Gemini 3.8 Flash内测代号曝光：谷歌能否靠‘Skimaki’扳回AI编程竞赛？
近年来，人工智能大模型的竞争已从通用能力的比拼，逐步聚焦到垂直场景的深度优化，尤其是编程这一高价值赛道。谷歌作为早期布局者，却在过去一年中逐渐被OpenAI的o1系列和Anthropic的Claude Opus拉开差距。然而，一则关于代号“Skimaki”的新模型消息，或许预示着一场反击正在酝酿。
据多方信源确认，谷歌计划于2026年9月上旬正式上线Gemini 3.8 Flash，其内部代号“Skimaki”已在DeepMind工程师圈内流传数周。值得注意的是，这款模型并非旗舰级Pro产品，而是属于轻量、高速、低成本的Flash系列。但正是这一“非旗舰”身份，反而凸显了谷歌当前的战略转向——不再盲目追求参数规模，而是优先提升单位算力下的任务效能。
在谷歌内部用于评估代码生成质量的Jetski工具测试中，Gemini 3.8 Flash的表现令人意外。多位参与测试的工程师反馈，其在函数实现、错误修复、单元测试生成等子任务上的准确率和鲁棒性，已优于Anthropic的Claude Opus。这一结果若属实，意味着谷歌在编程这一关键维度上，首次实现了对头部竞品的局部反超。
这种进步并非偶然。自2025年下半年起，谷歌明显加大了在强化学习（Reinforcement Learning, RL）和后训练（Post-training）环节的投入。传统的大模型训练流程通常以大规模预训练为主，辅以少量监督微调。但面对日益复杂的编程任务，仅靠数据量已难以突破性能瓶颈。谷歌转而采用基于人类反馈的强化学习（RLHF）与基于代码执行结果的强化学习（RLEF）相结合的混合策略，让模型在“试错-反馈-修正”的闭环中持续优化。
这一技术路线的调整，也体现在高层人事变动上。2026年8月，DeepMind联合创始人Demis Hassabis正式卸任日常管理职务，由长期搭档Koray Kavukcuoglu接任高级副总裁。后者上任后立即推行“加速执行”文化，要求所有项目缩短迭代周期，强调“可部署性”而非“理论上限”。在此背景下，原本计划作为3.5 Pro候选的多个高参模型因实际增益有限被果断放弃，资源迅速向Flash系列倾斜。
与此同时，谷歌也在紧急补强人才短板。今年7月，前Thinking Machines Lab联合创始人、曾主导OpenAI早期后训练架构的Barret Zoph加盟DeepMind，出任研究副总裁，直接负责强化学习与后训练技术栈的重构。他的加入，为谷歌在算法层面提供了关键经验，尤其是在如何将代码执行环境与模型训练深度融合方面。
然而，必须清醒认识到，Gemini 3.8 Flash的成功并不等于谷歌已全面扭转局势。首先，Flash系列本质上是推理优化模型，其知识广度和复杂推理能力仍无法与包含数万亿参数的Pro系列相提并论。目前，原定于2026年夏季发布的下一代Pro模型已被推迟，主因是预训练阶段虽表现优异，但后训练阶段未能有效释放潜力，导致与Flash版本的差距未达预期阈值。
其次，人才流失问题仍未根本解决。继Jeff Dean转岗至Alphabet战略部门后，Character.AI联合创始人Noam Shazeer也在今夏离职创业。这两位均是谷歌早期大模型架构的核心设计者，他们的离开不仅带走技术经验，更可能影响团队士气与技术传承。尽管Zoph等新血注入带来希望，但团队磨合与文化重建仍需时间。
从产品策略看，谷歌正试图通过“高低搭配”稳住阵脚：用Flash系列快速占领开发者市场，提供高性价比的API服务；同时集中资源打磨真正的旗舰Gemini 4 Pro。这种双轨制虽务实，但也暴露了其在技术路线上的犹豫——是继续堆叠参数，还是深耕小模型的极致优化？
值得注意的是，Gemini 3.8 Flash的命名本身也值得玩味。“3.8”跳过了常规的3.5或3.6，直接逼近4.0，可能意在传递“接近下一代”的心理暗示。而“Flash”后缀则明确其定位：不是全能选手，而是特定场景的尖刀。这种精准定位，恰恰反映了当前AI行业从“大而全”向“快而准”演进的趋势。
对于开发者而言，Gemini 3.8 Flash若真如内部测试所言具备卓越编程能力，将极大降低高质量AI辅助编程的使用门槛。尤其在CI/CD流水线、自动化测试、遗留系统重构等场景，低延迟、高准确率的轻量模型往往比笨重的旗舰模型更具实用价值。
但从更宏观视角看，这场“Skimaki”之战远未结束。OpenAI预计将在Q4推出o1.5系列，Anthropic也在秘密测试Claude Opus的增量更新。谷歌能否借Gemini 3.8 Flash赢得喘息之机，并为Gemini 4 Pro的最终亮相争取时间，将成为决定其在未来AI生态位的关键一役。
可以预见，接下来的几个月，AI大模型竞争将进入“精耕细作”阶段。参数竞赛暂告段落，取而代之的是对训练方法、数据质量、推理优化和垂直场景适配的深度打磨。谷歌此次押注Flash系列，既是应对现实压力的权宜之计，也可能成为引领行业新范式的起点。
无论如何，“Skimaki”的上线不会是终点，而是一场更复杂、更精细的技术博弈的开端。在这场没有硝烟的战争中，速度、精度与执行力，将比单纯的规模更具决定性。