Gemini 4来了？

还没正式来。 截至 2026 年 9 月 18 日，Google 没有发布 Gemini 4，也没有 API、模型卡、定价或官方基准。它目前仍是 Google DeepMind 确认中的下一代旗舰训练计划。

不过这两天圈里确实炸了：Arena 上冒出一款挂着 gemini-3.8-flash 名字的匿名模型，社区普遍怀疑那是 Gemini 4 Pro 的早期检查点（内部代号常被说成 Argon）。这就是“来了？”这个问题突然变热的原因。

Google 官方说了什么

2026 年 7 月 21 日，Google 在发布 Gemini 3.6 Flash 等模型时，在文末写了一句：

We have already started our most ambitious pre-training run yet, for Gemini 4.

第二天，Sundar Pichai 在 Alphabet Q2 财报会上再次确认：正在训练 Gemini 4，规模比以往更大，重点补强 编程 和 智能体（agentic）能力，并表示内部进展让他很兴奋。公司还提到希望把 Gemini 更新节奏推向接近每月一次。

这之后，公开信息基本停在这里。没有发布日期，没有 Pro / Flash 分型细节，也没有进入 Gemini API 或 Vertex AI 目录。

目前对外能用的最新一代，仍是 9 月 2 日的 Gemini 3.8 Flash，以及 9 月 15 日的 Gemini 3.8 Live / Live Extended Thinking。Gemini 3.5 Pro 此前多次延期，社区普遍认为 Google 干脆把算力压到了下一代。

这两天的“偷跑”传闻

9 月 17 日起，LMSYS Chatbot Arena 的匿名对战里出现同名 gemini-3.8-flash 的新检查点。真正的 3.8 Flash 已经在月初正式上线，再出现一个同名、体感却明显更强的模型，本身就很反常。

测试者反馈集中在几件事上：

• SVG / 矢量图生成质量很高，例如“鹈鹕骑自行车”、侧视猫、复杂产品结构图，路径和空间关系明显好于现款 Flash。
• 长输出更稳，有人做超长 JSON 压力测试，称它不像现款那样中途摘要或放弃。
• 流传的社区对比表里，DeepSWE、GDPval、Terminal-bench、OSWorld 等任务上领先 GPT-6 Astra、Claude Fable 5.1 等对手。

这些数字目前都是社区测试或截图，Google 没有确认。把它直接当成正式 Gemini 4 Pro 还为时过早，更像是训练后期检查点被放进 Arena 做盲测。这类“换马甲测试”在大模型圈并不罕见。

Gemini 4 被期待成什么样

结合官方表述和社区猜测，下一代大概会往这几个方向走：

更大、更偏行动。 Pichai 明确说下一代需要更大的基座模型，才能在“当时的前沿”竞争。重点不是再多几个聊天分数，而是能写代码、能多步操作工具、能扛住长周期任务。

智能体与编程。 这是 Google 自己点名的短板。3.x Flash 系列已经在往 agentic coding 迭代，4 代被期待一次性把能力台阶抬上去。

多模态与长上下文。 Gemini 一直吃多模态和长窗口的饭。传闻里出现过千万级输入、25.6 万输出、跨会话记忆等说法，同样未经官方证实，只能当风向标。

发布节奏可能变快。 如果“接近每月发一版”兑现，4 代不会像早期那样一年等一次，更可能是先出检查点 / 预览，再快速切 Flash、Pro、Live 等变体。

开源侧已经有 Gemma 4（2026 年 4 月，Apache 2.0），那是把 Gemini 3 技术下放到可本地跑的权重；Gemini 4 本身仍是闭源旗舰线。

大概什么时候真正能用

没有官宣日期。按以往大约半年一轮大训练、再加后训练和安全评估，市场和观察者多押 2026 年 10 月到年底。预测盘近期也把中位预期往 10 月中下旬推。

可观察的信号很简单：

1. Google 博客或 I/O 风格发布会点名 Gemini 4
2. API / AI Studio / Vertex 出现 gemini-4 模型 ID
3. 官方模型卡和定价页上线

这三件事先出现任何一件，才算“真的来了”。Arena 匿名模型再强，也只是预热。

现在该怎么看这件事

Gemini 4 作为产品还没到，作为训练计划已经确认快两个月。今天的热度，主要来自一次看起来非常像旗舰检查点的 Arena 盲测，以及 Google 已经很久没交出新一代 Pro 的空窗。

如果泄露属实，说明后训练已经推进到能对外打的程度，正式发布可能比“年底才见”更近。如果只是 3.8 系的隐藏高算力档，那社区又要再等一轮。

对普通用户和开发者来说，眼下能用的仍是 3.8 Flash / Live；真正换代，还得等 Google 把名字从训练日志写进产品目录。在那之前，“Gemini 4 来了？”最准确的回答是：人已经在门口，门还没开。

这两天几乎全是案例驱动的传闻，不是空口“很强”。但要先把边界说清：Google 仍未官宣 Gemini 4；这些都是 Arena 匿名对战里，一个挂名 gemini-3.8-flash 的模型被社区当成 Gemini 4 Pro 早期检查点（代号 Argon） 来测。有人后来也说抽到的其实很随机，不一定每次都是同一档。下面按“传闻类型 + 具体案例”整理。

1. 核心传闻在说什么

几条同时在传，可信度从高到低大致是：

传闻	内容	靠谱程度
换马甲测试	Arena Battle 里同名 gemini-3.8-flash 体感远超 9 月 2 日正式版	中高：很多人复现到“有时特别强”
内部名 Argon	4 Pro 检查点代号	中：测试号口头流传，无官方
跑分碾压	DeepSWE 88.7%、GDPval 2064 Elo、HLE 72.1%、OSWorld 86.8%、Terminal-bench 95.3%	低到中：是流传对比表，不是官方评测
后端规格	千万级输入、256K 输出、跨会话记忆、能直接上网	低：有人声称“ghost route 进后端”，无法独立核实

正式 3.8 Flash 的公开卡是约 1M 上下文、6.5 万输出。社区用“无限 JSON / 行星目录”压测，说新检查点能一直写到接近 256K 才停，现款 Flash 则会中途摘要或放弃。这是目前最常被用来“证明不是同一模型”的论据。

2. 已经传开的具体案例

这些才是让人觉得“不像 Flash”的东西。SVG 特别吃空间关系和路径，模型胡编像素图容易，写对矢量结构很难，所以圈里一直拿它当试金石（经典题就是 Simon Willison 的“鹈鹕骑自行车”）。

鹈鹕骑自行车 SVG
Harshith 等在 Arena 用一句 prompt：尽可能漂亮地画一只骑自行车的鹈鹕。社区对比里，这版构图更稳，鸟和车的咬合、轮子、喙的结构不容易穿模；有人直接并排 GPT-6 Astra。IT之家、36氪都转了这类截图。这不是新考题，而是旧考题突然变好看，所以冲击大。

侧视家猫 SVG
同一批测试：clean SVG of a domestic cat in side view。左边被标成“4 Pro”，右边是 Astra。评语集中在轮廓干净、四肢比例不像早期模型那样“四不像”。Harshith 还补了一张 AI Studio 里正式 3.8 Flash 的猫作对照，强调差距。

PS5 整机矢量图
LuminaBench：让它画 PlayStation 5 的 SVG。号称想了大约 10 分钟，吐出上千行路径，曲线、光驱、阴影对得上。测试者原话接近“这是我从模型里拿到过最疯的输出之一”。耗时长本身也被当成“Pro 级深度思考”，Flash 通常不会为一张矢量图想这么久。

体素宝塔 / Voxel Pagoda
同样是 Lumina，大约 5 分钟出一版 3D 体素塔。B 站合集里也把它单列成示例。评价是几何对齐和层次比旧 Gemini 检查点干净。

其它被剪进合集的题
中文视频里还堆了：3D 公路自行车、空客 H145、赛车小游戏页、三维细胞结构、飞机小游戏。共同特点是“能交结构”，不是只交一张好看的图。另有开发者说让它做专题网站，大约 14 分钟 从结构、视觉到交互走完，评论是早期 Gemini 被骂的“设计品味”这次像样了。

这些案例的共同点：不是 MMLU 那种选择题，而是看得见对不对的空间 / 前端 / 长输出任务。所以传播很快，也最容易被截图带节奏。

3. 跑分表在传什么（请当小作文）

流传最广的一张社区表，把“Gemini 4 Pro”放在 13 项全第一，对手包括 GPT-6 Astra、Claude Fable 5.1、Opus 5、GPT-5.6 Sol。常被点名的几项：

• DeepSWE v1.1（长程编程智能体）约 88.7%，Astra 约 86.9%
• GDPval-AA v2（知识工作）2064 Elo，Astra 约 1994
• HLE 约 72.1%
• Terminal-bench 2.1 约 95.3%
• OSWorld-2.0 电脑操作约 86.8%

对照一下公开的 Gemini 3.8 Flash 模型卡：DeepSWE 大约 73.7%，GDPval 大约 1545 Elo，Terminal-bench 约 89%。如果匿名模型真打到表上那些数，确实不像现款 Flash。问题是：表没有可复核的原始日志，Arena 排行榜上也还没有叫 Gemini 4 的条目。当成“有人在用未公开检查点打私榜”，比当成“Google 已发布 4 Pro”更合适。

4. 怎么理解这些案例，比较不容易被带跑

1. Arena 匿名战本来就会混检查点。 同一标签抽到强弱两档，在历史上发生过。Harshith 后来甚至发过“有的结果其实是 3.8 / 3.7，而且很随机”。
2. SVG 好看 ≠ 全面 SOTA。 空间代码强，不自动等于数学、安全、拒答、工具调用全赢。Google 自己点名要补的是编程和智能体，SVG 只是最适合发朋友圈的切片。
3. 想 10 分钟再出图，更像高思考档。 也可能只是 3.8 的 High / Extended Thinking 被悄悄接到 Arena，不一定非是 4。
4. 规格泄露最弱。 “千万上下文、自带上网、喂恶意软件会生成陷阱环境”这类，目前只有单人截图叙事，没有第二来源。

5. 若你想自己碰运气

去 Arena 开 Battle，看对手是不是标成 gemini-3.8-flash。适合复现的短题：

• Generate an SVG of a pelican riding a bicycle as nicely as you can
• Clean SVG of a domestic cat in side view
• Vector render of a PlayStation 5, accurate proportions

中文圈 B 站已经有人把 9 个示例剪成 6 分钟合集，比自己从时间线上翻推更省事。记住：抽到“神之一手”不能证明你用上了 Gemini 4；抽到普通 3.8 也不能证明传闻是假的。

一句话： 传闻很密，案例也具体，尤其是 SVG 和长代码输出；官方状态仍然是“4 还在训练，产品没上架”。这些例子更适合当“Google 可能已经把下一代检查点放到外面打磨了”，而不是“Gemini 4 已经发布”。