Gemini 3.8 Flash 低成本编程：补丁失败后，再试两轮划算吗？

代码 Agent 交出补丁，回归测试却还在报错。继续用 Gemini 3.8 Flash 再试一次，还是立刻换更强的模型？该比较的是拿到一份合格补丁花了多少钱，而不是一次调用的单价。思考 Token、失败的尝试和运行测试，都要算进账单。

Gemini 3.8 Flash 发布时的几组数字解释了这个问题为什么值得讨论：输入 $0.75、输出 $3.75/百万 Token 的年内优惠价，73.7% 的 DeepSWE v1.1 成绩，以及第三方测得的接近 300 tokens/s 输出速度。本文仍然比较“一次深入调查”和“多次便宜尝试”，但只讨论一个具体用法：修复可复现的代码错误，首次尝试失败后，最多再给两轮机会。

先说结论

• Gemini 3.8 Flash 的关键价值不是“便宜版旗舰”，而是低价和高吞吐让并行候选、快速重试与持续验证变得可行。
• Google 公布的 DeepSWE 73.7% 说明它能处理长仓库任务，但该结果使用特定脚手架和 high thinking 设置，不能直接宣布它“全面登顶”。
• 多试几轮并不会自动变聪明；只有单元测试、Schema、权限规则等独立验证器能可靠判错时，这种策略才成立。
• Fable 5.1 更适合作为高风险或原因模糊任务的升级通道，两者可以出现在同一个模型路由中。

Google 官方性能面板把 73.7% 的 DeepSWE v1.1 结果与单任务平均成本放在同一张图中；不同模型的评测配置仍需结合方法说明解读。

Gemini 3.8 Flash 真正卖的不是“快”，而是下一次尝试

Google 在 9 月 2 日 UTC——北京时间 9 月 3 日——发布 Gemini 3.8 Flash。Gemini 3.8 Flash 模型页面显示，模型已经 GA（正式可用），输入窗口为 100 万 Token，最大输出 64K，并允许开发者调整推理档位。年内优惠价是输入 $0.75、输出 $3.75/百万 Token。单看价格，它并不只是比前沿旗舰便宜一点，而是把一次代码尝试压到了可以被频繁调用的区间。

Google 官方产品页将 Gemini 3.8 Flash 定位为面向编程与 Agent 工作的模型。

这会直接改变 Agent 的行为。过去一次调用很贵，系统往往只能让模型生成一个补丁，然后寄希望于它足够正确。现在，同一笔预算可以让 Gemini 先给出两个候选修复，分别运行测试；如果都失败，再根据两份错误日志重跑。速度也在这里发挥作用：当一轮输出接近 300 tokens/s，多一次尝试不再意味着漫长等待。

单价当然不是完整账单。输出长度、high thinking 带来的额外 Token、工具调用、失败重试和最终成功率都会影响成本。低价的意义不是“无论怎么跑都便宜”，而是允许系统把预算从单次押注改成一组有上限的实验。这个区别很重要：Gemini 3.8 Flash 的工程价值，更多出现在 Agent loop 里，而不是聊天框里。

73.7% 的 DeepSWE，证明了什么，又没有证明什么

Google 在模型页面公布 Gemini 3.8 Flash 在 DeepSWE v1.1 上取得 73.7%。DeepSWE 面向长周期软件工程任务，模型不只回答一道题，还要进入代码仓库、理解上下文、修改文件并接受测试。因此，这个结果至少说明 Flash 不再只是负责分类、抽取和补全的便宜模型；在特定配置下，它能把长任务跑到终点。

但“73.7%”不能脱离评测方法单独传播。Google 的方法文档写明，Gemini 结果由 Google 使用 mini-swe-agent 脚手架、在 high thinking 档位下计算；同一张表里的其他模型数值，可能来自公开榜单，也可能来自厂商自报。任务、脚手架、推理设置和结果来源没有完全统一，所以它不是一次严格控制变量的正面对决。

这也是为什么不能把 DeepSWE 73.7%、Fable 的 CursorBench 73.4% 和 Terminal-Bench 分数排成一张“总榜”。数字看起来接近，考试内容却不同。更稳妥的解读是：Gemini 3.8 Flash 已经进入长任务候选名单，而且它的速度和价格使大规模内部复测变得更现实。至于是否真的适合某个仓库，仍要固定 Prompt、权限、代码 commit、超时和验收条件，在相同脚手架里重跑。

两段演示视频把这种产品方向表现得更直观。DOS 风格地图和循环指令游戏都不只是代码片段，而是可运行、可交互并带测试信息的成品。它们不是标准评测，没有对照组、重复次数和独立验收报告，不能用来证明稳定性；但它们清楚展示了 Google 想让 Flash 承担的工作单位：生成、执行、检查，再继续修改。

DOS 风格地图演示同时展示了生成代码、可交互成品和 27 项自动化测试摘要。

循环指令游戏展示了更大的交互成品，但无法因此判断代码可维护性、重跑一致性和隐藏失败率。

速度和价格怎样变成 Agent 的系统能力

Artificial Analysis 在 9 月 3 日的数据截面，给了 Gemini 这条路线一个更清楚的坐标。Gemini 3.8 Flash 在 high 设置下，综合指数为 59，输出速度约 299 tokens/s，每个指数评测任务成本 $0.58。Fable 5.1 在 max with fallback 设置下，综合指数为 66，输出速度约 66 tokens/s，每任务 $3.69。

GPT Image 2 可视化：同日数据中，Gemini 采用 high 设置，Fable 采用 max with fallback；综合指数混合九项评测，每任务成本只对应该机构的评测负载。点位仅作示意，准确数值以数字标签及上方数据表为准。

Fable 的综合分高 7 分，Gemini 的输出速度却超过四倍，评测任务成本只有前者的约六分之一。这不是在宣布 Gemini 比 Fable 更聪明，而是在说明它可以买到更多尝试次数。假设一个任务只有一份主观答案，那么多跑几次意义有限；如果任务有明确的单元测试、返回 Schema、编译器错误或数值校验，同样的预算就可以同时探索多个候选，再让确定性规则淘汰失败者。

这里最容易出现的误判，是把“便宜模型多跑几次”等同于“正确率自然提高”。如果模型自己负责生成答案，又自己宣布哪个答案最好，多轮尝试只会制造更多貌似合理的结果。真正把速度变成工程智力的是外部验证器：测试是否通过、JSON 是否符合 Schema、权限是否越界、结果能否复算。没有这些条件，299 tokens/s 只意味着错误也能更快地产生。

重试还必须有上限。两个候选用不同方式失败、连续几轮无法收敛，或需求本身无法写成通过条件时，继续调用同一个模型通常是在烧钱。这时系统应该升级到更强的模型或人工检查，而不是把低单价当成无限循环的理由。

Gemini 3.8 Flash 编程费用：一份合格补丁怎么算钱

截至 2026 年 9 月 8 日，Google API 价格表的 Standard 档写明：2026 年 12 月 31 日前，输入 $0.75、输出 $3.75/百万 Token；输出价格包含思考 Token。2027 年 1 月 1 日起列出的价格是 $1.50/$7.50。思考文档也明确，计费看实际生成的思考 Token，不是界面里那一小段思考摘要。

下面是假设算例，不是实际编程测试账单。每次尝试输入 20,000 Token，计费输出共 8,000 Token（含思考）；没有缓存命中和搜索附加费，重试用量暂按相同计算。

最多尝试多少次	累计输入 / 计费输出 Token	Google Standard 年内模型费	SandBase 页面所列模型费
首次尝试	20,000 / 8,000	$0.045	$0.090
首次 + 1 次重试	40,000 / 16,000	$0.090	$0.180
首次 + 2 次重试	60,000 / 24,000	$0.135	$0.270

第一行的官方价算法是：20,000 ÷ 1,000,000 × $0.75 + 8,000 ÷ 1,000,000 × $3.75 = $0.045。假如可见答案占 2,000 Token、思考占 6,000，计费输出就是 8,000，不能只算 2,000，也不能重复相加变成 14,000。

SandBase 的 Gemini 3.8 Flash 专页在 9 月 8 日列出的是输入 $1.50、输出 $7.50/百万 Token，所以表中单独计算，不能套用 Google 的年内优惠。页面也列出了模型 ID google/gemini-3.8-flash 和 Chat Completions 接口；这里核验的是产品页面与文档，不是已经完成一次 API 实测，也不代表官方优惠适用于该渠道。

再加上验收开销：假设每次隔离测试花 $0.02，官方价下跑完三次就是 $0.195，还没算人工审查。若三次都失败，得到的合格补丁仍然是零。批量评估时，用含失败任务在内的全部模型费和测试费，除以实际验收通过的补丁数。人工审查另记分钟数，或注明时薪后换算。上下文越滚越长、CI 越跑越慢，都可能吃掉低单价的优势。

Flash Cyber 的受限安全测试不能证明这份普通编程账单。它的资格与数据放在三模型对比文章中，不在这里展开。

Fable 5.1 为什么仍然是必要的对照

Anthropic 发布页中，Millennium 的客户证言描述了沿罕见崩溃追进第三方二进制库的调查。它不是独立复现的测试，但能说明什么情况下不该多试补丁：错误难以复现、还不知道怎么验收时，先找到可验证的原因，比再生成一个改动更重要。

Fable 仍可用于原因不明的复杂调查。下图中的评测任务与 DeepSWE 不同，不能据此算出“几次 Gemini 等于一次 Fable”。

Anthropic 发布页汇总了 Fable 5.1 与 Mythos 5.1 在科研、编程、知识工作和商业工作流评测中的结果。

Fable 的 API 单价、缓存写入价，以及“缓存读取降价不等于整单同幅降价”的区别，见 Fable 价格说明。未缓存单价更高，恰恰意味着要比较合格结果的成本，而不是先替所有难题指定一个模型。

首次补丁失败后，最多再给两轮

先拿一个小而可回滚的修改演练，不要从生产事故开始。下面是操作示例，假设仓库已有日期解析函数和测试命令；文件路径、命令要换成你自己的，不是可直接调用的通用配置。

可以这样下达任务：

修改 src/date-parser.ts，让无效日期返回错误，而不是自动进位。只在 tests/date-parser.test.ts 补三个用例：2026-02-29 应失败、2028-02-29 应成功、空字符串应失败。保留公开返回类型，不改依赖和生产配置。运行现有日期解析测试，再运行正常回归测试。首次失败后最多再试两轮；不发布、不部署。

开始前记下代码 commit、测试命令、预期结果和模型费用上限。在没有生产凭据的隔离副本中执行。这里的“一轮”指一次补丁尝试，不是每读取一个文件就算一次。

阶段	给 Agent 的材料	何时通过，何时停
首次尝试	任务、相关文件、固定测试	专项测试与回归通过，再审 diff
第 1 次重试	失败测试名、实际值与预期值、当前 diff	只针对这次错误修复，不允许削弱测试
第 2 次重试	新错误日志、上一轮无效修改	再失败、超预算或重复同一解释，就停止
升级处理	原任务、三次 diff、日志、Token 合计	交给人工或深入调查，不自动合并

如果 Agent 删掉报错的断言才让测试变绿，仍然算失败。如果改日期解析却引起登录回归，应提前停止；“最多两轮”不是必须用满。陌生仓库的测试脚本本身也能执行代码，先检查实际命令并放进隔离环境，不要默认“跑测试就无风险”。

累计记录一批任务的通过数、拒绝数、尝试次数、计费 Token、测试费用和审查分钟数，再让现有模型在相同 commit、相同测试下做对照。三次尝试预算不等于成功率承诺。至于升级给哪种模型，交给三模型路由对比讨论；这里先回答“再买一次便宜尝试值不值”。

Gemini 3.8 Flash 改写的不是榜单，而是预算分配

Gemini 3.8 Flash 最值得关注的地方，不是它能否在某张表上压过所有旗舰，而是它把“再试一次”的价格和等待时间都压了下来。代码 Agent 因此可以从单次生成转向多候选、自动验证和有限重试。Google 所说的 long-running agentic loops，也不再只依赖一次超长推理，而可以由许多快速、可检查的步骤组成。

这条路线有清楚的边界。能被客观判错、能够安全回滚的步骤，最适合让 Gemini 用低成本换取更多尝试；需求模糊、证据分散、错误后果严重的任务，则应该尽早升级。Fable 的意义在于标出 Gemini 路线的边缘：当验证器失效、重试不再提供新信息时，系统需要的就不是更快的下一轮，而是一次更深的调查。

延伸阅读：Agent 脚手架如何改变模型跑分，以及 Fable 5.1 的科研与缓存数据。正式接入前，在 Gemini 3.8 Flash 模型专页核对路由和渠道价格；算账时以你实际调用的提供方为准。

FAQ

Gemini 3.8 Flash 为什么适合代码 Agent？

因为它把较强的长任务成绩、接近 300 tokens/s 的第三方实测速率和较低单价放在了同一个模型里。Agent 因而可以在受控预算内生成候选、运行测试并快速重试。

DeepSWE 73.7% 能说明 Gemini 3.8 Flash 已经登顶吗？

不能直接这么说。Google 的结果使用 mini-swe-agent 和 high thinking 设置，表内其他模型的分数来源也不完全相同。它能证明 Gemini 在该配置下具备很强的长仓库任务能力，不能替代同条件的内部复测。

多跑几次 Gemini 能代替更强的模型吗？

只有当独立验证器能识别正确结果时才可能。单元测试、Schema、确定性计算和权限规则适合这种做法；模糊需求和复杂事故调查不适合靠重复调用碰运气。

Gemini 编程费用要算思考 Token 吗？

要。Google 的输出价包含思考 Token。上面 $0.045 的假设算例计算的是 8,000 个计费输出 Token，不只是可见补丁。不同渠道也可能不同价：SandBase 专页当前所列价格与 Google 的 2026 年 Standard 优惠价不同。

什么情况下应该从 Gemini 升级到 Fable 5.1？

当快速通道达到重试上限、不同候选以不同方式失败、任务无法写出可靠验收条件，或一次错误会触及资金、权限与不可逆操作时，就该换成长时间调查或人工介入。