

他们从自己当初的标题里划掉了一个 is:Gemini is cooked。一句「Gemini 完了」,变成了「Gemini 这回真做出了点东西」。

当时他们分析 DeepMind 的强化学习团队走了不少人,内部的算力又没分配好,对 Google 下了一个相当重的判断:照这样下去,Google 当然还会继续发模型,但再一次达到行业最高水平的概率,已经「降到了零」。
报告发出不到两个月,谷歌就公布了 Gemini 4 Argon,接着 10 月底发布 Carbon、11 月 12 号推出 Hydrogen,18 号发布 Neon,短短 8 天的时间,接连推出了 3 款模型,其中 Carbon 的表现当时还来到了 Artificial Analysis 的综合能力榜首。

这些新发布的模型在社交媒体上备受好评,主打 Flash 的 Hydrogen 在写作、复杂的软件工作的能快速完成任务;而最智能的模型 Carbon 则擅长处理各类长程 Agent 任务;两者中间的 Neon 则兼顾了速度和智能,可以说是 Gemini 4 系列中综合能力最强的一款模型。
类似「Gemini 4 Neon 太疯狂了」、「Gemini 4 Neon 实际上比你想象的还要疯狂」、「Gemini 4 Neon 解决了人们此前对 Gemini 模型的所有不满」的评论在 X 上被大量的用户点赞同意。

我要感谢 @SemiAnalysis_ 提供的动力。在 Gemini RL 扩展团队,我们把那篇文章打印出来,放在桌上,每天提醒自己当时的实际情况。但时代在变。: )

几小时后,Hassabis 转发这个帖子接梗表示「接受道歉」,同时打趣说对方漏勾了「低估了 Google DeepMind 这群高手」这一项。
其实早在机构官号发梗图的两周多前,「8 月看空报告」的共同作者 Dylan Patel 就已在 Gemini 4 Carbon 的评测发布后,以个人名义向 Google 公开致歉。

Google 这么多 TPU,怎么也不够用
回到今年夏天,对 Gemini 的唱衰并不是毫无理由。一边是原定 6 月推出的 Gemini 3.5 Pro 迟迟没有上线, Google CEO 桑达尔 · 皮查伊曾在 5 月的 I/O 大会上预告 Gemini 3.5 Pro 计划于 6 月推出,但该模型最终未能如期发布。
受限于算力约束,加上多位项目负责人之间存在意见分歧,编程等后来显得至关重要的方向在当时获得的资源偏少。此后接掌研发的 Koray Kavukcuoglu 也解释称,团队在那一阶段把更多注意力放在了迭代较快的 Flash 模型上。

在内部资源博弈与外界质疑声中,Google 于 8 月 5 日宣布对 DeepMind 进行重大组织调整:原 DeepMind CTO、Google 首席 AI 架构师 Koray Kavukcuoglu 出任 DeepMind 高级副总裁,直接向皮查伊汇报,全面负责 Gemini 模型开发、前沿研究以及 Gemini 应用和开发者团队。

曾经在多数人的印象里,Google 应该是又不缺数据,又不缺卡,怎么会做不成大模型。但即便 Google 有自己的 AI 芯片 TPU,可训练下一代 Gemini 要用,给眼前的用户生成答案要用,Google Cloud 的客户也在排队。

对集团而言,芯片卖出去了是好生意;对研究员而言,排不上的实验就是做不了。
这次的调整也让整个团队更清楚模型该练什么,做出来怎样交给用户;根据外媒报道,谷歌云高管也希望 Koray 接掌 DeepMind 后,能缓和内部在 TPU 供应分配上的紧张关系。
Gemini 4 的翻身,准备了多久
如果把 Gemini 4 几款模型爆发并广受好评的功劳,都算在 8 月的人事调整和算力安排上,显然低估了大模型研发的长周期规律。
公开记录显示,早在 8 月 5 日组织调整和 8 月 7 日看空报告发布之前,Gemini 4 的底座工程就已经在进行中。在 2026 年 7 月 22 日的 Alphabet 二季度财报电话会上,皮查伊明确透露,Gemini 4 已经启动了「Google 迄今最有野心的预训练」。
他在回答分析师提问时进一步表示,管理层已将大量算力和精力集中投入到 Gemini 4 上,目标是依托这一代基础模型加快后续迭代速度,将发布节奏推进到接近每月一版本。

如果说大规模预训练与多线并行提供了底座,那让 Gemini 4 能在编程与智能体执行上取得明显突破的,是一套真实工程场景的后训练体系。
2026 年 11 月 12 日,时任 Gemini 后训练负责人的 Melvin Johnson 在 AI Engineer CODE 大会上,以 SemiAnalysis 的批评文章开场,详细披露了 Google 内部的训练方法。

模型在跨文件修改中哪一步卡住、哪一次改坏了既有逻辑,这些真实的「失手现场」会被立刻回收,转化为下一轮训练题与评分细则。

其次是重新定义什么叫「做完了」,并重点关注智能体的诚实度。
在传统代码评测中,只要跑通单元测试就能拿分;但在 Gemini 4 的后训练评分里,团队不仅看功能是否实现,还会考察边界条件处理、代码质量、改动范围是否克制以及后续可维护性。

Johnson 也提到之前在 Google 内部一项高难度工程评测中,基线模型的编造率为 8%,Hydrogen 约为 3%,Carbon 约为 1.5%。

其中 Hydrogen 和 Neon 都是从 Carbon 适配出来的,Carbon 瞄准需要长时间推理的难题,Hydrogen 追求日常任务的执行速度,Neon 则兼顾推理深度和效率。

回过头看,SemiAnalysis 当时指出的很多问题确实存在,DeepMind 的研究员也没有否认。只是三个月后的结果证明,外界还是低估了 Google 多年积累的研发能力,以及它把这些能力集中投入到一代模型上的速度。
眼下的 Gemini 4,又成了其他模型必须认真面对的竞争对手。Google 不仅把编程、Agent 等能力重新推到了第一梯队,也开始在真实的用户使用和产品体验上,追上 Codex、Claude 这些 Agent。

对于我们来说,这当然是个好消息。御三家争得越厉害,厂商们也愿意投入算力、争夺用户,我们就有机会用上更便宜、更可靠、更容易访问的 AI(哈基米你可别学另外两家)。