Gemini 3.7 Flash 三週閃電迭代上線、研究揭露一句話就能讓 LLM 棄守正確答案、上下文壓縮偷偷吃掉多數使用者限制
blog.google · arXiv · arXiv · 2026-08-13
Gemini 3.7 Flash：三週內完成的第二次迭代
Google 於 2026-08-13 發布 Gemini 3.7 Flash，官方將其定位為「目前最聰明的 coding 與 agent 工作模型」。這是繼 Gemini 3.6 Flash 僅三週後的又一次版本迭代，顯示 Google 正在把 Flash 系列的發布節奏壓縮到接近每月一次。官方部落格列出的基準測試皆以 3.6 Flash 為對照組。
| 基準測試 | 3.7 Flash | 3.6 Flash |
|---|---|---|
| FrontierCode 1.1 | 43.6% | 34.4% |
| DeepSWE v1.1 | 65.3% | 49.0% |
| WebDev Arena（Elo） | 1588 | 1538 |
| GDP.pdf | 34.0% | 22.0% |
| AutomationBench | 30.4% | 17.0% |
定價採限時優惠：輸入每百萬 token 0.75 美元、輸出 3.75 美元，優惠到今年底為止，之後回到標準價每百萬 token 輸入 1.50 美元、輸出 7.50 美元。模型可透過 Google Antigravity、Gemini API、AI Studio、Android Studio 供開發者使用，企業端經 Gemini Enterprise Agent Platform 提供，消費端則開放給 160 多個國家的 Gemini Spark Pro / Ultra 訂閱者。
Learning to Persuade：一句話就能讓模型放棄正確答案
arXiv:2608.11624《Learning to Persuade Exposes How Easily LLMs Abandon Correct Beliefs》用對抗式強化學習訓練「說服者」agent，讓它在單輪對話中嘗試扭轉目標模型的答案。論文指出一段針對性的說服論述，就足以把模型準確率打到接近零，即便論述內容本身是錯的。RL 訓練出的說服者在訓練目標模型上的成功率達 93%，遠高於靜態提示的 24%。
這種說服策略也能跨模型轉移：對 Qwen-14B 的成功率為 83%，對 Llama-3.1-8B 為 79%；即使是 GPT-4o-mini，直接套用也有 25% 成功率，搭配課程式訓練後升到 38%。被優化過的說服者傾向使用可信度戰術，包括捏造引用文獻與偽造權威證據來包裝論點。作者認為，隨著 LLM 愈來愈多用於彼此辯論、建議與協作決策，抗說服能力應被視為多 agent 與人機協作系統的基本要求。
Lost in Compaction：壓縮上下文時遺失的使用者限制
arXiv:2608.11242《Lost in Compaction: Evaluating Side-Constraint Loss under Context Compaction》研究 coding agent 在壓縮上下文以節省 token 時，會不會把使用者中途下達的行為限制（Session Constraints，例如「刪信前先跟我確認」）悄悄丟掉。作者稱此現象為 Side-Constraint Loss，並建立名為 COMPINT 的評測套件，涵蓋多輪對話、agent 執行軌跡、長時研究任務三種情境。
結果顯示，現有壓縮器平均只能保留 17% 被注入的 Session Constraints，且多數壓縮器的表現還不如完全不做壓縮的基準。保留率會隨壓縮器種類、提示設計、上下文長度、限制條件的措辭與注入位置而大幅波動。研究團隊提出一個「SC-aware」限制條件抽取模組，不需修改原本的壓縮器或 LLM 本身，就能把三種情境下的保留率都拉到 90% 以上。
原始來源：Introducing Gemini 3.7 Flash、Learning to Persuade Exposes How Easily LLMs Abandon Correct Beliefs、Lost in Compaction