跳到主要內容

Gemini 3.8 Flash評測：價格沒漲，思考token偷偷吃掉2倍成本 | Gemini 3.8 Flash Review: Same Price, 2x Hidden Token Cost

By Kit 小克 | AI Tool Observer | 2026-09-08

🇹🇼 Gemini 3.8 Flash評測：價格沒漲，思考token偷偷吃掉2倍成本

Gemini 3.8 Flash是Google在2026年9月2日推出的新模型，主打長任務coding與agent場景，官方標榜「價格跟3.7 Flash一樣」，聽起來像免費升級。但實測下來，因為預設打開思考模式（thinking），同樣一個任務燒的token量可能比看起來多出快兩倍，換算下來真實成本並沒有比較便宜。這篇整理Google官方數據跟第三方Artificial Analysis的實測結果，讓你知道什麼狀況值得換、什麼狀況該留在舊版。

官方數據：分數小贏，但贏得不算多

Google公布的benchmark顯示Gemini 3.8 Flash在多項測試上小幅超越3.7 Flash，也在幾個agentic任務上贏過Claude Opus 5：

  • HLE-Verified：54.9%（3.7 Flash為53.6%，Claude Opus 5為54.4%）
  • Vals Finance Agent v2：61.4%（3.7 Flash為59.0%，Claude Opus 5為58.6%）
  • Harvey法律agent測試：10.0%（3.7 Flash為8.8%，Claude Opus 5僅6.7%）

看起來贏了，但每項進步幅度多半只有0.5到3.3個百分點，Harvey那項測試甚至是「贏在大家都考很差」——10%只是相對其他模型比較不糟。

真正要留意的三件事

1. 思考token偷偷吃掉你的預算

Gemini 3.8 Flash官方直接說是「基於3.7 Flash」微調，不是全新底層模型，靠的是預設打開思考模式、讓模型「更努力」多跑幾步推理、多呼叫幾次工具。問題是思考token算在輸出計費裡，第三方測試發現實際燒的量常常是表面估算的兩倍左右。換句話說，帳單上的單價沒漲，但用量漲了，真實成本並沒有省到。

2. 首字延遲慢很多，不適合即時對話

Artificial Analysis實測Gemini 3.8 Flash的首個token回應時間要13.3秒，是全模型中位數（2.99秒）的4倍多。如果你要做的是客服對話或即時聊天機器人，這個延遲會很明顯，並不適合。

3. 安全性反而小幅退步

Google自己公布的安全評估顯示，多語言安全性與不當拒答（unjustified refusal）兩項指標都比3.7 Flash略差，官方報告也承認「非英語語言的安全表現略有退步」。

該不該升級？

Google在自家文件裡直接建議：如果你在意運算效率，繼續用3.7 Flash就好，3.7 Flash仍完整支援。這種「叫你別買新版」的說法在業界很罕見，也算是老實話。目前看來，Gemini 3.8 Flash比較適合長時間跑、步驟多、品質優先於成本的coding或research agent任務；如果是高流量、講求即時回應的場景，3.7 Flash可能還是比較划算的選擇。另外注意，現在的$0.75/$3.75計價只到2026年12月31日，2027年1月1日起雙雙漲到$1.50/$7.50，要規劃長期成本的人得把這點算進去。

好不好用，試了才知道。

🇺🇸 Gemini 3.8 Flash Review: Same Price, 2x Hidden Token Cost

Google shipped Gemini 3.8 Flash on September 2, 2026, its third Flash release in six weeks, pitched as a free upgrade because the headline price didn't move. But real-world testing shows the same-price story hides a catch: the model has thinking mode on by default, and it burns close to double the tokens of a naive cost estimate on the same task. The sticker price stayed flat — the bill often does not. Here is what the official benchmarks and independent testing actually show.

Official Benchmarks: Small Wins, Not a Leap

Google own numbers show modest gains over 3.7 Flash, and a few wins over Claude Opus 5 on agentic tasks:

  • HLE-Verified: 54.9% (vs. 53.6% for 3.7 Flash, 54.4% for Claude Opus 5)
  • Vals Finance Agent v2: 61.4% (vs. 59.0% for 3.7 Flash, 58.6% for Claude Opus 5)
  • Harvey Legal Agent benchmark: 10.0% (vs. 8.8% for 3.7 Flash, just 6.7% for Claude Opus 5)

Most gains are 0.5 to 3.3 percentage points. The Harvey score is a case of winning by failing least — every model scores in single-to-low-double digits there.

Three Things Worth Knowing Before You Switch

1. Thinking Tokens Quietly Eat Your Budget

Gemini 3.8 Flash own model card admits it is based on Gemini 3.7 Flash rather than a new base model. The gains come from turning thinking mode on by default, letting the model take more reasoning steps and call tools iteratively. Since thinking tokens bill at the output rate, independent testing found real-world usage running about twice a naive estimate based on visible output alone. The rate card did not change; the usage did.

2. Latency Makes It a Poor Fit for Live Chat

Artificial Analysis clocked Gemini 3.8 Flash time-to-first-token at 13.3 seconds, more than 4x the 2.99-second median across models. For customer support bots or anything interactive, that lag is very noticeable.

3. Safety Scores Slipped Slightly

Google own safety evaluation shows both multilingual safety and unjustified-refusal rates regressed versus 3.7 Flash. The report itself notes safety performance regressed slightly across non-English languages.

Should You Upgrade?

Google own documentation tells efficiency-focused developers to just stay on 3.7 Flash, which remains fully supported, an unusually honest admission from a vendor. Gemini 3.8 Flash makes the most sense for long-running, quality-over-cost coding or research agents. For high-volume, latency-sensitive products, 3.7 Flash is probably still the better call. One more thing to plan around: today $0.75/$3.75 pricing only holds through December 31, 2026, both rates double to $1.50/$7.50 on January 1, 2027.

好不好用，試了才知道 — good or not, you will not know until you try it.

Sources / 資料來源

延伸閱讀 / Related Articles

AI 工具觀察站 — 每日精選 AI Agent 與工具趨勢
AI Tool Observer — Daily curated AI Agent & tool trends

留言

張貼留言

這個網誌中的熱門文章

Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 | Google Ironwood TPU v7 Explained: Matching NVIDIA Performance at 44% Lower Cost — The AI Chip War Heats Up

By Kit 小克 | AI Tool Observer | 2026-04-21 🇹🇼 Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 Google Ironwood TPU 是什麼？為什麼它讓 NVIDIA 緊張？ Google Ironwood TPU（代號 TPU v7）是 Google 第七代自研 AI 晶片，也是第一款 專為推理（inference）設計 的 TPU。在 AI 模型越來越大、推理需求暴增的時代，Google 不再只依賴 NVIDIA GPU，而是推出自己的推理專用晶片來搶市場。 Ironwood TPU v7 規格有多強？ 每顆 Ironwood TPU 提供 4.6 petaFLOPS 的 FP8 運算效能 ，搭載 192 GB HBM3E 記憶體，頻寬達 7.37 TB/s。單顆效能略高於 NVIDIA B200（4.5 petaFLOPS），接近 GB300 的 5 petaFLOPS。 更驚人的是規模化能力：Ironwood 可擴展至 9,216 顆晶片組成超級叢集 ，總算力達 42.5 ExaFLOPS，遠超 NVIDIA GB300 NVL72 系統的 0.36 ExaFLOPS。共享記憶體池高達 1.77 PB，解決了大型模型推理時的資料瓶頸問題。 Ironwood TPU 比 NVIDIA 便宜多少？ 根據分析，Ironwood 的 整體擁有成本（TCO）比 NVIDIA GB200 低約 44% 。在能效方面，Ironwood 的 FP8 效能達每瓦 5.42 TFLOPS，而 GB300 為 3.57 TFLOPS/W，Google 晶片的能效高出約 52%。 為什麼 Google 要做推理專用晶片？ AI 產業正從「訓練時代」轉向「推理時代」。當 ChatGPT、Gemini、Claude 等 AI 助手每天處理數十億次查詢時，推理運算的需求遠超過訓練。Google 稱之為「推理時代（age of inference）」，而 Ironwood TPU 就是為這個時代量身打造的武器。 對開發者和企業有什麼影響？ Ironwood TPU 目前 只能透過 Google Cloud 使用，無法...
閱讀完整內容

Claude Code 實測：AI 幫你寫程式到底行不行？ | Claude Code Review: Can AI Really Code for You?

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Claude Code 實測：AI 幫你寫程式到底行不行？ Claude Code 是 Anthropic 推出的命令列 AI 程式助手，直接在你的終端機裡運作。跟其他 AI 程式工具不同的是，它不是 IDE 外掛，而是一個獨立的 CLI 工具，可以讀取你的整個 codebase、執行指令、甚至幫你做 git 操作。我實際用了幾個月，以下是真實心得。 安裝與設定 安裝非常簡單，透過 npm 就能搞定： npm install -g @anthropic-ai/claude-code 。啟動後它會要求你登入 Anthropic 帳號或設定 API key。整個流程不到五分鐘。 實際使用體驗 Claude Code 最強的地方在於 它理解你的整個專案 。你不需要手動貼程式碼，它會自己讀取相關檔案、分析程式結構，然後給出建議或直接修改。實測幾個場景： Bug 修復 ：描述錯誤現象，它能自動找到問題檔案並提出修正，準確率大約 70-80% 新功能開發 ：給它需求描述，它能產出可用的初版程式碼，但通常需要人工調整細節 程式碼重構 ：這是它最擅長的。重新命名變數、抽取函式、調整架構，做得又快又好 寫測試 ：給它一個函式，它能產生相當完整的測試案例 優缺點分析 優點： 深度理解 codebase，不是只看單一檔案 可以執行 shell 指令，直接跑測試、裝套件 支援 CLAUDE.md 讓你定義專案規則 agentic 模式下可以自主完成多步驟任務 缺點： API 費用不便宜，大型專案一天可能花 10-30 美元 偶爾會過度修改，改了不該改的地方 對非英語的程式碼註解理解力稍弱 需要良好的網路連線 適合誰用？ 如果你是全端開發者、需要處理多個專案、或者經常做重構，Claude Code 絕對值得一試。但如果你只是寫簡單的腳本，免費的 Copilot 可能就夠了。 Kit 的結論： Claude Code 是目前最接近「AI 工程師」的工具。它不完美，但確實能大幅提升生產力。好不好用？試了才知道。 🇺🇸 Claude Code Review: Can AI Really Code for You?...
閱讀完整內容

Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 | AI Coding Assistants Compared: Cursor vs GitHub Copilot vs Claude Code

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 2026 年，AI 程式助手已經成為開發者的標配。但市場上選擇太多了，到底該用哪一個？我同時使用了 Cursor、GitHub Copilot 和 Claude Code 超過半年，以下是完整比較。 GitHub Copilot：最普及的選擇 Copilot 是最早普及的 AI 程式助手，整合在 VS Code 和各大 IDE 中。它的核心功能是 即時程式碼補全 ——你打字的時候，它自動建議下一行或下一段程式碼。 優點 ：補全速度快、整合度高、支援幾乎所有語言、Copilot Chat 可以問問題 缺點 ：上下文理解有限（主要看當前檔案和少量相關檔案）、Agent 模式仍在發展中 價格 ：個人版 /月，企業版 /月 Cursor：IDE 級別的 AI 整合 Cursor 是一個從頭打造的 AI-first IDE（基於 VS Code fork）。它不只是補全程式碼，而是把 AI 深度融入整個開發流程。 優點 ：Composer 功能可以跨檔案編輯、Agent 模式可以自主執行多步驟任務、支援切換不同 AI 模型、Tab 補全非常智慧 缺點 ：是獨立的 IDE 需要遷移、Pro 方案有使用量限制、偶爾不穩定 價格 ：免費方案有限制、Pro /月 Claude Code：終端機裡的 AI 工程師 Claude Code 走完全不同的路線——它是 CLI 工具，在終端機裡運作，不綁定任何 IDE。 優點 ：理解整個 codebase、可以執行系統指令、支援 git 操作、CLAUDE.md 定義專案規則、最強的 agentic 能力 缺點 ：沒有視覺化介面、按 API token 計費（可能很貴）、需要習慣 CLI 工作流 價格 ：按 API 使用量計費，或透過 Max 訂閱方案 關鍵差異比較 即時補全 ：Copilot ≈ Cursor > Claude Code（無此功能） 跨檔案理解 ：Claude Code > Cursor > Copilot Agentic 能力 ：Claud...
閱讀完整內容