这一代改了什么
Gemini 3.8 Flash 由 Google DeepMind 于 2026 年 9 月 2 日发布，基于 Gemini 3.7 Flash 升级，方向集中在长程软件工程、自主 Agent 与复杂企业工作流三块。上下文 100 万 token，最大输出 64K。
官方给出的量化结果是 DeepSWE v1.1 达 73.7%，并称编程与 Agent 能力接近 Claude Opus 5。这句话的分量在价格：Opus 5 官方输入价 $5/百万 token，Gemini 3.8 Flash 是 $1.5，只有三分之一。官方同时说明它的定价与 3.7 Flash 持平，也就是说这一代是加量不加价。
三分之一的输入价配上接近的能力描述，说明它瞄准的是旗舰模型的降级替换场景。但"接近"和"等于"之间还有距离，下面几节把价格、模态和限制拆开看。
输入模态比同价位宽
它接受文本、图像、音频、视频和文件五类输入，输出只有文本。同价位模型大多只支持文本加图像，音频和视频要另找模型做转写。这一点决定了它在什么场景下省事：会议录音、产品演示视频、扫描件 PDF 可以一次送进去，不用先跑一遍转写和 OCR，少一层预处理就少一类格式错误。
上下文和输出的比例也值得注意。100 万输入配 64K 输出，是典型的"读得多、写得少"结构。做整库分析、长报告比对、多文档交叉核对合适；要生成十万字级别的连续文本，64K 的输出上限会成为硬约束，这类任务得换输出上限更高的模型。
价格：官方价与倍率价
官方定价为输入 $1.5/百万 token、输出 $7.5/百万 token，缓存读取 $0.15/百万 token。站内目前只有 Gemini Antigravity 一个分组，倍率 0.65，换算后输入 $0.975、输出 $4.875。
| 项目 | 官方价 | 站内价（倍率 0.65） |
|---|---|---|
| 输入 | $1.5 / 百万 | $0.975 / 百万 |
| 输出 | $7.5 / 百万 | $4.875 / 百万 |
| 缓存读取 | $0.15 / 百万 | $0.0975 / 百万 |
缓存按输入价的十分之一计费。同一份 100 万 token 的资料要问十个问题，每次重读全文是 $9.75；把资料固定在前缀位置，首次按输入价读入 $0.975，其后九次命中缓存、每次 $0.0975，合计约 $1.85，不到全价重读的五分之一。长文档问答的成本结构几乎完全由缓存命中率决定。
一个反直觉的事实：分组倍率比官方价更能决定实付价。下面这张表把同门四个模型放在一起，官方价最高的那个反而最便宜。
| 模型 | 官方输入 / 输出 | 适用分组 | 站内输入 / 输出 |
|---|---|---|---|
| gemini-3.1-flash-lite | $0.5 / $1.5 | Gemini Antigravity 0.65 | $0.325 / $0.975 |
| gemini-3.8-flash | $1.5 / $7.5 | Gemini Antigravity 0.65 | $0.975 / $4.875 |
| gemini-3.1-pro-preview | $2 / $12 | Gemini Antigravity 0.65 | $1.3 / $7.8 |
| gemini-4-argon | $4 / $20 | Gemini 稳定 0.20 | $0.8 / $4.0 |
gemini-4-argon 的官方价是 3.8 Flash 的 2.7 倍，但它在 Gemini 稳定分组里按 0.2 结算，实际输入价比 3.8 Flash 低 18%。选型时不要只看官方定价表，要把可用分组一起算进去。
成本算例
按每月 1000 次请求、每次平均 2 万输入加 2000 输出估算，总消耗是 2000 万输入和 200 万输出。
- Gemini 3.8 Flash：20 × $0.975 + 2 × $4.875 = $19.5 + $9.75 = $29.25
- gemini-4-argon：20 × $0.8 + 2 × $4.0 = $16 + $8 = $24
- gemini-3.1-flash-lite：20 × $0.325 + 2 × $0.975 = $6.5 + $1.95 = $8.45
同样的调用量，最贵和最便宜差 3.5 倍。如果任务只是分类、抽取、打标，flash-lite 足够，没必要为用不上的推理能力付费。
上面只算了 token，没算重试。3.8 Flash 的输出上限是 64K，长文档任务一旦截断就得重跑，把重试率按一成加进预算，比按理论单价精确到分更接近真实账单。
适合与不适合
适合的场景有三类。代码库级批量审查，一次读入几十个文件比对风格与依赖；带图带视频的内容审核与客服工单，省掉前置转写；Agent 的规划层，用它的长上下文记住整条任务链，再调用更专的模型执行具体步骤。
不适合的场景也清楚。需要超过 64K 连续输出的长文生成，得换 kimi-k3.1-pro 这类输出上限 94 万的模型；对成本极敏感的高并发分类，用 flash-lite；需要最强推理且预算充足的安全审计，Opus 5 或 gpt-6-astra 更稳。
调用
接口与 OpenAI 一致，Gemini 原生协议也支持。用 OpenAI SDK 时只改 base_url 和 model：
from openai import OpenAI
client = OpenAI(api_key="sk-...", base_url="https://ai.idcidiot.com/v1")
resp = client.chat.completions.create(
model="gemini-3.8-flash",
messages=[
{"role": "system", "content": "只输出问题清单，按严重程度排序"},
{"role": "user", "content": "读这份接口文档，找出与实现不一致的地方"},
],
)
print(resp.choices[0].message.content)参数与倍率以 Gemini 3.8 Flash 模型页 和价格页为准，其他型号在模型总览里按厂商筛选。