Gemini 3.8 Flash：AI IQ 能力基准与任务边界

一句话结论

AIIQ 当前模型页给 Gemini 3.8 Flash AI IQ 125、排名 #14/131，并列出 8 个源基准分数；其中学术推理覆盖 5/6、程序推理仅 1/6、可靠性 2/7，而抽象、数学和计算机使用分别是 0/3、0/5、0/6。因此，这个页面支持“在少数公开基准上表现强”的判断，不支持把综合 IQ 或缺失维度的估算当成完整能力实测。

适用场景

• 适合观察的任务：长文档抽取/综合/推理、专家学术问答、多模态图表与图像理解、科学研究代码，以及隔离容器中的终端开发与系统任务。

• 不适合直接推断的任务：浏览器或桌面自动化、完整软件工程仓库修复、通用视觉能力、低延迟体验或生产级可靠性；模型页的 Computer Use 为 0/6，没有该维度的源基准覆盖。

• 适用的模型版本：AIIQ 页面中的 exact 型号 Gemini 3.8 Flash；不要延伸到 Gemini 3.7 Flash、Gemini 3.8 Flash 的其他未标注配置或供应商路由。

• 适用的客户端、Agent 或 API：AIIQ 的模型与基准展示页；页面没有公开 Gemini API 的具体 system prompt、采样参数或完整 Agent harness。

• 推荐参数：AIIQ 未给出可据此复现的 temperature、推理档位、停止条件或重试配置；复测时应自行固定并报告这些变量。

测试环境

• AIIQ 将 6 个维度等权组织为 Abstract、Math、Academic、Programmatic、Computer Use、Reliability；模型页的综合 IQ 是这 6 个维度的展示值。

• AIIQ 方法论称 Artificial Analysis Intelligence Index 是主要聚合来源，提供 HLE、GPQA Diamond、SciCode、Terminal-Bench 2.1、CritPt、MMMU-Pro、AA Omniscience 与 AA Long Context Reasoning 等分数；Terminal-Bench 页面还列出 Vals.ai 作为来源/回退来源。

• 基准页面的成本效率图会展开同一模型的多推理档位配置，但分数条保留每模型一个 canonical row。因此页面中的模型分数不能被解释成一次公开、统一 harness 的单次运行。

• AIIQ 页面同时列出上下文窗口 1,048,576 tokens、输入/输出价格 $0.75/$3.75 每百万 token、约 305 tokens/s 和典型响应时间 15 秒；这些是页面资料或派生指标，不是本文复现测量。

输入/配置

• 模型资料：AIIQ 将 Gemini 3.8 Flash 标为 Google、Proprietary；模型页 FAQ 称公开发布时间为 2026-09-02。

• 综合计算：每个原始分数 s 先按该基准的 IQ 70、85、100、115、130、145、160 期望分数阶梯做分段线性插值 f_b(s)，再对维度内基准取平均，最后对 6 个维度取等权平均：

  $$\mathrm{IQ}=\frac{1}{6}\sum_{d=1}^{6}\mathrm{IQ}_d$$

• 缺失值规则：方法论明确说缺失基准会在 scoring pipeline 内做保守插补；因此 0/6 等 coverage 是“没有源基准覆盖”，不是得分为零，也不是直接测量结果。

• 页面原始资料边界：未见模型专属原始题目、逐题输出、随机种子、完整调用日志、采样配置或独立复跑报告；可复核范围是页面列出的分数、来源标注、任务语义和计算规则。

结果数据

模型页汇总

Gemini 3.8 Flash 的源基准读数

基准页的图表说明大多标注 Data updated Sep 7, 2026；Terminal-Bench 2.1 页标注 Sep 6, 2026。这些日期与模型页采集日不同，不能把动态刷新视为同一批次实验。

结论

1. AIIQ 的 8 个结果显示 Gemini 3.8 Flash 在 HLE、GPQA Diamond、MMMU-Pro、SciCode 与 Terminal-Bench 2.1 等来源行上有可量化读数；其中 Terminal-Bench 的 87.64% 只覆盖 89 个 Docker/shell 任务，不能外推到所有编码工作。

2. 学术 IQ 141 的 coverage 为 5/6，属于相对有数据支撑的维度；综合 IQ 125 仍混合了大量缺失维度的保守插补，不能等同于“六项能力都测过”。

3. 可靠性信号具有明确边界：AA Omniscience 不惩罚拒答，AA Long Context Reasoning 只覆盖 10K–100K token 长文档。它们不能替代生产场景中的事实核验、引用正确率或更长上下文回归。

4. AIIQ 是聚合展示：主要分数来自 Artificial Analysis，Terminal-Bench 还使用 Vals.ai 回退/交叉来源；页面没有提供模型级的原始题目、完整 harness 或独立运行日志。适合做来源索引和任务边界速览，不适合当作 AIIQ 自测或统一竞赛成绩。

局限

• AIIQ 的 Composite IQ、各维度 IQ 和排名是派生指标；基准 raw score 与 IQ 之间的校准阶梯、缺失值插补和等权平均会显著影响最终数字。

• 0/3、0/5、0/6 等 coverage 不是失败分数，但对应维度的页面值仍可能显示出来；引用时必须同时写 coverage，不能只摘 IQ。

• 不同基准的题型、规模、评分和可博弈性不同：GPQA Diamond 是公开四选一题，HLE 是专家题，MMMU-Pro 是多模态题，Terminal-Bench 是可执行 shell 任务，分数不可横向平均成一个“正确率”。

• 页面展示的是第三方已发布/聚合的 source-backed 数据，未公开 Gemini 3.8 Flash 的独立复现实验配置、原始输出或置信区间；AIIQ 的来源标签不等于源平台或 Google 对所有推导值背书。

• 价格、响应时间、吞吐和排行榜会随供应商、缓存、并发和数据刷新变化；页面的 $35.75 effective cost 是派生成本，不应与 $0.75/$3.75 的标价混为一谈。

复现步骤

1. 固定 exact 模型版本、供应商/API 路由、推理档位、temperature、上下文上限、停止条件、重试策略和工具 schema，并将 HLE、GPQA、MMMU-Pro、SciCode、Terminal-Bench 分开记录。

2. 对 HLE、GPQA、MMMU-Pro、SciCode 保存题集版本、模态输入、逐题输出和评分脚本；对 Terminal-Bench 保存 89 个容器任务、命令轨迹、最终状态和 pass@1 判定。

3. 对长上下文任务分别测试 10K、50K、100K 及目标业务长度，记录抽取召回、引用正确率、幻觉率、拒答率和端到端延迟；不要把 AA Long Context Reasoning 的 81 直接当作 1M 上下文保证。

4. 用同一版本的 Artificial Analysis/源平台读数重算原始分数，再按 AIIQ 方法论的分段线性阶梯计算维度与综合 IQ；分别报告 source-backed coverage 与插补项。

5. 对 Computer Use、浏览、桌面和仓库级软件工程建立额外任务集；AIIQ 本页没有这些维度的源覆盖，不能用 124 的 Computer Use IQ 代替实测。

原始证据与数据

• AIIQ Gemini 3.8 Flash 模型页直接列出 IQ 125、#14、1M context、$0.75/$3.75 价格、8 个 benchmark 分数以及 6 个维度的 coverage。

• AIIQ 基准页的任务语义与图表说明分别给出：AA Long Context Reasoning 的长文档抽取/综合/推理、AA Omniscience 的事实可靠性指数、MMMU-Pro 的文字/图表/图片多模态推理、Terminal-Bench 2.1 的 89 个 Docker shell 任务。

• AIIQ 方法论页给出 6 维等权公式、基准 IQ 阶梯的分段线性插值、缺失值保守插补规则，并将 Artificial Analysis Intelligence Index 说明为主要聚合来源。

• AIIQ 基准页的 source labels 显示 Artificial Analysis；Terminal-Bench 2.1 还显示 Vals.ai Terminal-Bench 2.1，故本文将其标为聚合/回退来源，而非 AIIQ 独立重跑。

来源摘录或观察（仅做合规短引）

AIIQ 将模型页描述为 “source-backed benchmark results and derived ranking context”。这句话准确划定了证据边界：页面有源分数，也有由插值与插补产生的排名语境，二者不能混为一次完整模型测评。