谷歌Gemini 4 Pro疑似现身竞技场，‘AI降温’呼声再遭现实打脸

导语：谷歌Gemini 4 Pro疑似在大模型盲测竞技场Arena中低调露面，性能表现远超已发布的3.8 Flash，在编码、Agent和推理等核心任务上全面碾压竞品。与此同时，RSI（递归自我改进）正在重塑AI研发节奏，此前业界高调呼吁的"减速"共识，在新一轮模型竞赛面前正迅速瓦解。

近几个月来，OpenAI与Anthropic接连推出旗舰级新模型，反观谷歌却显得格外沉寂。Flash系列保持着约三周一更的节奏，3.6、3.7、3.8相继亮相，但真正代表能力天花板的Pro线却迟迟没有动静。

然而就在近日，大模型盲测竞技场Arena里突然冒出一个名为gemini-3.8-flash的模型，开发者上手后立刻发现了异样——真正的Gemini 3.8 Flash早已发布，大家对它的能力水平心知肚明，可眼前这个"3.8 Flash"在写代码、绘制SVG图形、执行Agent任务等方面的表现，明显又上了一个台阶。

经过数轮实测，一个猜测迅速在社区蔓延开来：

这个模型极有可能是谷歌隐藏在马甲之下的下一代旗舰——Gemini 4 Pro。

紧接着，一张更为惊人的benchmark对比图开始疯狂传播。在编码、Agent任务、逻辑推理等多个维度，该模型的成绩都将GPT-6 Astra和Claude Fable甩在身后。

就在短短几天前，几家头部AI公司还在公开讨论是否应当放慢研发脚步。如今，减速的呼声尚未落地，新一轮军备竞赛便已悄然拉开帷幕。

而这个疑似Gemini 4 Pro的"超级模型"背后，还藏着一个更令人警觉的关键词：

RSI。

01 Gemini 4 Pro疑似现身

9月2日，谷歌正式发布Gemini 3.8 Flash。官方介绍称，这是Gemini 3系列的最新Flash版本，在软件工程、Agent任务执行以及复杂多步推理方面均有显著提升；从3.7 Flash到3.8 Flash，间隔仅三周。

正因如此，当Arena里又出现一个同样挂着gemini-3.8-flash名号的模型时，开发者们几乎是本能地察觉到了问题。正式版3.8 Flash就摆在那里，有现成的参照物可以对比，而眼前这个模型明显更强，达到了Pro级产品才应有的水准。

最早一批引发关注的实测集中在SVG生成、网页制作和3D场景构建领域。

开发者Harshith让该模型用SVG绘制一只侧面家猫的轮廓，并将其与GPT-6 Astra Max及正式版Gemini 3.8 Flash进行对比。结果显示，Arena中这个版本在轮廓精度、比例协调性和细节丰富度上，与正式3.8 Flash拉开了肉眼可见的差距。

X用户@thtbee_从多个角度对该疑似Gemini 4 Pro模型进行了连续测试。

一个Voxel风格的宝塔模型，运行约8分钟便生成了一整套可交互3D场景。一架空客H145直升机模型仅用大约10分钟就构建出完整的3D展示页面，细节表现相当丰富，不过页面底部的UI元素"看起来有些粗糙"。

在网页设计方面，该模型耗时约14分钟便产出了一套单色主题网站，整体效果干净完整。过去Gemini一直被吐槽的设计审美问题，这次似乎终于得到了弥补。

另一位网友@Mr_Salio直接用这个疑似Gemini 4 Pro模型来制作游戏。成品画面流畅，世界生成和游戏机制的完成度都很高。

更关键的一条线索来自开发者Qwinah。

他声称自己通过"幽灵路由"的方式接入了Gemini 4 Pro的后端，并贴出了一张疑似内部终端信息的截图。

据其描述，该模型的内部标识中直接出现了G4P-ARGON和VIA_3.8_FLASH字样，最大输出长度达256K，上下文窗口超过1000万token，并具备跨会话永久记忆、无需API即可联网、后端自动编译运行脚本、甚至物理机器人控制等能力。

如果这些信息属实，那么它显然已经不是一次普通的Flash迭代升级。

与此同时，一张Gemini 4 Pro的benchmark对比表也在社区疯传。

根据图中数据，Gemini 4 Pro在软件工程测试DeepSWE v1.1中拿到88.7%，终端Agent测试Terminal-Bench 2.1达到95.3%，专家级知识推理测试HLE-Verified冲到72.1%，电脑操作Agent测试OSWorld 2.0取得86.8%。

更为夸张的是，在衡量真实知识工作能力的GDPval-AA v2上，它被标注为2064 Elo，直接突破2000大关。

若这些数据成立，Gemini 4 Pro堪称"拳打Fable、脚踢Astra"，一举登顶前沿模型之巅。

但越夸张的数据，越需要保持审慎。

值得注意的是，这张benchmark表与Qwinah"挖"出的那张疑似后端截图并不完全吻合；benchmark表中作为对照的Astra得分也不符合官方公布的数据；两份材料均未获得Google、Arena或相关benchmark官方的背书，目前仍只是社区层面的流传信息。

唯一能够确认的事实是：那个名为gemini-3.8-flash的模型确实存在，且表现完全超出Gemini 3.8 Flash应有的水平。

大家之所以迅速将答案指向Gemini 4 Pro，还有一个极为重要的背景：谷歌的Pro线已经空窗太久了。

Gemini 3.5 Pro迟迟未能正式落地，Gemini 4早已确认进入训练阶段。过去几个月Flash版本一代代推进，真正代表能力上限的Pro系列却始终没有新型号问世。

如今，一个能力明显异常的"3.8 Flash"突然从Arena里冒了出来。

于是，猜测越来越言之凿凿——谷歌或许根本没打算把真正的重磅升级留给3.5 Pro，而是直接跳到了Gemini 4 Pro。

02 Gemini 4 Pro背后，更大的关键词是RSI

如果说Gemini 4 Pro目前仍停留在社区传言阶段，那么更值得关注的是，谷歌正在明显加快AI参与模型研发的深度和节奏。

在这次Gemini 4 Pro传闻中，RSI这个缩写被反复提及。

RSI全称Recursive Self-Improvement，即递归自我改进。通俗地说，就是AI开始参与制造更强的AI，而更强的AI又进一步加速下一代模型的研发进程。

一旦这条正反馈回路运转起来，被加速的将不仅仅是模型能力本身。

连模型进化的速度本身，也将被模型所加速。

路透社今年8月披露，谷歌联合创始人Sergey Brin近几个月一直在推动Gemini团队提速，并将递归自我改进列为重点攻关方向之一。

尽管谷歌尚未正式宣布已实现这一闭环，但它正将越来越多原本由研究员承担的工作交给Agent完成——包括模型评测、改进方向探索、实验执行，再将结果反馈至模型研发流程。

9月2日发布Gemini 3.8 Flash时，谷歌在官方说明中也提到，一套长期运行的Agent循环正在"递归地评估和改进底层模型"。

Google DeepMind研究员姚顺宇（非腾讯的姚顺雨）在3.8 Flash发布后，化用阿姆斯特朗登月名言来形容此次更新：

"这是模型的一小步，RSI的一大步。"

就在近期，谷歌还将"RSI"直接写入了一篇新论文的标题。

9月14日，谷歌与GDM等团队联合发布Dream-RSI，专门研究如何让Agent通过持续改进探索策略来实现递归自我改进。在算法工程、数学优化和GPU kernel等任务上，该方法均展现出更高的探索效率和更低的搜索成本。

正因如此，此次Gemini 4 Pro的传闻才会迅速与RSI绑定在一起。

社区的讨论焦点已不只停留在"Gemini 4 Pro有多强"，更在追问：谷歌内部究竟把RSI推进到了什么程度。

当然，走RSI这条路的远不止谷歌一家。

美东时间9月17日，Anthropic公开了一组内部AI研发自动化数据。官方表示，之所以公开这些指标，是因为他们认为外界有必要了解前沿实验室中有多少AI研发工作已经由AI自主完成。

数据显示，截至今年8月，Claude已能主导Anthropic 26%的AI研发任务——即人类只需设定高层目标并进行监督，Claude即可端到端完成任务执行。而这一比例在今年2至3月时还不到1%。

同期，Anthropic内部超过90%的AI研发任务已至少进入AI协作阶段。

在国内，智谱创始人兼首席科学家唐杰近期也表示："我们仍远未达到递归自我改进，但最小的循环已经出现：模型优化系统，系统服务模型。"

在智谱公开的工程实践中，由GLM-5.3驱动的Infra Agent参与了GLM-5.3-Flash推理基础设施的设计、调试和优化。该系统运行在超过10万张国产AI芯片组成的集群上，从首次跑通到承载全部生产流量仅用两周，端到端吞吐量提升至初始水平的3.2倍。

03 "减速"最终只剩警告

就在数日之前，Anthropic CEO阿莫迪还在呼吁各前沿AI公司携手"减速"。

他列出的第一个需要高度警觉的条件，正是RSI。

模型进步本身当然是好事，但关键在于，一旦AI开始参与制造下一代AI，模型进步的速度可能越来越快，而人类理解、评估和控制它的能力却未必能同步跟上。

因此阿莫迪反复强调，必须在能力跨过某些关键门槛之前，将第三方评测机制、共同安全标准和减速协调机制提前部署到位。

因为一旦RSI真正形成正反馈，模型可能在人类意识到之前就越过了刹车的"安全距离"。

在风险认知层面，几家前沿实验室确实达成了基本共识。奥特曼公开表态支持"放缓前沿AI发展节奏"，并承诺OpenAI将引入拥有同等权限的独立评测者；马斯克表示"Dario说得对"；哈萨比斯也认可这是正确方向，只是具体实施路径仍需进一步讨论。

但那份联合倡议中也明确提到：单独减速毫无意义。如果AI研发继续被AI自身加速，未来真正有效的减速或暂停，必须建立在一套共同规则之上——例如引入独立评测者、由前沿实验室共同划定能力门槛和安全红线、必要时协调放缓研发节奏。

然而时至今日，出于各自不同的竞争考量，这套共同规则始终未能落地。

各家可以异口同声地说"应当谨慎"，可一旦涉及"谁先减、怎么减、其他国家减不减"这些具体问题，共识便迅速土崩瓦解。

实验室之间存在着最直接的模型竞争，国家之间还有更大规模的AI竞赛。任何一方单独放慢脚步，都意味着将领先窗口拱手让给对手；任何一个国家单独施加限制，都会担心另一边继续全速推进。

几家前沿AI实验室因此多少表现出了一些言行不一。

谷歌这边，有前面提到的疑似已在Arena匿名测试的Gemini 4 Pro。

Anthropic那边，社区近期也开始出现Opus 5.2的灰度测试痕迹。部分Claude Code用户反映，通过运行状态和请求路由信息发现了新的claude-opus-5-2模型标识，怀疑部分请求已被灰度至下一代Opus模型。

而在OpenAI方面，有人在后台模型列表中发现了gpt-6-sol的名称，也有用户表示自己疑似已被灰度切换至新模型。根据目前广泛流传的消息，GPT 6 Sol可能在下周发布，也可能推迟至美东时间9月29日的Dev Day……总之已为时不远。

三家头部AI实验室的下一代模型，均已开始在社区中露出测试端倪。

这轮"减速倡议"迄今最确定的成果，并非任何一家真正放慢了脚步，而只是这几家公司已经把风险提前公开说了一遍。

模型并未因此放缓迭代。

但至少，如果未来真的出了问题，他们可以说：我们早就提醒过了。