Google 于 8 月 13 日发布 Gemini 3.7 Flash，距离 7 月 21 日的 3.6 Flash 仅隔三周。这是 Gemini 3 系列在不到八个月里推出的第四个 Flash 版本。官方称这次更新直接来自开发者反馈与算法改进，定位为「迄今最聪明的主力模型」，主攻编码与智能体场景。

## 编码与智能体：跑分大涨

在软件工程任务上，3.7 Flash 相比 3.6 Flash 有明显提升：FrontierCode 1.1 Main 基准从 34.4% 提升到 43.6%，DeepSWE 1.1 从 49.0% 提升到 65.3%；WebDev Arena 评分从 1538 升至 1588；处理复杂文档的 GDP.pdf 基准从 22.0% 升至 34.0%；面向真实业务流的 AutomationBench 从 17.0% 提升到 30.4%。官方表示，新模型在代码首过准确率、多步规划与工具调用上更守纪律，能减少人工干预与重试次数。

## 价格：首发促销价砍半

3.7 Flash 的输入价格为每百万词元 0.75 美元、输出 3.75 美元，是 3.6 Flash 首发价的一半。这一促销价持续到 2026 年底，2027 年 1 月 1 日起将恢复为每百万词元输入 1.50 美元、输出 7.50 美元。横向对比，Claude Sonnet 5 的输入、输出价为 2.00 与 10.00 美元，GPT-5.6 Terra 为 2.00 与 12.00 美元，3.7 Flash 在价格上仍具优势。

## 落地与可用范围

该模型已上线 Gemini API、Google AI Studio、Android Studio、Gemini Enterprise 平台，以及 Google Antigravity 编程环境。面向个人的 Gemini Spark（需 AI Pro 或 Ultra 订阅，覆盖 160 多个国家）也从即日起切换至 3.7 Flash。模型支持最高 100 万词元的上下文与 6.4 万词元输出，知识截止时间为 2026 年 3 月。安全方面，更新了针对化学、生物、放射与核（CBRN）及网络攻击领域的防护。

来源：Google Blog（Gemini 团队官方发布）

技术博主 Dan Luu 决定动手验证。他跑了两轮真实规模的评测，结论是：这个被广泛传播的判断，基本站不住脚。

被引用最多的那份数据，题目太简单了

流行说法的源头是一份对比实验，作者从 Rosetta Code 上取题，测量不同语言解同一道题需要多少 token。结果显示，最费 token 的 C 语言与最省的 Clojure 之间存在 2.6 倍的差距；后来又补测了数组语言 J，平均只需 70 个 token，几乎是 Clojure（109 个）的一半。作者由此推断，如果 token 效率真的成为关键驱动力，这可能会成为编程语言演化的一个有趣方向。

问题恰恰藏在这组数字里。Dan Luu 指出，一道能用 70 个 token 解决的题目，根本算不上题目。这类琐碎任务里，大部分工作只是把答案打印出来，性能表现无法推广到需要真正干活的场景。他此前在评测「穴居人模式」提示词时就见过同样的现象：在极简任务上宣称的巨大收益，一旦换成稍微需要动脑的问题就消失了。

另一份支持相同结论的对比实验，毛病更隐蔽。其中一项测试执行了一条并不存在的路径，导致失败；后面某个智能体把这条不存在的路径符号链接到了自己的可执行文件，测试通过了，但代价是此后所有测试都在跑那一个智能体的可执行文件。原作者据此分析 Rust 为何出现失败，实际上只是因为 Rust 的评分环节跑在 Go 智能体做符号链接之前。

两个真实项目：zstd 解码器与 Pandoc

Dan Luu 的做法是自己造评测，并且在看结果之前先公开写下预测。他给出的三条预注册判断是：95% 的把握认为动态与静态语言的整体差异说法不成立；60% 的较低把握认为在超高算力档位下静态语言会稍占上风；98% 的把握认为 J 这类「怪语言」的优势不会成立。

第一轮评测的任务是实现一个完整的 zstd 解码器。智能体拿到 zstd 的 RFC 文档和勘误，被关在没有网络的容器里，不提供测试用例。模型统一用 GPT-5.6 Sol，分 medium 与 ultra 两档算力投入。之所以不给测试，是因为像 zstd 这种覆盖面的项目，测试不可能穷尽所有分支——Dan Luu 本人就曾在这个久经考验的软件里找到过数据损坏的缺陷。

结果分成两层：只看 medium 档，动态语言的确聚集在成本更低、正确率更高的那一侧，看上去支持流行结论；但换到 ultra 档，格局就乱了，排在前列的反而以静态语言居多。真正稳定的规律不在动静态之分上，而在两个别的维度——汇编这类对人类也极其费劲的语言表现明显更差；冷门语言同样吃亏，合理的解释是各家 AI 实验室在小众语言上投入的合成训练数据极少甚至为零。把语言流行度和评测表现放在一起看，能观察到一个弱到中等的正相关：越主流的语言，写出来的代码往往既更正确又更便宜。这与第一份实验推崇 J 这类高密度语言的方向正好相反。

第二轮换了完全不同的任务与呈现方式。Dan Luu 把 ProgramBench 的 Pandoc 评测改造了一下：不做原本的逆向工程题，而是把 ProgramBench 的材料连同测试一并交给智能体，再用一组留出测试来打分，更接近测试驱动开发的节奏。结论依旧：成本与得分和语言的动静态属性没有明显关系，冷门语言仍然吃亏，汇编依旧垫底，而 Clojure 在这一轮比在 zstd 那轮好得多。

Clojure 在第一轮翻车有具体原因：40 次 medium 运行里有 36 次、40 次 ultra 运行里有 5 次出现测试失败，症结是字节转换在 128 到 255 区间抛出异常，或许应该改用 unchecked-byte。这也是一个真实存在的成本——如果没有测试兜住，这类错误会一路带到线上；即便有测试，修它同样要烧掉时间和 token。

哪些流行判断被证伪了

对照两轮数据，几条在社区里流传甚广的说法可以做初步清算：

• 「代码质量参差的语言（比如 PHP）在大模型手里表现更差」——在这两项任务上不成立
• 「既然重写成本变低了，就该用表达力强的语言（比如 Haskell）」——同样不成立
• 「应该选流行语言」——有弱支持
• 「动态语言在小项目上占优，项目变大后被静态语言反超」——这两项任务不支持这一判断，不过两个任务的形态和呈现方式差异太大，无法确定究竟是规模因素还是别的变量在起作用

回看他自己的三条预注册判断，第一条和第三条被证实，第二条（ultra 档静态语言稍好）信息不足，若必须二选一，他倾向于判定为错误。

值得留意的是这套方法本身的意义。Dan Luu 提到，2014 年他梳理过静态与动态类型的学术文献，除少数案例研究外收获寥寥。以一篇典型论文《静态类型系统能改善软件系统的可维护性吗？一项实证研究》为例：33 名受试者被分配修复既有代码中的错误或补全存根方法，静态组用 Java，动态组用 Groovy，采用被试内设计并随机化任务顺序。结论是类型错误场景下 Java 组更快，语义错误场景下没有差异。但该研究刻意回避了循环、递归等复杂控制结构以降低耗时方差，导致所有缺陷都是琐碎缺陷，中位解题时间只有几百秒——这恰恰是最不耗费职业程序员时间的那类问题。

大模型改变了这件事的可行性。让智能体实现一个 zstd 解码器大约花费 20 美元，乘上语言数量和每种条件下的重复次数确实不便宜，但相比雇一位能读懂 zstd 规范并动手实现的职业程序员，这个数量级的研究此前根本不可能做，Pandoc 那一轮更是如此。许多原本无从回答的问题——什么测试手法有效、什么软件架构适合、修缺陷的成本是否因语言而异——如今至少有了动手一试的可能。

至于最终答案，Dan Luu 的态度相当克制：绝大多数关于「某语言特别适合大模型」的流行断言看起来都是错的，但什么才是对的，目前还不清楚。

来源：danluu.com（Dan Luu）

该项目由 Antigma Labs 开发，以 Apache 2.0 协议开源，近日出现在 Hacker News 首页并获得 90 分推荐。开发方给它的定位相当直白：功能对标 Claude Code 与 Codex，但不带这两者的依赖负担和模型限制。

跑分公开可查，资源占用只有零头

多数智能体项目都会自称性能优秀，Ante 的做法是把评测过程直接摊开。项目在官方排行榜约束条件下持续运行 Terminal-Bench 2.1 基准测试——89 项任务，每项跑 5 次。最新一轮完整测试的成绩为 82.7%，共 368 次通过、总计 445 次试验，使用的模型是开源权重的 DeepSeek V4 Flash 0731，对应版本为 Ante 0.preview.71，整轮推理开销约 68 美元。作为交叉印证，DeepSeek 官方用其尚未公开的 Harness 在最简模式下测试同一模型，给出的分数同样是 82.7。

每条评测结果都会锁定可下载的具体构建版本，并附上原始运行记录的链接，供外部独立复核，而不是只丢出一个数字。

资源开销的差距更为直观。在 Docker 环境中执行同样的 20 项并行任务，Ante 的峰值内存占用约为 Claude Code 的七分之一，平均 CPU 占用约为九分之一，磁盘读写量约为五分之一。

这套数字背后是一个具体的工程取舍：整个程序用 Rust 手写，把 Grep（经过完全重写和定制）与 git 这类高频组件直接嵌进同一个二进制、同一个进程内运行，不再向外调起子进程，也就不存在资源泄漏的问题。本地推理则交给一个版本固定、由项目自行管理的 llama.cpp。

断网跑完整流程，不需要 API 密钥

原生离线是 Ante 最有辨识度的一点。内置推理引擎让整个工作循环可以完全留在本地：指向一个 GGUF 格式的模型文件，不需要 API 密钥，不需要注册账号，也不需要网络连接。

ante --offline-model ~/.ante/models/Qwen3.5-9B-Q4_K_M.gguf \
  -p "add error handling to src/main.rs"

联网使用时，Ante 开箱支持 12 家以上的模型供应商，包括 Anthropic 的 Claude Sonnet 4.5 与 Opus 4.6、OpenAI 的 GPT-5 系列、谷歌 Gemini 3 系列、xAI 的 Grok 4、OpenRouter，以及 Vertex AI 等兼容 OpenAI 接口的服务。切换供应商没有绑定成本，自带密钥、订阅账号或本地模型均可，官方明确表示不要求注册任何账号。

运行方式分为四种：ante 进入交互式终端界面处理日常工作；ante -p 以无头模式执行一次性任务，适合脚本与持续集成流程；ante serve 通过 JSONL 协议对外提供服务，供编辑器插件调用；ante gateway 则可以把它挂成 Slack 或 Discord 机器人。多智能体编排、自定义技能、MCP 支持与跨会话记忆也都在功能清单内。

开源了哪些部分，又有哪些没开

需要说清楚的是，Ante 目前处于 Alpha 预览阶段，官方提示会有破坏性变更和功能缺失，且仅支持 macOS 与 Linux，Windows 用户建议通过 WSL 使用。

仓库开源的内容包括：完整文档站、ante serve 使用的协议定义与 Rust SDK、支撑 Terminal-Bench 成绩的评测适配器（任何一轮结果都可据此复现），以及已经稳定的核心库如独立进程执行模块。核心的 harness 本身在 Alpha 期间仍在私有仓库开发，以预编译二进制形式随版本发布，稳定一块开放一块。

项目名字本身是个双关：既是「Another Terminal agent」的缩写，也指牌桌上入局要先押的底注。开发方给出的长期设想是所谓「细胞原生」智能体——像生物体内的细胞那样微小、可随时丢弃、能大规模复制。按这个思路，可验证、够便宜、随处能跑三件事其实是同一个设计决策：只有轻到能成千上万地铺开，智能体才谈得上自组织。

对于关注本地化部署、注重数据不出机器，或者单纯受够了动辄数百 MB 客户端的开发者，这个只有 15MB 的选项值得关注一下。

来源：Hacker News / GitHub（AntigmaLabs/ante）

同类编码助手已经不少，这个的差异点不在模型，而在它跟命令行本身的结合方式。

它在智能体和终端之间加了一层

Warp 的做法是把智能体架在自家终端基础设施之上。技术上，它在智能体和底层 shell 之间加了一层间接层来管理伪终端连接，思路和 tmux 类似——官方称之为「多路复用」。

这一层带来的直接结果是：智能体原生知道终端里输入了什么、输出了什么。多数命令行助手只能拿到命令执行完的文本结果，而它拿到的是终端会话本身。

由此解锁的能力有几项挺实在。会话不会因为切换目录而中断，跨多个代码仓库来回跳的时候不用重开；跑在远程机器上也不需要先在对端装二进制文件，直接借 ssh 会话就能用，这对权限受限的云主机很友好。

它能开着 vim 和数据库干活

更有意思的是全屏交互式程序。sqlite、python 交互环境这类需要占满终端的程序，它不仅能启动，还能操作。

按官方说明，可以让它在交互式环境里写 SQL 查询、边跑边排查数据问题；可以用 gdb 设断点调试正在运行的程序；可以调 htop 看系统性能。官方还专门举了个例子——你可以让它帮你退出 vim。这句玩笑背后是真本事：能在编辑器里改文档、能在调试器里设断点，说明它是在真正驾驶终端，而不是隔着一层往里丢命令。

输入方式也做了处理。和别的工具一样可以用 `!` 直接执行 shell 命令，但它还内置了一个分类器，会自动判断你敲进去的是命令还是自然语言，然后分别交给 shell 或者智能体。Warp 终端的招牌功能 Tab 补全也带过来了，敲一半按 Tab 就能看到参数和选项提示。

派活给别的智能体，包括竞品

Warp 的智能体被定位成一个「调度者」：接到复杂任务先拆解，再分给子智能体，界面上能看到每个子智能体在干什么，方向键就能在调度者和子会话之间切换。

比较少见的一点是，配合 Warp 的云平台，它不只能把活派给用不同模型的子智能体，还能派给完全不同的工具，包括 Claude Code 和 Codex 这两个竞品。此外还支持云端接力：本地起个头，交给云端继续跑，然后合上笔记本；所有云端任务集中记录，可以通过网页监控和随时干预。

模型这一侧走的是成本优化路线，按任务复杂度自动路由，开箱带前沿模型和开放权重模型，也支持写配置文件自定义路由规则，指定哪类任务交给哪个模型。

想试要花多少钱

安装是一行命令，Mac 和 Linux 用 curl，Windows 用 PowerShell。

接入推理有三条路：订阅 Warp，每月 18 美元，含 20 美元的推理额度，已有订阅的账号可以直接登录；不想订阅的话，现在支持单独购买额度，10 美元起；或者干脆填自己的密钥、接一个 OpenAI 兼容端点，也可以用 SuperGrok 账号登录。

说白了，这一波命令行编码工具已经卷到「谁更懂终端」这一层了。写代码这件事各家差距在收窄，但能不能接管一个交互式程序、能不能在切目录和跨机器时保住上下文，是实打实的体验分水岭。对重度终端用户来说，这类差异比多几个模型选项更值钱。

不过也要留一句冷静话：多智能体调度和云端接力听着很美，实际用起来对任务拆解质量的依赖极高，拆错了就是并行犯错。真要评估，建议先拿单会话的日常活儿试手，别一上来就上编排。

你现在终端里跑的是哪个 AI 助手？

来源：Warp 官方博客（经 Hacker News）

前谷歌大脑研究员杰里米·尼克松创办的初创公司 Infinity，用人工智能编码智能体为芯片公司 D-Matrix 重建了一套 CUDA 级别的软件栈，耗时约10小时。他对《商业内幕》说，这说明英伟达最重要的护城河之一正在被跨过去。

CUDA 全称统一计算设备架构，由英伟达高管伊恩·巴克主导、打磨了近二十年，里面打包了现成代码库和调试工具，还能让成千上万块芯片协同训练一个模型。它更硬的是第二重壁垒：各家公司在上面堆了数百万行代码和工作流，换芯片就得重写。亚马逊的内部文件曾把 CUDA 列为自研 Trainium、Inferentia 芯片落地的主要障碍。深度求索创始人梁文锋也提过，编码智能体加上自研的 TileLang 语言，让搭建这类软件容易了很多。

压力还来自另一头——行业重心正从训练模型转向跑模型。韩国芯片创企 Rebellions 的马歇尔·崔说得直接：在推理这边，「CUDA 已经不再是一个因素」，那是开源的战场。英伟达开发者生态副总裁安基特·帕特尔则回应，公司自己也在用编码智能体加速 CUDA 开发和验证，而且越往落地走，全栈优化的价值越大。

我的判断是，护城河不会消失，只会挪个位置。曾把上一家芯片软件公司卖给英伟达的徐冰（Bing Xu）说得实在：智能体能在短时间里生成一大堆代码，但验证才是最大的瓶颈。Modular 的克里斯·拉特纳更不客气，说这波炒作「非常过头」——写代码只是造软件的一小部分，难的是把它调到能上生产环境。

下一轮竞争，你赌生成速度，还是赌验证能力？

来源：Business Insider 报道，综合 The Next Web 整理