数据来源非线智能Nonelinear 非线智能团队，维护着GitHub上的开源项目 chinese-llm-benchmark，目前 6,000+ Stars，长期占据中文LLM商业评测类项目Star数第一

github （非线智能）官网正文：

Google发布了Gemini 3.8 Flash，官方将Gemini 3.8 Flash定位为面向长程Coding、Agent工作流和多步骤推理任务的主力模型，本次ReLE评测使用的API名称为gemini-3.8-flash，下文涉及ReLE数据时统一使用这一名称。本次ReLE评测侧重中文场景，覆盖教育、医疗、金融、法律、推理数学、语言指令、Agent工具调用和coding八个板块，相关官方基准放在第三部分介绍。

gemini-3.8-flash版本表现：

  • 测试题数：约1.5万
  • 总分（准确率）：76.2%
  • 平均耗时（每次调用）：18s
  • 平均token（每次调用消耗的token）：1673
  • 平均花费（每千次调用的人民币花费）：76.9

1、新旧对决

与上一代 gemini-3.7-flash 相比，gemini-3.8-flash 的总分和排名有所提升，但耗时、Token消耗和每千次调用费用也明显增加，部分细分领域的分数有所下降。具体数据如下：

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】谷歌 Gemini 3.8 Flash 实测：强攻长程推理与 Agent，但调用成本上涨 2.8 倍引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】谷歌 Gemini 3.8 Flash 实测：强攻长程推理与 Agent，但调用成本上涨 2.8 倍

*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark

*输出价格单位： 元/百万token

  • 总分小幅上升：gemini-3.8-flash总分从75.4%提升至76.2%，提升0.8个百分点，榜单排名从第6位升至第3位。
  • 推理数学提升最明显：推理与数学计算从80.1%提升至83.9%，增加3.8个百分点，是本次新旧对比中涨幅最大的分项。这一结果与官方强调的多步骤推理方向相符。
  • 语言指令和工具调用温和改善：语言与指令遵从从71.4%提升至73.5%（+2.1个百分点），Agent与工具调用从66.7%提升至67.8%（+1.1个百分点）。这两项也有所上升，但涨幅小于推理数学。
  • 金融和教育基本稳定：金融从81.6%微升至82.1%（+0.5个百分点），教育维持在67.0%。在金融和教育题上，两个版本的分数基本接近。
  • 三个分项出现回调：医疗与心理健康从89.8%降至89.1%（-0.7个百分点），法律与行政公务从83.7%降至82.3%（-1.4个百分点），coding从74.8%降至72.7%（-2.1个百分点）。其中 coding 的结果与官方工程基准并不完全一致，这可能与 ReLE 中文题库的题型、调用设置以及官方长程工程任务的测试口径不同有关。
  • Token和花费同步上升：平均token从1269增加至1673，增加404，约增长32%。输出价格从26.25元/百万token升至52.5元/百万token，每千次调用花费从27.8元升至76.9元，约为上一代的2.8倍。这次升级主要换来了更高的总分和更强的推理表现，代价是更高的耗时、Token消耗和调用费用。

2、横向对比

下面分别看它与同成本档位模型、上一代模型以及开源模型的差异：

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】谷歌 Gemini 3.8 Flash 实测：强攻长程推理与 Agent，但调用成本上涨 2.8 倍
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark

同成本档位对比

  • 60至100元区间处于高位：gemini-3.8-flash（76.2%，76.9元）处在每千次调用约80元的区间。同一成本区间的可比模型包括qwen3.7-max（76.9%，99元）、deepseek-v4-pro（74.9%，94.1元）、claude-opus-4.8（71.5%，99.4元）、Kimi-K2.5-Thinking（70.8%，77.1元）、GLM-5.1（70.7%，73.8元）、qwen3.6-27b（68.8%，73.2元）等。
  • 低花费Flash模型仍有吸引力：gemini-3.7-flash（75.4%，27.8元）只低0.8个百分点，但平均耗时更短、每千次调用花费更低。qwen3.8-flash（74.0%，10元）和glm-5.3-flash（74.2%，12.7元）总分虽低一些，但花费明显更低。对成本敏感的批量任务，可以优先比较这些模型。
  • 向上看头部模型：qwen3.7-max（76.9%，99元）和claude-opus-5（76.8%，168.8元）总分略高于gemini-3.8-flash；kimi-k3（75.6%，172.4元）、doubao-seed-evolving（75.5%，304.7元）和qwen3.8-max（75.4%，107.3元）则总分略低。gemini-3.8-flash处在头部模型密集区，排名较高，平均耗时也短于多数对比模型。
  • 速度位置靠前：gemini-3.8-flash平均耗时18s，慢于gemini-3.7-flash（10s）、claude-opus-5（15s）和gpt-5.5（15s），但明显快于qwen3.7-max（51s）、qwen3.8-max（67s）、deepseek-v4-pro（145s）、glm-5.3（154s）以及doubao-seed-evolving（267s）。在头部模型中，它的响应速度仍具有一定优势。

新旧模型对比

  • Flash线继续前移：gemini-3.7-flash（75.4%，第6位）已经处在榜单前列，gemini-3.8-flash（76.2%，第3位）进一步前移。排名提升的同时，Token消耗、耗时和每千次调用费用也都增加了。
  • Google产品线参照：当前榜单中，Google相关模型可重点参考gemini-3.8-flash（76.2%，76.9元）、gemini-3.7-flash（75.4%，27.8元）、gemini-3.1-pro-preview（75.2%，250.5元）、gemini-3.5-flash（73.9%，151.2元）和gemini-3-flash-preview（71.2%，53.5元）。在 ReLE 中文综合评测中，gemini-3.8-flash 目前是 Google 系列得分最高的模型。
  • 与近期新模型对比：gemini-3.8-flash（76.2%，76.9元）高于kimi-k3（75.6%，172.4元）、doubao-seed-evolving（75.5%，304.7元）、qwen3.8-max（75.4%，107.3元）、deepseek-v4-pro（74.9%，94.1元）、glm-5.3（75.2%，134.9元）和qwen3.8-flash（74.0%，10元），低于qwen3.7-max（76.9%，99元）和claude-opus-5（76.8%，168.8元）。头部模型之间的分差只有1个百分点左右，实际选型还要看费用、速度和具体任务表现。

开源/商用对比

  • 商用阵营前列：按ReLE榜单类别，gemini-3.8-flash属于商用模型。在商用模型中，它仅低于qwen3.7-max和claude-opus-5，高于doubao-seed-evolving、gemini-3.7-flash、qwen3.8-max、gpt-5.5等模型。
  • 开源模型的参照：开源模型中，kimi-k3（75.6%，172.4元）、glm-5.3（75.2%，134.9元）和deepseek-v4-pro（74.9%，94.1元）与gemini-3.8-flash分差较小，但平均耗时和花费结构不同。需要较高中文综合准确率和较快响应速度的场景，可以优先测试 gemini-3.8-flash。需要本地部署、可控性或开源生态的团队，仍应把开源模型单独纳入评估。
  • 选型边界：gemini-3.8-flash适合对中文综合准确率和响应速度都有要求、同时能够接受中高调用费用的场景。预算有限、调用量较大的任务，gemini-3.7-flash、qwen3.8-flash和glm-5.3-flash更实际。

3、官方评测

根据Google官方博客（https://blog.google/innovation-and-ai/models-and-research/gemini-models/3-8-flash-and-3-8-flash-cyber/），下面只整理官方公布的评测结果。官方基准覆盖软件工程、Agent、专业领域推理、多模态理解和网络安全，不同任务之间的工具设置、判分方式和样本构成存在差异，不同任务的工具设置、评分方式和样本构成不同，横向比较时需要留意测试口径。

Gemini 3.8 Flash综合基准

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】谷歌 Gemini 3.8 Flash 实测：强攻长程推理与 Agent，但调用成本上涨 2.8 倍

官方将Gemini 3.8 Flash与Gemini 3.7 Flash、Claude Opus 5、Claude Sonnet 5、GPT-5.6 Sol和GPT-5.6 Terra进行了对比。摘取几项关键结果如下：

  • 软件工程：DeepSWE v1.1为73.7%，高于Gemini 3.7 Flash的65.3%，接近Claude Opus 5的74.0%。
  • 专业知识工作：GDPVal-AA v2为1545，高于Gemini 3.7 Flash的1482，但低于Claude Opus 5的1824。
  • 金融与法律Agent：Vals Finance Agent v2为61.4%，Harvey's Legal Agent Benchmark为10.0%，均高于Gemini 3.7 Flash。
  • 终端与Agent任务：Terminal-bench 2.1为89.4%，高于Gemini 3.7 Flash的85.8%；Terminal-bench 4.0为19.1%，低于Claude Opus 5的51.8%和GPT-5.6 Sol的37.3%。
  • 多模态与复杂推理：CharXiv Reasoning为86.2%，LVBench为87.8%（agentic）/87.1%（static），HLE-Verified为54.9%，LABBench2为86.2%。在OSWorld-2.0上，Gemini 3.8 Flash为59.0%，低于Claude Opus 5的75.4%。

官方结果显示，Gemini 3.8 Flash 在 DeepSWE、Terminal-bench 2.1、金融法律 Agent、CharXiv、LVBench 和 HLE-Verified 等项目上高于 Gemini 3.7 Flash；但在 Terminal-bench 4.0、OSWorld-2.0 和 GDP.PDF 等项目上并非最高。官方测试并非全面领先：部分项目提升明显，另一些项目仍落后于对比模型。

官方对Token与推理行为的说明

Google在博客中提到，Gemini 3.8 Flash在复杂任务上会执行更多推理步骤，并更频繁地迭代调用工具；在较高effort设置下，模型可能使用更多token来提升表现。官方同时建议，如果应用场景以计算开销约束为主，可以使用较低effort设置，或继续使用Gemini 3.7 Flash。Google将 3.8 Flash 定位为更擅长复杂推理和 Agent 任务的版本，同时也接受更高的计算开销。



非线智能官网 https://nonelinear.com/static/models.html 已上线gemini-3.8-flash，支持一键接入（附接入代码），添加客服 发送 体验金，可享20-50元首充奖励，欢迎对比体验。

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】谷歌 Gemini 3.8 Flash 实测：强攻长程推理与 Agent，但调用成本上涨 2.8 倍

快速接入代码如下：

from openai import OpenAI


client = OpenAI(
    base_url="https://api.nonlinear.com/v1",
    api_key="YOUR_API_KEY",
)


response = client.chat.completions.create(
    model="gemini-3.8-flash",
    messages=[
        {"role": "user", "content": "分析一份中文业务报告，提取关键结论和后续行动建议"}
    ],
)


print(response.choices[0].message.content)