文 | 字母 AI
前几个月，OpenAI 和 Anthropic 轮番把旗舰模型往前推，谷歌却显得异常安静。
Flash 几乎 3 周一更，3.6、3.7、3.8 连续往前，但代表最高能力上限的 Pro 迟迟没有动静。
直到这两天，大模型盲测竞技场 Arena 里，突然冒出一个挂着 gemini-3.8-flash 名字的模型。
开发者一上手就发现了不对劲，真正的 Gemini 3.8 Flash 已经发布了，它该是什么水平，大家心里有数。可这个“3.8 Flash”，写代码、做 SVG、跑 Agent，表现明显又往上跳了一截。
几轮实测之后，一个猜测迅速扩散开来：
这个模型很有可能是谷歌藏在标签后面的下一代旗舰——Gemini 4 Pro。
紧接着，一张更夸张的 benchmark 对比图开始疯传。编码、Agent、推理，多项成绩都把 GPT-6 Astra 和 Claude Fable 压在下面。
就在几天前，几家最重要的 AI 公司还在公开讨论，是不是该慢一点。现在，减速的声音还没落地，新一轮竞赛已经开始狂飙。
而这个疑似 Gemini 4 Pro 的“神级模型”背后，还有一个更危险的关键词：
RSI。
Gemini 4 Pro 疑似泄露
9 月 2 日，Google 刚刚正式发布 Gemini 3.8 Flash。官方称，这是 Gemini 3 系列最新一代 Flash，在软件工程、Agent 任务和复杂多步推理上都有明显提升；从 3.7 Flash 到 3.8 Flash，中间只隔了三周。
所以，当 Arena 里又出现一个同样挂着 gemini-3.8-flash 名字的模型时，开发者很快就察觉到了异常。
真正的 3.8 Flash 已经摆在那里，大家有现成的参照物。而这个模型看起来明显更强，分明是 Pro 模型才会有的实力。
最早引发传播的一批实测，集中在 SVG、网页和 3D 场景上。
开发者 Harshith 让它用 SVG 画一只侧面的家猫，并把结果与 GPT-6 Astra Max 和正式版 Gemini 3.8 Flash 放在一起。Arena 里的这个版本，无论轮廓、比例还是细节完整度，都和正式 3.8 Flash 拉开了肉眼可见的差距。
从左到右依次为“4 Pro”、Astra、3.8 Flash
X 网友@thtbee_从多个角度连续测试了这个疑似 Gemini 4 Pro 的模型。
一个 Voxel 风格宝塔，模型跑了 8 分钟，直接生成了一整套可交互 3D 场景。
一架空客 H145 直升机，它只花大约 10 分钟就搭出了完整的 3D 展示页面，细节非常丰富。不过，这位网友表示，页面底部的 UI 元素“看起来有点糟”。
在网页设计上，模型花了大约 14 分钟就做出了一套单色主题网站，整体非常干净、完整。过去 Gemini 经常被吐槽的设计品味问题，这次似乎终于被补上了。
另一位网友@Mr_Salio 直接拿这个疑似 Gemini 4 Pro 的模型去做游戏。成品画面足够流畅，世界生成和游戏设计的完成度也很高。
更关键的一条线索来自开发者 Qwinah。
他声称自己成功“幽灵路由”到了 Gemini 4 Pro 的后端，并贴出了一张疑似内部终端信息的截图。
根据他的说法，这个模型的内部标识里直接出现了 G4P-ARGON 和 VIA_3.8_FLASH，最大输出达到 256K，上下文窗口超过 1000 万 token，还带有跨会话永久记忆、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，那它显然已经不是一次普通的 Flash 升级。
与此同时，一张 Gemini 4 Pro 的 benchmark 对比表也开始在社区疯传。
按照图里的数据，Gemini 4 Pro 在软件工程测试 DeepSWE v1.1 拿到 88.7%，在终端 Agent 测试 Terminal-Bench 2.1 达到 95.3%，在专家级知识推理测试 HLE-Verified 冲到 72.1%，在电脑操作 Agent 测试 OSWorld 2.0 达到 86.8%。
更夸张的是，在衡量真实知识工作的 GDPval-AA v2 上，它被写成 2064 Elo，直接突破 2000 大关。
如果这些数据属实，Gemini 4 Pro 简直能“拳打 Fable，脚踢 Astra”，一举站上前沿模型之巅。
但越是夸张，越需要小心。
值得注意的是，这张 benchmark 表，和 Qwinah“挖”出来的那张疑似后端截图，并不完全对得上；benchmark 表里作为对照项的 Astra，得分也不符合官方数据；两份材料都没有 Google、Arena 或相关 benchmark 官方背书，目前仍然只是社区流传的信息。
唯一能被确认的只有那个名叫 gemini-3.8-flash 名字的模型，和完全不符合 Gemini 3.8 Flash 的表现。
但大家之所以会迅速把答案指向 Gemini 4 Pro，还有一个非常重要的原因：Google 的 Pro 模型，已经空窗太久了。
Gemini 3.5 Pro 迟迟没有正式落地，Gemini 4 早已确认进入训练，过去几个月，Flash 一代代往前推，真正代表能力上限的 Pro 线始终没有新型号出现。
现在，一个能力明显异常的“3.8 Flash”突然从 Arena 里钻了出来。
于是，猜测自然越来越像样——Google 可能根本没打算把真正的大升级留给 3.5 Pro，直接憋到了 Gemini 4 Pro。
Gemini 4 Pro 背后，更大的关键词是 RSI
如果说 Gemini 4 Pro 目前还只是社区传言，那么更值得注意的是，谷歌正在明显加快 AI 参与模型研发的速度。
在这一次的 Gemini 4 Pro 传闻里，RSI 这个关键词被反复提及。
RSI 全称为 Recursive Self-Improvement，递归自我改进，简单来说，就是 AI 开始参与制造更强的 AI，而更强的 AI 又进一步加快下一代模型的研发。
一旦这个循环跑起来，被加速的就不只是模型能力本身。
就连模型进化的速度，也会开始被模型自己加速。
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 提速，并把递归自我改进列为重点关注方向之一。
虽然谷歌目前还没有公开宣布自己已经实现了这个闭环，但它正在把越来越多原本属于研究员的工作交给 Agent，包括评测模型、寻找改进方向、跑实验，再把结果反馈回模型研发流程。
9 月 2 日发布 Gemini 3.8 Flash 时，谷歌也在官方说明里提到，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（不是腾讯的姚顺雨）则在 3.8 Flash 发布后，化用了阿姆斯特朗登月时的话来形容这次更新：
“这是模型的一小步，RSI 的一大步。”
就在最近，谷歌还把“RSI”写进了一篇新论文的标题里。
9 月 14 日，谷歌、GDM 等团队发布 Dream-RSI，专门研究如何让 Agent 通过不断改进探索策略，实现递归自我改进。在算法工程、数学优化和 GPU kernel 任务上，这套方法都显示出更高的探索效率和更低的搜索成本。
也正因如此，这次 Gemini 4 Pro 的传闻才会迅速和 RSI 绑在一起。
社区里的猜测并没有停留在“Gemini 4 Pro 很强”上，也在追问，谷歌内部到底把 RSI 做到了什么程度。
RSI 这条路显然不只谷歌在走。
美国时间 9 月 17 日，Anthropic 公开了一组内部 AI 研发自动化数据。
Anthropic 官方表示，他们公开这些指标的原因是，他们认为外界需要知道，前沿实验室里的 AI 研发到底有多少已经开始由 AI 自己完成。
数据显示，截至今年 8 月，Claude 已经能够主导 26% 的 Anthropic AI 研发任务——也就是人类只需要给出高层目标并监督，Claude 基本可以端到端完成任务。这个比例在今年2、3 月还不到1%。
与此同时，Anthropic 内部超过 90% 的 AI 研发任务，至少已经进入 AI 协作的阶段。
国内，智谱创始人兼首席科学家唐杰最近也表示：“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。”
唐杰在X上的长文，仅截取开头部分
在智谱公开的工程实践中，一个由 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。这套系统运行在超过 10 万张国产 AI 芯片组成的集群上，从第一次跑通到承接全部生产流量，只用了两周，把端到端吞吐提升到了初始水平的 3.2 倍。
“减速”最后只剩下警告
就在几天前，阿莫迪还呼吁前沿 AI 公司携手“减速”。
他列出的第一个需要警觉的条件，就是 RSI。
模型进步本身当然是好事，但问题在于，如果 AI 开始参与制造下一代 AI，模型进步的速度可能越来越快，但人类理解、评估和控制它的速度，未必能同步加快。
所以阿莫迪反复强调，要在能力跨过某些门槛之前，把第三方评测、共同安全标准和减速机制提前建立起来。
因为一旦 RSI 真正形成正反馈，模型可能已经越过了刹车的“安全距离”。
在风险上，几家前沿实验室确实达成了共识。
奥特曼公开认同“放慢前沿 AI 的发展节奏”，并承诺 OpenAI 也会引入拥有类似员工权限的独立评测者；马斯克表示“Dario 是对的”；哈萨比斯也称这是正确的方向，只是具体怎么做还需要继续讨论。
但那篇倡议里也提到，单独减速没有意义，如果 AI 研发继续被 AI 加速，未来真正有效的减速或暂停，需要先建立一套共同规则：比如引入独立评测者，以及让前沿实验室共同设定能力门槛和安全措施，必要时协调放慢研发速度。
但到现在，出于各种各样的竞争原因，共同规则并没有被建立。
大家已经可以一起说“应该谨慎”，可一到“具体怎么减速、谁先减、其他国家减不减”，共识就迅速消失了。
实验室之间有最直接的模型竞争，国家之间还有更大的 AI 竞争。任何一家单独放慢，都要承担把领先窗口让给对手的风险；任何一个国家单独限制，都会担心另一边继续加速。
几家前沿 AI 实验室，因此多少表现得有些言行不一。
谷歌这边，有前面提到的疑似已经在 Arena 匿名测试的 Gemini 4 Pro。
Anthropic 这边，社区最近也开始出现 Opus 5.2 的灰度痕迹。有 Claude Code 用户称，通过运行状态和请求路由信息看到了新的 claude-opus-5-2 模型标识，怀疑部分请求已经被灰度到下一代 Opus。
而 OpenAI 那里，有人称在后台模型列表里看到了 gpt-6-sol 的模型名，也有人表示自己疑似已经被灰度到新模型。根据目前广为流传的消息，GPT 6 Sol 可能会在下周发布，或者，也可能在美国时间 9 月 29 日的 Dev Day……总之也不远了。
三家前沿 AI 实验室的下一轮模型，都已经开始在社区里露出测试痕迹。
这轮“减速倡议”到现在最确定的成果，并不是任何一家真的减了速，只是这几家最重要的 AI 公司，已经把风险提前公开讲了一遍。
模型并没有因此放缓。
但至少，如果有一天真的出事，他们可以说：我们早就提醒过了。
