Gemini 3.8 Flash 单价没涨，每个任务的账单涨了四成

Gemini 3.7 Flash 8 月 13 日发，3.8 Flash 9 月 2 日发。中间隔二十天。两个模型的官方单价一模一样：输入 $0.75、输出 $3.75。

听起来是白送的升级。但第三方评测机构 Artificial Analysis 实测下来，3.8 Flash 每个任务的输出 token 比 3.7 多出约 30%（48k），每任务平均成本从 $0.40 涨到 $0.58，涨了四成。

Google 自己也承认了这件事，用词是模型会「work harder」，部分任务 token 用量上升。

这就是 2026 年三季度最该记住的一条：单价不变不等于花钱不变。

一、Gemini 这两个月的完整节奏

表格可左右滑动

两个重要的否定结论：这两个月里，Google 没有发布任何 Gemini Pro 或 Ultra 的新模型，也没有发布任何新的 Gemma 开源权重（Gemma 的最新一条 release 停在 6 月 3 日的 Gemma 4 12B Unified）。

所有力气都砸在 Flash 这一档上。这个取向本身是个信号：Google 认定这一代的竞争发生在「便宜且够用」那一格，不是在旗舰那一格。

二、gemini-3.8-flash 的硬参数

• →输入上下文 1,048,576，最大输出 65,536
• →thinking 支持 low / medium / high，不支持 minimal
• →知识截止 2026-03
• →输入 $0.75 / 输出 $3.75，缓存 $0.075，Batch 五折
• →1M 窗口全程统一价，没有长上下文加价档
• →输出价包含 thinking token

倒数第二条要和别家对照着看：GPT-6 Astra 超过 272K 输入就整个请求翻倍，Grok 4.7 超过 200K 就翻倍。Gemini 3.8 Flash 一条这样的线都没有，1M 从头到尾一个价。做长文档处理的，这条比分数重要。

最后一条是坑：输出价含思考 token。也就是说 thinking 档位开得越高，你付的不只是延迟，是直接的钱。配合前面那条「3.8 比 3.7 多用 30% token」，两件事叠在一起就是那个 40% 的成本涨幅。

还有一个明写的到期日：$0.75 / $3.75 是 introductory 价，2026 年 12 月 31 日之后翻倍到 $1.50 / $7.50。

Google 在定价页上明说涨价日期和涨价幅度，这在这一行里很少见——大多数厂商的促销价都是「随时可能调整」。对做长期成本模型的人，这是好事：你知道该在什么时候重算一遍。也是坏事：你现在算出来的那个单位成本，在明年元旦会直接翻倍。

三、分数：赢的和输的

官方模型卡给的（对比 3.7 Flash）：

表格可左右滑动

Terminal-bench 4.0 只有 19.1% 这一项要特别说明：同期 Claude Opus 5.5 在这个评测上是 66.4%，GPT-6 Astra 是 57.9%。一个 $0.75 的模型和一个 $4 的模型，在长周期编码 agent 上差了三倍多。别被 Terminal-bench 2.1 的 89.4% 迷惑——2.1 和 4.0 不是同一个难度的东西。

还有个必须提醒的陷阱：Google 自己跨模型卡重测过，同一个模型在两张表上数字不一样——GDPVal-AA v2 在 3.7 的卡上是 1525，3.8 的卡上写成 1482。两张表的数不能混着引。另外官方从未公布过这两个模型的 GPQA Diamond、AIME、SWE-bench Verified 成绩，网上流传的几个数在官方页面查无此数。

官方自列的限制是幻觉、偶发的缓慢或超时、越狱抵抗待改进；社区的批评集中在 agentic 可靠性，典型吐槽是它会绕圈子，反复读同一个文件二十遍。

四、xAI：4.6 和 4.7 同价，但都在被骂烧 token

顺带说一件容易被忽略的事：xAI 公司已经改名了。SpaceX 在 2026 年 2 月以约 2500 亿美元估值收购 xAI，2026 年 7 月 6 日正式更名 SpaceXAI。

模型节奏：Grok 4.5 是 7 月 8 日（在这两个月的窗口之前），Grok 4.6 是 8 月 12 日，Grok 4.7 是 9 月 21 日。4.7 原本宣称 9 月 12 日上线，实际延期九天。

grok-4.7 的规格：

• →上下文 500,000，文档明确标注没有文本输出上限
• →文本 + 图像输入，纯文本输出
• →reasoning effort：low / medium / high / xhigh，默认 high
• →限流 150 req/s、50M tok/min，区域只有三个美国 region
• →不支持 Batch API

定价以 200k prompt 为界整段翻倍：

表格可左右滑动

Grok 4.6 的价格与 4.7 完全一致。

官方 benchmark（4.7）：CursorBench 4.0 46.3%、DeepSWE v1.1 71.0%、EEBench（电气工程）64.0%、LatchBio biosafety 62.4%。官方页面没有标注这些分数用的是哪个 reasoning 档位。

社区实测这一轮几乎一边倒地负面，而且批评点高度集中在 token 消耗上：有媒体的标题直接是「被造出来连干几小时，但大多数时候还是失败」，有评测的结论是「高 token 消耗威胁实际 ROI」——输入便宜，但烧得多，最后省不下来。Artificial Analysis 的实测：xhigh 档智能指数 46（#21/210），输出速度只有 40.1 tok/s，标注为「明显偏慢」，输出量标签是「very verbose」，每任务均价 $3.74。

500k 的上下文配 200k 的翻倍线，意味着你只用掉四成上下文就进了贵价档。要长上下文又要便宜的，xAI 这条线上反而应该看 grok-4.3 或 grok-4.20 系列——1M 上下文，$1.25–2.50 输入 / $2.50–5.00 输出。

五、Microsoft：主线已经不是 Phi 了

这两个月 Microsoft 没有发布任何新的 Phi 模型，Azure Foundry 的「Azure 直售模型」目录里也找不到 Phi 条目。主线换成了自研的 MAI 系列：

• →MAI-Thinking-1（官方博文 8 月 12 日，同日进 Microsoft Foundry 公开预览）：上下文 256,000 / 最大输出 64,000，OpenAI Chat Completions 兼容，带加密思维链。架构是 35B 激活 / 约 1T 总参的稀疏 MoE，官方强调没有从第三方模型蒸馏，全程在自研 Maia 200 芯片上训练。AIME 2025 拿 97.0%
• →MAI-Code-1.1-Flash（8 月 11 日）：只存在于 GitHub Copilot 里，拿不到独立 API。不按 token 计费，走 premium request 倍率 0.25×
• →MAI-Cyber-1-Flash：从 MAI-Thinking-1 衍生的代码安全模型，仅内嵌在 MDASH 里。CyberGym any-crash 96%

所有 MAI 模型的每百万 token 官方单价都查不到——三个官方定价页都没有。一个不公布单价的模型没法做成本测算，这本身就是减分项。

MAI-Code-1.1-Flash 有个最常踩的坑：Free 和 Student 账号自动启用，Enterprise 和 Business 的管理员默认关闭，必须手动开。公司里有人说「买了企业版怎么没这个模型」，先去后台看这个开关。

六、这一季选型该改的一个习惯

把这篇里三家的事实并排放一次：

• →Gemini 3.7 → 3.8 单价没动，每任务成本 +40%
• →Grok 4.6 → 4.7 同价，社区实测 token 烧得更凶
• →Microsoft 的 MAI 干脆不公布单价

拿「每百万 token 多少钱」做选型，在 2026 年三季度已经不成立了。唯一有意义的口径是：跑完我这一批真实任务，总共花了多少钱。

具体怎么做，不复杂：挑二十个你业务里最典型的任务，每个候选模型完整跑一遍，记录总输入 token、总输出 token、总耗时、以及最终可用的比例。四个数摆出来，选型结论自己会浮现。

这件事一天就能做完，能省的钱以月计。而看单价选型，省的是这一天。

最后一句给中国团队：Google 的官方区域列表明确不含中国大陆、香港和澳门；xAI 只有三个美国 region；Microsoft 的 Azure 中国（世纪互联）是否上架 MAI，我没查到。这三家在国内都没有合规直连的路径，上面这些数字对你的主要价值是当作定价和能力的参照系——知道国际上同档的东西卖多少钱、能干到什么程度，你和国内供应商谈的时候就有底。