是被拒绝披露的）。

   ③ **「它把一部分递延高毛利收入换成了带存货风险的一次性收入」——
     这一条只依赖收入性质的改变，不依赖任何利润率数字，因此仍然成立。**

   ★**关键限定：目前是「风险」，不是「损害」。**
   本材料没有看到任何减值发生，也没有看到占比高到足以影响整体的证据。
   **把「风险敞口」写成「已经受损」，与把「战略失焦」写成事实，是同一种错误的两个方向。**

 ★**而「Google 该不该把算力卖给一个以安全为核心叙事的竞争对手」——这是价值之争，本章不裁定。**
   英文圈读作商业胜利、中文圈读作战略失焦，两种评价用同一批事实都能讲通；
   **本章只统一事实底稿，有意保留评价分歧**。该分歧的跨章汇总见争议地图章节。

Sundar 在 2026 Q2 财报电话会上把优先级说得很清楚：第一优先级是给前沿 AGI 开发分配算力，剩下的才轮到外部客户^[5] 转述（这是本项目档案对财报电话会内容的中文转录，未逐字核对英文原文）。

 如果这句话为真，那么「卖给对手」就不是**挪用**，而是**产能溢出的变现**——
 用对手的钱摊薄自研芯片的固定成本，同时验证 TPU 的外部竞争力。

 **可证伪判据**：当 Gemini 4 预训练进入峰值时，
 **若外部客户的交付出现延迟或降级，则支持「溢出说」；若 Google 反而优先保外部合同，则支持「失焦说」**。

 **本材料在冻结日 2026-07-25 没有足够证据判定，两种读法并列保留。**
 一个可观察的先行指标已经出现：2026Q2 Google 首次向客户自有数据中心交付 TPU 系统并确认收入，
 但**客户与 TPU 代际均未披露**[@src-9f4a08bfb1]——这件事的伦理与治理面见
 第 10 章 · 安全与治理（出口管制与 TPU 外售那一节）。





 **反方主张：上面那条「可证伪判据」看起来可判，实际上很可能判不出来。**
   因为它假设「交付延迟」是一个**可观测且可归因**的事件，而这两个前提都不成立。




 三条都来自本章已经写过的事实：

   ① **客户与 TPU 代际均未披露**——外部观察者**连交付对象是谁都不知道**，无从判断是否延迟；

   ② 官方明确说「今年只确认现有协议中**相对小的一部分**，绝大部分收入在 2027 年确认」——
   **收入确认节奏本身就是分批的**，「延迟」与「按计划分批」在财报上长得一样；

   ③ 企业级硬件合同的交付延迟**通常不公开**，除非触发诉讼或重大减值。




 反方成立的条件：只要 Google 不披露客户身份与逐单交付节奏，这条判据就无法执行。
   **而它没有任何披露义务**——TPU 系统销售目前甚至没有被单列为一个报告分部。




 **反方成立，本章据此给这条判据加一个前置条件。**
   原判据要能执行，**必须先出现下列任一披露**：
   TPU 系统销售被单列为报告科目、或客户方（而非 Google）主动披露交付节奏、
   或出现一次可见的存货减值。**在此之前，「溢出说 vs 失焦说」不是「尚未判定」，而是「不可判定」——
   这两者不一样，前者会随时间自然解决，后者不会。**

 ★**同时要防住反向越界**：判据不可执行，**不等于「失焦说」因此成立**，
   也不等于「溢出说」因此成立。**它只是说明这组对立在当前信息结构下没有裁决入口。**

十、本章的已知不确定性

把所有存疑项集中登记在一张表里，是本项目的纪律：「看起来确定的错误答案」比「明确标注的存疑」危害大得多。

| | 条目 | 本章采用的写法 | 为什么不能写死

| | Noam Shazeer 在 OpenAI 的精确职称 | 只写「离职加入 OpenAI」，不给 title | 缺 OpenAI 官方 bio；本人原帖与 Reuters 只确认了去向

| | Slav Petrov 的当前身份 | 本章不引用 | 两路核查冲突（Google Research 页面 vs 本人档案），两种写法都不得当作事实

| | Jack Rae 的当前职位 | 写「时任」，去向标待核 | 2025-06 转 Meta Superintelligence Labs 有 Reuters 一手，但当前具体职位无一手来源

| | Jonas Adler / Alexander Pritzel | 写「据 Bloomberg 报道」 | 双方均无一手确认

| | FrontierMath v2 的全局排名 | 不报未经页面显式展示的第一名 | 官方静态抓取未返回 ranking rows；v1 分数在 v2 之后全部不可沿用

| | GDPval 原版排名 | 写「无现行权威排名」 | OpenAI 已下线托管 leaderboard，只剩厂商自报

| | Anthropic 的「五年 2000 亿美元」与「Alphabet 至多 400 亿美元投资」 | 标为传闻，不进正文结论 | 仅有匿名信源，双方未证实

| | 2026Q2 TPU 客户机房交付的客户与代际 | 写「未披露」 | 财报只确认了交付与收入确认，不得指认为任何具体客户或 TPU 8

| | TPU 第八代的制程 | 写「官方从未确认」 | 本项目档案内部有 3nm 与 2nm 两说；任何依赖制程的 TCO 推演都要标明前提

| | Ironwood / TPU7x 的 GA 日期 | 采用 2026-03-31 | 档案里另有 2025-11-06 与 2026-04-22 两说；裁定依据是 Cloud TPU release notes——2025-11-06 那篇标题写 GA 而正文说 coming weeks，11-24 的 release notes 仍标 Preview

| | Lyria 3 的发布日期 | 采用 2026-02-18 | 本项目事实基线为 2026-02-18，技术档案为 2026-03-25；本章按基线裁定，分歧在此登记

| | AlphaEvolve 在 Cloud 上的 GA 日期 | 采用 2026-07-09 | 技术档案写 2026-05；基线 TL73 有官方 blog 支持 07-09。2026-05-07 的「一年成果盘点」是另一件事，两者不可混为一谈

| | 模型 API token 吞吐的月度换算 | 采用 约 950 T/月 | 技术档案两处写「约 9,500 亿/月」，换算错了 1000 倍；见式 (11.5)

| | Gemini 3 Pro 的 Terminal-Bench 2.0 分数 | 两个数并列（54.2% / 56.9%） | Google 自己给过两个数且未做交叉说明；本章不挑一个当事实

| | Gemini 3.5 Pro 的延期原因 | 列出三种解释，不判定 | 「未能达到内部性能目标」是媒体报道，非官方确认

| | 中文来源的可信度 | 全部标「转述」，可信度 C | 第九节引用的均为中文媒体分析；晚点 LatePost 那条未取到可直接引用的原文链接

    表 11.13 · 本章的已知不确定性登记表，冻结于 **2026-07-25**。凡两路核查冲突的条目，本章一律并列呈现或写「存疑」，不自行拍板。




### 10.1 单点数据脆弱性登记

本轮返工暴露了一个比任何单条错误都更值得记住的失效模式：
  **ARC-AGI-3 从 7.78% 更新到 30.16%，不只是改了一个数字——它同时抽掉了三层论证的地基**：
  「强验证器也会慢」这个反例、「唯一一个还停在个位数的通用推理 benchmark」这个描述、
  以及建立在它之上的「benchmark 寿命约 12–18 个月」这条规律。
  **一个数字过期，三处结论跟着塌。**

因此本章把所有**只靠一个数据点支撑**的结论集中登记如下。
  它们不是错误，是**脆弱**——列出来是为了让下一个读到新数据的人知道该回头改哪里。

| | 结论 | 它依赖的那一个数 | 什么变化会让它需要重估

| | 「没有验证器的一侧还趴在人类基线的零头上」 | GDPval-AA 上落后榜首约 440 Elo（1423±18 对 1861，AA 动态榜 2026-07-25 快照） | 榜首会动、Gemini 侧的最好公开值也会动。这是本章最重要的一条单点结论，也是最容易过期的一条

| | 「廉价验证器是越过人类基线的必要而非充分条件」 | ARC-AGI-3 30.16%（Claude Opus 5，2026-07-24，单模型单档位） | 该值若在 2026 年内越过 80%，这条反例消失，收窄版命题会重新变强

| | 「饱和窗口在压缩」（已从「12–18 个月定律」削弱而来） | 干净样本只有两个（ARC-AGI-2 约 16 个月、HLE 约 17 个月），且同批次同类型 | ARC-AGI-3 与 HLE 都尚未饱和；任一走向都会改变这条趋势的成色（见表 11.14 的脆弱性标注）

| | 「有验证器一侧已越过人类基线」——本轮已改写，不再由 ARC-AGI-2 支撑 | 改为 IMO 2025 的 35/42 达到当年金牌线（金牌线由人类选手分布定义，赛事官方评委认证） | ★原来依赖的「人类 60%」查证后不是官方数字：ARC Prize 技术报告页没有发布任何平均个体准确率，只有 400 人 × 1,417 任务、门槛「two people in two attempts or less」、每题约 9–10 人尝试、人均每题 2.3 分钟四项。该数已停用，本条结论改挂在 IMO 金牌线上；若 IMO 官方日后撤回或修改其认证口径，本条需重估

| | 「无验证器一侧只有人类的 17%」——本轮已撤回，不再作为结论 | 分母 ** $63,000 是纸面推算**（$ 206/天 × 302 天的假设好策略），不是实测人类基线 | 已改为只报模型侧绝对值 $10,936，并注明该 benchmark 没有实测人类对照组。若 Andon Labs 日后发布真实人类对照，这条可以重建

| | 「换 harness 就换答案」 | Terminal-Bench 2.0 上 64.7% / 77.3% 的 12.6 点差 | 这一条反而是最稳的：它的论点就是「存在两个数」，新数据只会增加例证，不会推翻它

| | thinking budget 的弹性与全部曲线形状 | Gemini 2.5 Pro 技术报告 Figure 4 的六个读图点（误差 ±0.3pp） | 只对 2.5 Pro 成立；Gemini 3 起已不再暴露 token 级预算，无法再取新样本验证

| | 「单次运行不足以定胜负」 | ReasonBench 的 77% 一对一胜出率（单项研究） | 已在正文限定到该研究自己的模型池与协议，本身就不外推

| | 「算力约束转为电力约束」 | Google Cloud 官方博客的一句话（power, not just chip supply, is a binding constraint） | 这是官方一手表述，但它是一家公司在一个时点的自述；capex 与能源投资是佐证，不是独立验证

| | 「有效反馈通道决定水位」（第二次收窄后的命题） | 五个维度中只有「完整轨迹成本」有可引的量级数据（Vending 一局 6,000 万–1 亿输出 token）；目标对齐度与反馈密度本章没有任何量化刻度 | 这是研究框架，不是已验证公式。要变成可检验命题，必须先预注册这五个变量的测量方式；任何一维出现真实刻度，都可能改变结论

| | 「1M 名义窗口 ≠ 可靠使用 1M」 | 1M 档 26.3% 减去官方 8 针噪声地板约 15% → 真实信号约 11pp | 噪声地板取自 Google eval_hub 的官方说明；若该文档修订了噪声地板的定义或数值，这个减法要重算。另：该结论只对 8 针 pointwise 设置成立

| | 「电力已进入约束集合」（弱版本） | 官方博客一句带两个限定词的表述 + 一连串能源投资动作 | 本章已放弃「电力取代芯片成为第一约束」的强版本。要论证任何排序，需要 Google 披露「因缺电未能上线的算力占比」这类数据——目前一条都没有

| | 「消费价值不由可验证性决定」（作用域限制） | NBER WP 34255 一项研究，且是 OpenAI 对自家产品的统计 | 不能外推到 Gemini 的使用分布（入口结构与默认集成不同）。若出现 Gemini 侧的同类一手使用研究，这条限制需要按新数据重述

    表 11.15 · 单点数据脆弱性登记，冻结于 **2026-07-25**。
      **登记标准**：结论若移除某一个数据点就不再成立，即计入。
      最后一列写的是「什么变化会让它需要重估」，不是「它可能是错的」——
      **脆弱不等于错误，但脆弱的结论必须知道自己脆在哪。**

★本轮新增的一条元教训：脆弱性不只来自「数据会变」，还来自**「分类系统本身可能是错的」——本章第七节的二分法就把自己的两个反例放进了正例栏，而这类错误任何自动检查都发现不了**。

  **最后一条纪律，也是本章想留给读者的东西。**
  这一章写了 14 张表、7 个交互图、上百个百分数。
  **如果只能记住一句话，那就是：2026 年的 benchmark 分数，应该被当作「厂商在一组它自己选定的条件下的自我陈述」来读，
  而不是当作「关于模型的事实」来读。**
  这不是虚无主义——自我陈述依然有信息量，**但它的信息量完全取决于陈述条件是否被披露**。



  来源

































































































    ← 总览
    上一章：安全与治理
    下一章：金句库



    Gemini 认知体系全景 · 材料时间边界 2021.01 – 2026.07 · 本章事实冻结于 2026-07-25



    本章中，正文为有出处的事实陈述；**紫色「本质洞察」**与**橙色「批判 / 局限」**为作者判断。
    引语标「转述」者非原话，标「译文」者以英文原文为准。数字凡官方未披露的均标注为外部估算或「未披露」。
    所有 benchmark 数字都必须连同其评测条件一起引用；不同条件的分数不得并排定胜负。

参考来源

[1]https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-6-flash-3-5-flash-lite-3-5-flash-cyber/（在新窗口打开）blog.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[2]https://deepmind.google/models/model-cards/gemini-3-1-pro/（在新窗口打开）deepmind.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[3]https://artificialanalysis.ai/evaluations/gdpval-aa（在新窗口打开）artificialanalysis.ai · 访问于 2026-10-18权威媒体 · 非本人原话↩
[4]https://cloud.google.com/blog/products/compute/tpu-8t-and-tpu-8i-technical-deep-dive（在新窗口打开）cloud.google.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[5]https://abc.xyz/investor/events/event-details/2026/2026-Q2-Earnings-Call-2026-GgTAq7Is0z/default.aspx（在新窗口打开）abc.xyz · 访问于 2026-10-18权威媒体 · 非本人原话↩
[6]https://mp.weixin.qq.com/s/L_jzdhh8HZLsHCy5ijn1VQ（在新窗口打开）mp.weixin.qq.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[7]https://arxiv.org/abs/2507.06261（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[8]https://blog.google/company-news/outreach-and-initiatives/public-policy/pennsylvania-energy-innovation-summit/（在新窗口打开）blog.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[9]https://deepmind.google/blog/advanced-version-of-gemini-with-deep-think-officially-achieves-gold-medal-standard-at-the-international-mathematical-olympiad/（在新窗口打开）deepmind.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[10]https://developers.googleblog.com/gemini-25-flash-lite-is-now-stable-and-generally-available/（在新窗口打开）developers.googleblog.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[11]https://blog.google/products-and-platforms/products/gemini/gemini-3-deep-think/（在新窗口打开）blog.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[12]https://developers.googleblog.com/en/introducing-gemma-3-270m/（在新窗口打开）developers.googleblog.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[13]https://blog.google/products-and-platforms/products/gemini/updated-image-editing-model/（在新窗口打开）blog.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[14]https://www.justice.gov/atr/media/1421546/dl（在新窗口打开）www.justice.gov · 访问于 2026-10-18权威媒体 · 非本人原话↩
[15]https://www.anthropic.com/news/expanding-our-use-of-google-cloud-tpus-and-services（在新窗口打开）www.anthropic.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[16]https://abc.xyz/investor/events/event-details/2025/2025-Q3-Earnings-Call-2025-4OI4Bac_Q9/default.aspx（在新窗口打开）abc.xyz · 访问于 2026-10-18权威媒体 · 非本人原话↩
[17]https://blog.google/products-and-platforms/products/gemini/gemini-3/（在新窗口打开）blog.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[18]https://deepmind.google/models/model-cards/gemini-3-pro/（在新窗口打开）deepmind.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[19]https://ai.google.dev/gemini-api/docs/models/gemini-3-flash-preview（在新窗口打开）ai.google.dev · 访问于 2026-10-18权威媒体 · 非本人原话↩
[20]https://abc.xyz/investor/news/news-details/2025/Alphabet-Announces-Agreement-to-Acquire-Intersect-to-Advance-U-S--Energy-Innovation-2025-DVIuVDM9wW/default.aspx（在新窗口打开）abc.xyz · 访问于 2026-10-18权威媒体 · 非本人原话↩
[21]https://www.linkedin.com/posts/librahim_were-at-a-defining-moment-with-ai-where-activity-7422630400189009922-Mvpb（在新窗口打开）www.linkedin.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[22]https://fortune.com/2026/01/30/google-deepmind-ai-researcher-david-silver-leaves-to-found-ai-startup-ineffable-intelligence/（在新窗口打开）fortune.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[23]https://abc.xyz/investor/events/event-details/2026/2025-Q4-Earnings-Call-2026-Dr_C033hS6/default.aspx（在新窗口打开）abc.xyz · 访问于 2026-10-18权威媒体 · 非本人原话↩
[24]https://deepmind.google/models/gemini/deep-think/（在新窗口打开）deepmind.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[25]https://ai.google.dev/gemini-api/docs/changelog（在新窗口打开）ai.google.dev · 访问于 2026-10-18权威媒体 · 非本人原话↩
[26]https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-pro/（在新窗口打开）blog.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[27]https://deepmind.google/models/model-cards/gemini-3-1-flash-lite/（在新窗口打开）deepmind.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[28]https://www.reuters.com/business/finance/bridgewaters-chief-scientist-sekhon-join-googles-deepmind-ai-unit-2026-03-18/（在新窗口打开）www.reuters.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[29]https://docs.cloud.google.com/tpu/docs/release-notes（在新窗口打开）docs.cloud.google.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[30]https://blog.google/innovation-and-ai/technology/developers-tools/gemma-4/（在新窗口打开）blog.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[31]https://cloud.google.com/blog/products/compute/ai-infrastructure-at-next26（在新窗口打开）cloud.google.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[32]https://abc.xyz/investor/events/event-details/2026/2026-Q1-Earnings-Call-2026-nW8kCrBAKS/default.aspx（在新窗口打开）abc.xyz · 访问于 2026-10-18权威媒体 · 非本人原话↩
[33]https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5/（在新窗口打开）blog.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[34]https://deepmind.google/models/model-cards/gemini-3-5-flash/（在新窗口打开）deepmind.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[35]https://abc.xyz/investor/news/news-details/2026/Alphabet-Announces-Upsize-and-Pricing-of-84-75-Billion-Equity-Capital-Raise-to-Expand-AI-Infrastructure--and-Compute-2026-QzN3D9yMAj/default.aspx（在新窗口打开）abc.xyz · 访问于 2026-10-18权威媒体 · 非本人原话↩
[36]https://www.sec.gov/Archives/edgar/data/1652044/000165204426000066/googexhibit991q22026.htm（在新窗口打开）www.sec.gov · 访问于 2026-10-18权威媒体 · 非本人原话↩
[37]https://www.apple.com/newsroom/2026/06/apple-intelligence-brings-powerful-ai-capabilities-into-everyday-experiences/（在新窗口打开）www.apple.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[38]https://x.com/NoamShazeer/status/2067400851438932297（在新窗口打开）x.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[39]https://d2233.cms.socastsrm.com/2026/06/17/google-gemini-co-lead-noam-shazeer-to-join-ipo-bound-openai/（在新窗口打开）d2233.cms.socastsrm.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[40]https://www.bloomberg.com/news/articles/2026-06-19/nobel-winner-john-jumper-to-leave-google-deepmind-for-anthropic（在新窗口打开）www.bloomberg.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[41]https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-computer-use-gemini-3-5-flash/（在新窗口打开）blog.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[42]https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-omni-flash-nano-banana-2-lite/（在新窗口打开）blog.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[43]https://deepmind.google/models/model-cards/gemini-3-6-flash/（在新窗口打开）deepmind.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[44]https://ai.google.dev/gemini-api/docs/models/gemini-3.5-flash-lite（在新窗口打开）ai.google.dev · 访问于 2026-10-18权威媒体 · 非本人原话↩
[45]https://www.swebench.com/verified（在新窗口打开）www.swebench.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[46]https://arcprize.org/results/anthropic-claude-opus-5（在新窗口打开）arcprize.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[47]https://artificialanalysis.ai/evaluations/humanitys-last-exam（在新窗口打开）artificialanalysis.ai · 访问于 2026-10-18权威媒体 · 非本人原话↩
[48]https://labs.scale.com/leaderboard/humanitys_last_exam（在新窗口打开）labs.scale.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[49]https://epoch.ai/benchmarks/frontiermath-tier-4-v2（在新窗口打开）epoch.ai · 访问于 2026-10-18权威媒体 · 非本人原话↩
[50]https://evals.openai.com/gdpval/leaderboard（在新窗口打开）evals.openai.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[51]https://arxiv.org/abs/2406.04127（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[52]https://cheekypint.substack.com/p/the-history-and-future-of-ai-at-google（在新窗口打开）cheekypint.substack.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[53]https://abc.xyz/investor/events/event-details/2025/Alphabets-Data-Center-Energy-Strategy-Call--2025-8CMCLdf62b/default.aspx（在新窗口打开）abc.xyz · 访问于 2026-10-18权威媒体 · 非本人原话↩
[54]https://www.bloomberg.com/news/articles/2026-06-24/google-poised-to-lose-two-more-high-profile-ai-staffers-to-anthropic（在新窗口打开）www.bloomberg.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[55]https://mp.weixin.qq.com/s/peA089QQthXQbZiXAJOkKg（在新窗口打开）mp.weixin.qq.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[56]https://mp.weixin.qq.com/s/Byi1HvVjOF_M09_ckRonnQ（在新窗口打开）mp.weixin.qq.com · 访问于 2026-10-18权威媒体 · 非本人原话↩