这两天模型圈又把“新纪元”这套词给喊热了，OpenAI 端出了号称迈向 AGI 的 GPT-6 Astra，Google 则像开了流水线一样，六周连跳三代把 Gemini 3.8 Flash 拍在桌上。
各路科技媒体都在狂发跑分通稿，算每百万 Token 便宜了几个百分点，或者对着发布会 PPT 展望未来。但在我看来，如果你真把模型天天挂在终端和 Agent 里跑，成本这玩意儿其实早就对我们脱敏了。
就拿上面这张我跑反代的后台监控来说，一个月 20 美元的 Google Pro 订阅，挂上反代反重力，一个号一周能吞吐 1.6B（16 亿）Token，跑了几天才消耗了 9% 的额度。在动辄几十亿的配额面前，谁还去按次计算那几分钱的账单？
真正卡住日常折腾脖子的，从头到尾只有两个硬指标：一是速度，你把任务交代下去后它到底要我干等多久；二是 IQ，它能不能把话听明白，把事情一次性做对。
正好最近民间开源社区流出了一套很有意思的实测看板（包括 DeepSWE 代码工程能力与庞贝壁画修复视觉推理），样本量虽然不算天量，但把“速度（耗时）与 IQ”这两个维度的反差扒得非常透彻。结合我自己的实操，聊聊这两款模型的真实体感。
视觉实测与 Astra：智力确实断层，但它是个“测试狂魔”
先泼一盆冷水，官方发布会吹的那套“AGI 已经降临”，我完全没感受到。
实测下来，我更愿意把它定义成一个更聪明、但更贵、而且得了重度强迫症的 GPT-5.6 Sol。它没有发生什么物种级别的蜕变，只是把上一代身上最招人烦的臭毛病改掉了一部分，顺便把智力上限又拔高了一大截。
最直观的惊喜是它终于不搞虚套了。上一代 5.6 Sol 最让人高血压的地方，就是极度套路化的“过度思考”，明明一句两句话就能理顺的逻辑，非要自己在后台哼哧哼哧推演半天假装很深沉，最后给出一堆爹味说教。Astra 这次收敛了非常多，它能够迅速吃透指令背后的意图，即便你的需求留了些模糊地带，它也能凭借极强的理解力准确补全，而不是要么反复追问废话，要么直接猜歪。
在民间的这组“庞贝壁画修复 / 视觉推理”测试看板里，这种智商层面的代际压制展现得淋漓尽致：
如果把看板里各家模型在视觉任务上的“耗时与 IQ”单独抽出来做成散点图，态势就更直观了：
看这几个关键数据：
- Astra 独走无人区：综合视觉 IQ 直接飚到了 136，在 max 与 ultra 档位甚至打出了 142 IQ，而上一代 Sol 只有 97 到 108，主流模型大多堆在 75 到 90 之间；更关键的是它把单次耗时压缩到了 7 到 16 分钟。
- 算力黑洞的惨烈对照：边上的 K3（Kimi Code）在视觉任务里简直是灾难现场，单次任务耗时高达 120 到 133 分钟（两个多小时），最后拿出来的 IQ 只有 74 到 86，完全陷在死循环里空转。
但 Astra 身上有一个让我极度头疼的特质：它实在太喜欢做测试了。
不知道是不是在对齐阶段被代码质量规范训过了头，Astra 表现出了一种近乎病态的防御性编程洁癖。哪怕你只是让它改一行简单的配置，或者写个不到二十行的小功能，它都极度缺乏安全感，非要在本地给你搭一套完整的测试框架，写断言、跑回归、反复验证输出。这种偏执在复杂的架构重构里或许能救命，但在日常快速迭代里，这种“任何一个功能都要测个底朝天”的习惯，硬生生把交付节奏拖得很慢，让你坐在屏幕前只能眼巴巴等着它做完自我心理建设。
智力比 5.6 Sol 强了不止一个档次，但这个测试狂魔的性格，注定让它只能呆在重度任务的攻坚位上。
DeepSWE 与 Gemini 3.8 Flash：从“张口就来”到真香工兵的开窍之路
相比 Astra 的高冷与迟缓，Gemini 3.8 Flash 给我的惊喜反而要大得多。
理解 3.8 的好，得先回顾一下 Google 前几代 Flash 让人又爱又恨的历史。在 3.5 和 3.6 的时期，Gemini 的自然语言表达能力确实很强，甚至经常显得文采斐然，但它的工具调用能力基本可以用灾难来形容。丢给它一个任务，它几乎不主动碰外部工具，给出的很多方案完全是自信满满地“张口就来”，一跑全是幻觉。
真正的转折点发生在 3.7 Flash。从 3.7 开始，我突然发现它开窍了，会主动根据上下文停下来调用外部工具，开始学着用真实环境的反馈来校准自己。
而到了刚发布的 3.8 Flash，Google 终于补齐了它长期以来“不愿深度思考、做事浮躁”的心病。
我们来看看开源社区跑出来的 DeepSWE 软件工程基准看板：
把各家模型在 DeepSWE 上的交付速度与解题智商汇成散点图：
从散点图的分布上一目了然：
- Astra 依然盘踞在 107 到 109 IQ 的天花板，耗时 9 到 25 分钟；
- 挂着 Antigravity（反重力）标签的 Gemini 3.7/3.8 Flash，稳稳把时间卡在 14 到 15 分钟，交出了 91 到 93 IQ 的成绩；
- 对比之下，上一代 Sol 和 DeepSeek V4 Pro 动辄要跑 50 多分钟，K3 更是要跑 62 分钟。
对于一个定位偏轻量级的 Flash 模型来说，14 分钟交出 93 IQ，意味着它不仅能在短时间内把代码写完，还能一次性通过绝大部分边界用例。
在我的实际日常开发中，Gemini 3.8 Flash 带来了几项极其舒适的体感：
- 彻底告别八股文：这一点对我太重要了。用习惯了 GPT 之后，你真的会受够那种教导主任式的长篇大论、安全免责声明和套话前菜。Gemini 的沟通非常干净干脆，说结论就说结论，日常交代任务省心太多，我再也不想忍受跟 GPT 讲话时的心累感。
- 速度上的降维打击：在把模型接入到 OMP（全栈开发环境）里执行任务时，两者的体感差距简直像绿皮车和高铁。GPT 系列在长上下文交互时的常态吞吐大多只有 20 到 25 token/s，经常出现光标卡住几秒才吐一个词的迟钝感；而 Gemini 经常直接狂飙到 120 到 140 token/s，命令行里的代码和解释像瀑布一样倾泻而下，完全跟得上思考的速度。
- 无限续杯的底座红利：配合反代反重力，一周吃下十几亿 Token，你可以把它随意丢去跑批处理、扫描仓库上下文、清理日志或抓取分析网页，完全不需要心疼。
当然，必须承认它的局限性。
它的思考能力提升是相对过去的自己而言，上限依然有限，千万别指望它去搞高难度的架构设计或者深度开荒，它最稳妥的角色就是“高频执行、日常清理与对话的 Agent 工兵”。
另外，Google 的生态做法也确实让人想吐槽。虽然官方说不封号，但把门锁死、逼着大家通过反代反重力去榨取额度，这种保守的做法在当下的开源与 Agent 浪潮里挺 low 的，用起来心里始终多一份顾虑。
各自找准自己的位置
聊完这两款模型，其实没必要神化哪一家，也没必要搞非黑即白的选型纠结。
合理的态度是正视每个模型的实际进步。Gemini 并不是没有进步，从 3.5 时代的张口就来，到 3.7 主动调用工具，再到 3.8 补齐深度思考，配合它几乎不用等待的吐字速度和天量额度，它在轻量执行上的进化是非常扎实的；而 Astra 也绝对不是什么全知全能的 AGI 救世主，智力确实上去了，但伴随而来的迟缓、昂贵和测试强迫症，一样会在很多场景里把人劝退。
归根结底，什么样的任务就去匹配什么样的模型，什么样的 Agent 就该去选什么样的底座。
日常的脏活累活、高频调用的自动化脚本、需要即时反馈的日常对话，老老实实扔给 Gemini 3.8 Flash，速度和心流都能拉满；真遇到逻辑特别复杂、在死胡同里需要高阶推断，或者重度依赖视觉空间解析的代码攻坚，再换上 Astra 去试一试。根据手头的活儿随时切换工具，而不是迷信某个单一模型能包打天下，这才是折腾大模型时最务实的做法。