神仙打架！Gemini 3.8 Flash才登頂就被超車 Meta、Mostik接連出招 競爭聚焦「成本」

AI模型競賽正從「誰的模型最強」快速轉向「誰能以最低成本完成真實任務」。Google (GOOGL-US) 9月2日推出Gemini 3.8 Flash，將高階推理與程式開發能力壓進更低價格區間；Meta Platforms (META-US) 隔日推出Muse Spark 1.3，在DeepSWE v1.1測試拿下75.4%；與此同時，名不見經傳的AI新創Mostik則嘗試讓不同模型直接交換內部數學表示，甚至省去自然語言傳輸。三條看似不同的路線，正共同指向AI推理成本可能迎來結構性下降。

Google表示，Gemini 3.8 Flash是其目前最強的Flash系列推理與程式開發模型，也是6周內推出的第3個Flash版本。從Gemini 3.6 Flash到3.7，再到3.8，Google正以極快速度更新較小、更快且成本較低的模型，並將產品定位從單純追求速度與低價格，逐步轉向支援長時間軟體工程、Agent工作流程及複雜多步驟推理。

Gemini 3.8 Flash在DeepSWE v1.1這項長週期軟體工程測試中拿下約74%的成績，一度登上排行榜首位。DeepSWE與傳統程式碼Benchmark不同，測試不是要求模型解一道獨立演算法題，而是把AI Agent放進真實程式碼庫，要求模型理解問題、搜尋程式碼、修改檔案、呼叫工具、執行測試，若失敗還必須持續尋找原因，因此一項任務可能需要數十甚至上百個步驟。

Google指出，Gemini 3.8 Flash在複雜任務上會「更努力」工作，增加推理步驟並反覆呼叫工具，以提升完成長週期工作的可靠度。這種設計與過去單純壓低Token消耗的思路有所不同，因為模型可以在Token價格較低的情況下進行更長的Agent迴圈。

Gemini 3.8 Flash的API首發價格維持在每100萬個輸入Token 0.75美元、每100萬個輸出Token 3.75美元，Google並提供最高100萬Token的Context Window及最高6.4萬Token的輸出上限。官方目前將這一價格列為限時優惠，至少維持至2026年底。

真正受到市場關注的是，Gemini 3.8 Flash並非單純以較低價格換取較弱能力。以原文所引用的DeepSWE測試估算，Gemini 3.8 Flash完成單一任務的平均成本約2.36美元，相較之下，Anthropic的Claude Opus 5在約74%能力水準下，單任務平均成本約11.84美元；OpenAI的GPT-5.6 Sol則約73%，平均成本約6.46美元。

這代表在能力相近的情況下，完成一項完整軟體工程任務的成本可能出現數倍差距。這種差異在傳統聊天機器人時代並不明顯，但在Agent時代可能直接決定產品能否商業化。

原因在於，Agent並不是回答一次問題就結束。一個程式開發Agent可能連續執行100個步驟；研究型Agent可能搜尋數十個網頁、讀取數百頁文件；企業內部Agent甚至可能持續工作數小時。只要單一任務需要大量Token及工具呼叫，成本差異就會被快速放大。

Google甚至表示，Gemini 3.8 Flash在面對複雜工作時會主動增加推理及工具使用，而不是單純透過限制思考來節省成本。這也代表AI產業衡量推理成本的方式正在改變，市場未來關注的可能不再只是「每100萬Token多少錢」，而是「完成一項真實任務究竟需要多少錢」。

就在Google發布Gemini 3.8 Flash後不久，Meta推出Muse Spark 1.3，AI模型競賽再次出現快速反超。Meta公布的數據顯示，Muse Spark 1.3在DeepSWE v1.1拿下75.4%，高於Claude Opus 5的74.0%及GPT-5.6 Sol的72.7%。Muse Spark 1.2在同一測試的成績則約為59.3%，意味著新版本單次更新大幅提升約16個百分點。

不過，Muse Spark 1.3最值得注意的並非單純刷新Benchmark，而是效率改善。Meta表示，相較Muse Spark 1.2，新模型完成Agent任務時工具呼叫約減少20%，Token消耗約降低25%。對需要大量迴圈執行的Agent而言，少一次錯誤工具呼叫、少一段無效推理，都可能直接轉化成更低的運算費用。

這種效率改善尤其重要，因為Agent最大的浪費往往不是正常推理，而是「走錯路」。例如程式開發Agent如果在第20步誤解使用者要求，接下來可能繼續修改多個檔案、執行數輪測試、搜尋大量程式碼，直到數十個步驟後才發現方向錯誤。若模型能更早辨識需求模糊、更早發現自己無法完成，或在涉及不可逆操作時主動要求確認，就能減少大量不必要的Token與工具呼叫。

Meta的Muse Spark 1.3正強化這類能力，包括在長對話中維持多個工作流程、遇到模糊任務主動詢問、無法解決問題時請求協助，以及在長時間執行後維持最初的任務限制。這使「模型知道自己會什麼，也知道自己不會什麼」成為Agent能力的重要一環。

Meta的另一項技術方向則是所謂「thought compression」，即在訓練過程中對過度使用推理Token施加懲罰，使模型逐漸學會以更精簡的推理鏈完成任務，再從較有效率的基礎上繼續提高能力。相關分析認為，這種訓練方式是Muse Spark系列降低Token使用量的重要原因之一。

目前Muse Spark 1.3的部分Benchmark數據仍應審慎看待。第三方分析指出，DeepSWE的75.4%成績是Meta在自有Muse Code環境下公布的結果，而Terminal-Bench 2.1的88.8%同樣主要屬於供應商公布數據，尚未全部獲得官方排行榜獨立驗證。因此，對企業而言，這些數字可以作為參考，但真正導入生產環境前仍有必要使用自身工作負載測試。

DeepSWE本身則被設計成降低傳統程式碼Benchmark可能存在的資料污染問題。該測試包含113項任務，涵蓋91個開源程式碼庫及TypeScript、Go、Python、JavaScript與Rust等語言，並採用新撰寫的行為驗證器，避免直接使用公開Pull Request中的解答。這使DeepSWE更適合評估模型是否具備真正的長週期軟體工程能力。

但如果Google與Meta仍是在研究「如何用更少的Token完成同一件事」，Mostik正在嘗試的方向則更加激進：如果兩個AI模型本來就不是人類，為什麼一定要用人類語言互相溝通？

WIRED報導，Mostik由CEO Sasha Malysheva主導，其首席科學家為日內瓦大學教授、2010年菲爾茲獎得主Stanislav Smirnov。團隊正在研究讓不同AI模型直接交換內部的數學表示，而不是先把內部資訊轉換成中文或英文，再讓另一個模型重新讀取並理解。

目前多Agent系統通常採取類似人類對話的方式。模型A完成一部分推理後，先產生數百甚至數千個Token，把結果用自然語言描述；模型B接收這些文字後，再重新建立自己的內部表示，接著繼續推理。

但大型語言模型真正進行計算時，並不是直接在中文或英文句子上運作，而是依賴高維度、連續性的數學表示。因此，Mostik的核心構想就是建立一座「Bridge」，讓不同模型可以直接交換latent representation，而不是先把資訊轉換成大量自然語言Token。

這個概念若能成熟，可能大幅改變AI系統的架構。

WIRED披露的一項實驗中，Mostik把擁有7530億參數的GLM-5.2與僅有40億參數、可以在行動裝置上運行的Qwen 3.5進行橋接，形成混合系統。實驗結果顯示，混合系統的能力介於兩個模型之間，但推理成本只有完整GLM-5.2的約1/20。

當然，這並不代表Mostik已經解決了AI模型之間的「心靈感應」。Latent communication並非全新概念，過去研究也曾嘗試交換embedding、hidden state及KV cache等內部表示。真正困難之處在於，不同模型的架構、參數、訓練資料及內部坐標系都不同，要讓兩個模型真正理解彼此的latent space，本身就是非常複雜的問題。

Smirnov也指出，目前甚至還缺乏足夠成熟的數學語言，用來描述不同AI模型之間可能存在的共同表示。因此，1/20的實驗結果雖然令人矚目，但距離大規模商業應用仍有相當距離。

不過，如果這條路線最終證明可行，可能帶來的影響遠超過單純降低API價格。

過去兩年，端側AI的重要課題一直是如何把更大的模型塞進手機與其他裝置，包括7B、4B、3B甚至1B級模型，透過蒸餾、量化與壓縮降低運算需求。

另一種可能的未來則是，手機根本不需要一個「什麼都會」的大模型。裝置可能只需要運行一個0.xB或幾B參數的小模型，負責理解使用者正在使用的App、裝置狀態及高頻簡單任務；只有遇到真正困難的工作，才透過某種Bridge呼叫遠端大型模型。

更重要的是，遠端模型未必需要接收完整的十萬TokenContext，再從頭閱讀一遍。若latent communication技術成熟，系統可能只需要傳輸高度壓縮的內部表示，由雲端模型完成複雜推理後，再將新的內部狀態傳回本地模型。

這將使本地小模型負責高頻、低成本及持續運作的工作，雲端frontier model則專門處理低頻但高難度的任務，兩者透過更有效率的通信方式協同工作。

因此，Google、Meta與Mostik看似在做完全不同的事情，實際上卻指向同一個趨勢：AI的「智能單位成本」正在快速下降。

Google是在降低高階能力的模型價格；Meta則是在降低完成任務所需的Token與工具呼叫；Mostik則試圖從根本上減少模型之間傳遞資訊所需要產生的Token。

這意味著AI產業下一階段的競爭，可能不再只是誰能在Benchmark上多拿幾個百分點，而是誰能以最低的計算成本完成一個完整、可驗證的真實任務。

這種變化對Agent商業化尤其重要。當一個Agent完成普通工作仍需要花費數十美元時，許多應用的經濟效益並不存在；但如果同樣工作未來只需要幾毛美元，原本不具商業價值的AI應用就可能突然成立。

同樣的邏輯也適用於多Agent系統。今天企業很難讓數十個AI Agent圍繞一名使用者24小時持續運作，因為Token、工具呼叫及雲端運算成本太高。但如果推理成本未來再下降一至兩個數量級，這種模式可能從昂貴的實驗變成AI產品的預設架構。

Google目前已經透過Gemini 3.8 Flash展示「更高能力+更低單價」的組合，Meta則利用Muse Spark 1.3展示「更高能力+更少Token」的路線，而Mostik則提出「更少Token甚至不必產生自然語言Token」的更激進假設。

AI模型的排行榜每天都可能被刷新。Gemini 3.8 Flash的約74%、Muse Spark 1.3的75.4%，未來很可能很快就會被新的模型超越。但比起誰在某一天拿下世界第一，更值得關注的是另一個問題：當AI的能力持續提高時，這些智能究竟能便宜到什麼程度？

歷史上的技術革命往往不是發生在某項技術第一次能夠運作的時候，而是發生在成本下降到足以讓人們「隨便使用」的時候。如果AI推理真的能從今天的價格再下降一至兩個數量級，許多目前看來過於昂貴、過於瘋狂甚至沒有經濟效益的Agent應用，可能才真正迎來大規模爆發。