谷歌发了新模型，Gemini 3.8 Flash。
早上起来，订阅号里已经全是它的实测。什么结论都有，有的说强得离谱，有的说不过如此，有的干脆阴阳怪气。
我前几个月还会点开看看，这两个月基本划走；博主们其实挺努力的，可这事在结构上就测不出来。
我有个疑问一直没解开，一个万亿参数的模型，发布 48 小时，一个人凭什么说它好不好。要解开它，得过三道坎。
第一道坎，它没给你留时间。
谷歌这次离上一代只隔了 20 天。往前数，3.6 是 7 月 21 日，3.7 是 8 月 13 日，3.8 是 9 月 2 日。43 天三代，六周里第三款。
皮查伊在财报电话会上跟股东承诺，节奏要快到接近每月一个新模型。产品规划这个词已经不够用了，这就是一张排班表。
你上个版本还没捂热，评测结论还没吵完，下一款已经来了。而且这个 3.8，官方自己承认是在 3.7 的基础上接着练的，规格一个没动。
相当于同一个学生又补了一学期的课，没换学生。
进步是真的。DeepSWE 编程榜上它拿了 73.7%，Claude Opus 5 是 74.0%，差 0.3 个百分点，几乎打平。
这成绩单摆在那，谁要说谷歌原地踏步，那是不讲理。
可问题也在这。验证一个模型要多久，至少得让真用户拿着真任务用上几周几个月，谷歌给的时间是 20 天。
验证周期赶不上换代周期，你刚测出点门道，它已经过时了。三周前那批 3.7 的实测稿，现在读起来已经像考古。
第二道坎，你摸不全它。
万亿参数，大到你靠肉眼、靠手动，根本量不出。谷歌没说 3.8 到底多大，反正前沿模型动辄这个量级，能力空间的边界在哪，没人说得清。
我看国外一位在 GitHub 做模型的工程师说过一句大实话，没人知道新模型发布时有多好，连做它的实验室都在猜。
可你真上手，能踩到多少。几段对话，让它写个低代码网站，做个八竿子打不着的小游戏，再问两道脑筋急转弯。
这些只是那个空间里随手戳的几个点，采样量约等于零。
更麻烦的是，测出来的结果还不稳定。同一个提示词，博主 AI Pulse Daily 让三个模型生成纽约城市场景，Opus 5 塞了 1840 棵树，谷歌三周前那版放了 10 棵，新出的 3.8 只放了 6 棵。
提示词里点名要的人行横道、水面波纹，3.8 全给略过了，倒是自作主张加了五个摄像机预设。
另一拨人拿差不多的任务去测，3.8 又快又便宜，0.12 美元干完四个场景，Opus 5 花了 1.86 美元。
模型是同一个，结论是反的，差别全在测试者选的那道题上。
第三道坎，你摸到的不是它。
谷歌发布会的 demo，一句提示词生成一个能玩的 3D 巫师游戏，谜题、环境叙事都给你搭好了，再做一版能跑起来的 DOS 版谷歌地图，连街景导航都有。看着确实唬人。
但这些是谷歌拿自家框架、自家环境、反复调教之后跑出来的上限。
早上我也看到一篇反着测的稿子，自己上手跑了一遍，结论跟官方正好相反。六周连更三代，稿子里四个字，圣质如初。
普通人拿到的是什么？
一个网页，一个 API，一个光秃秃的对话窗口，没有那套框架，也没有工程师在旁边伺候，你发出的是一句没头没尾的自然语言。
谷歌给你看的，是整支团队围着喂出来的效果。你手上的窗口，没人伺候。发布日你能测到的，是它摆出来的那块。
你看，三道坎，时间不够，能力不够，摸到的还不是它，有什么卵用？
......
没什么卵用，可他一天也没有断过，因为发布模型、发布这套内容，本身干的就不是验证的活。
我特意扒了一下这个细节，扒完发现，这场狂欢的开幕，比媒体的稿子早了好几天。
华尔街在发布前一天就放风了。
谷歌内部有个编码平台叫 Jetski，工程师拿 3.8 跟 Anthropic 的 Opus 做头对头测试，多数人更偏好谷歌这个新模型。
消息里没有提示词，没有任务集，没有测试方法，就一句结论。可就是这么一句话，报道当天 Alphabet 盘后涨了 0.6%。
再往前翻几天，Business Insider 先报了一轮。
谷歌员工在 Jetski 上试 3.8 的预览版，有人说明显好过 3.7，末尾补了一句，全面评估还为时尚早。这一句，后来没有一家转载。
更早一天，3.8 模型卡在官网冒了个头，又被撤了下去，页面变成 404，好在有人截图存了证。
再往前翻，8 月 10 号腾讯一篇论文里，已经把「Gemini 3.8 Flash」列进评测裁判名单，那会儿 3.7 都还没公开发布。
你看，发布还没开始，测试已经跑在传播线上了。
厂商心里清楚，光开一场发布会不够，还得让全行业替它实测一遍，稿子越多越好，夸的骂的都行，只要时间对。你要的「实测」，是人家端上来的菜。
稿子呢？也齐得很。
零点刚过，第一篇实测上线。到早上八点半，五家头部科技媒体全部交卷。标题全是一个套路，刚刚、光速、又双叒、邪修、惨遭嘲讽。
抢的就是那个「刚」字，凌晨的「刚刚」和中午的「刚刚」，不是一个东西。同一批网友测试，几个小时里被转了个遍，标题从「性价比杀器」换成「惨遭嘲讽」，正文大差不差。
为什么这么齐？
发布日的流量窗口就 48 小时，窗口一过，稿子没人看，吃这碗饭的，吃的是窗口饭。
我也查了查，清醒的人有没有。有。英文圈一位做 AI 的从业者公开说，她拒绝评价上线才 15 分钟的模型，要等一周，让模型先稳定下来。
可这种人不靠发布日吃饭，他们的话，也挤不进发布日的版面。
好，媒体扒完了，再往严肃里扒，机构也在场。
发布当天，Artificial Analysis 的分就出来了，59。Datacurve 的编程榜也当天交卷，74%，跟 Opus 5 并列第一。
这俩机构是正经做评测的，任务集公开，结果能复跑，质疑它们的人不多。可越正经，越说明问题，连它们都赶在发布日交卷。
其实机构天天在出数，前一天 Anthropic 的 Fable 5.1 刚拿了 Artificial Analysis 有史以来的最高分 66，也没见谁刷屏。
只有发布日这天的分数，才有人转发。发布时间表支配所有人，最严肃的评测，也得在窗口里才有观众。
还有更逗的。Arena 自己的说明里写着，榜单反映的是用户主观偏好，不是绝对能力测试。平台自己先把底牌掀了。
再扒最后一层，读者。
互斥的结论能同时上头条，因为两头都有人看。吹爆的、踩爆的，都是现成的站队材料。至于模型本身好不好，没人在乎，在乎的是自己押的那边赢了。
我看了一下，小红书上那些实测稿的评论区，吵得最凶的，全是还没决定用哪家的人。吵赢了，仿佛自己已经用上了。
看实测有点像看球评，图一乐没什么不行。差别只在一个装字，球评明说自己是看热闹的，实测顶着「实测」两个字，让你以为自己在做判断。热闹看完了，选边也选完了，模型好不好，没人记得问。
一场戏，厂商写剧本，媒体跑龙套，机构赶场，读者站队，各有各的位置，演完，没有一个人拿到验证。抽象吗？
......
不抽象。真正的验证，其实一场都没缺席，只是全都不在发布日。它们要么关起门来，要么姗姗来迟，就是不肯在狂欢当天到场。
顺着验证找，分两头：一头在发布之前。
OpenAI 把 GPT-5.6 Sol 提前拿给美国政府预览，商务部下属的机构从 5 月开始，能拿到谷歌、微软、xAI 没发布的模型做预部署评估。
OpenAI 六月自己发过声明，提前把模型给政府看，是为了让公开上线来得更顺，是短期安排，先过政府的关，再过市场的关。
谷歌这次出 Cyber 版，只对审核过的安全团队开放，OpenAI 的 Astra 因为网络安全能力触了线，干脆做了受限发布。
马斯克还提议，让同行互相审，政府最后兜底。
每个发布日的背后，都有一轮你见不到的考试，这些考试是真的，也值得做，可它们不公开，结论也不替你做判断。它们管的是安不安全。
另一头在发布之后。
GPT-5 上线那天，全网一片唱衰，共识是这模型不行；三个月后风向变了，它成了 agent 编程的一把好手，很多人回头才发现自己当初骂早了。
当初骂 GPT-5 的人，不是瞎。
人判断模型靠感觉，可模型一旦聪明过你，感觉就失灵了，你连它强在哪都看不出来，自然说不到点子上。发布日共识老是翻车，根子在这。
我自己也踩过这个坑：
DeepSeek 的 V4 Pro 发布时，满屏都是夸，我用了一阵，反噬就来了，圈里开始说它拉。
可我日常用的最多的反而是 V4 Flash，Agent 调度比 Pro 利索，token 花得还少，跑 Loop 任务命中率基本能到 98%，Pro 有时候还到不了。
发布日被捧上天的 Pro，和日常被低估的 Flash，角色正好是反的。
翻案要三个月，发布只要 20 天。等你把一款模型用出结论，下一场狂欢已经开场，把对话重置了。
圈里有人总结过这套节奏，一台专门制造突破感的机器，感觉准时到站，每几周一班，突破到底来没来，另说。
社区测试能测出东西吗，能。可那是拿真任务连用好多天换来的，发布日这 48 小时的齐射，不在一个量级。
回到最开始那个问题，发布日满屏的实测，测的到底是什么？
发布日真正产出的，是人的注意力报告。哪篇稿子有人点，点完停几秒，评论区吵成什么样，转发进了哪个群，这些才是那天���精确测量的东西。
这套测量精密得很，稿子发出去，打开率、完读率、划走的位置，全是数据；什么标题能让人点进来？什么结论能让人吵起来？厂商摸得门儿清。
测完各取所需，热度曲线、流量账单、站队材料，各有各的去处。模型只是个由头，你在挑模型，人家也在挑你。
与其人测它，不如它测人。
这套玩法，手机圈早就演过一遍。当年手机评测也走过这条路，媒体机、首发稿、厂商供料，一套流程跑得飞起。
演到今年 6 月，央视曝光了，厂商给博主特供「作弊机」，从硬件到云端三层造假，博主测的手机跟老百姓买到的，不是一回事。
可手机至少有帧率可测，造假才有得做；AI 模型连测什么都定不了，连造假都省了。
那这套狂欢的清算，会以什么形式来？什么时候来？没人知道；能确定的是，模型好不好，时间会给答案，只是那个答案，永远赶不上发布日的版面。
下次有人拿发布日实测跟你安利，就回他一句：
你那碳基大脑，真能测出一个万亿参数的大模型好不好用吗？
数据来源：
[1].谷歌官方 Gemini 3.8 Flash 模型卡与 DeepMind 发布博客，华尔街日报与 Business Insider 的谷歌内部测试报道，Artificial Analysis、Datacurve 等独立评测数据，AI Pulse Daily、AI/ML API 等开发者公开实测；OpenAI 官方博客与美国商务部公告，信息截至 2026 年 9 月 3 日
本文来自微信公众号“王智远”（ID：Z201440），作者：王智远，36氪经授权发布。