跳转到主要内容
严选软件 › 用户故事 › 从被看空到排队道歉:Gemini 4 如何用三个月完成翻身

从被看空到排队道歉:Gemini 4 如何用三个月完成翻身

· 用户故事

一张写着“向 Google 道歉专用表”的纸,最近在社交平台上流传开来。开出这张“罚单”的,是知名半导体和 AI 研究机构 SemiAnalysis——他们把它递给了 Google DeepMind 主席 Demis Hassabis。

表格的理由栏里勾选得相当具体:只看了社交平台上的消息、被在 Anthropic 工作的室友说服、没有阅读模型卡……而最有意思的是最后一行:“Demis,关于 Gemini 4,我们错了。我们只想撤回一个词。”

他们要撤回的那个词,是当初标题里的一个 is。一句“Gemini is cooked”(Gemini 完了),被改成了“Gemini 这回真做出了点东西”。

桌面上的打印文章与道歉表

一份“降到了零”的判断

事情的起点要回到今年 8 月。SemiAnalysis 当时发布了一篇文章,通篇讲的是 Google 自去年 11 月短暂领先之后,再没发布过让人激动的模型,几乎处在掉队状态。

他们的分析指向两个层面:DeepMind 的强化学习团队走了不少人,内部算力又没分配好。由此,报告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”。

不过,报告发出不到两个月,Google 就公布了 Gemini 4 Argon;接着 10 月底发布 Carbon,11 月 12 日推出 Hydrogen,18 日又发布 Neon。短短 8 天时间,接连推出 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。

这些新模型在社交媒体上收获了大量好评。主打 Flash 的 Hydrogen 在写作、复杂软件工作上能快速完成任务;最智能的 Carbon 擅长处理各类长程 Agent 任务;居中的 Neon 则兼顾速度和智能,被视为 Gemini 4 系列中综合能力最强的一款。

类似“Gemini 4 Neon 太疯狂了”“实际上比你想象的还要疯狂”“解决了人们此前对 Gemini 模型的所有不满”的评论,在社交平台上被大量用户点赞同意。

Google DeepMind 研究员 Arthur Douillard 随后透露,他们曾把那篇批评文章打印出来放在桌上,每天提醒自己。他说有些问题当时确实存在,并感谢那篇文章的激励:“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。:)”

SemiAnalysis 转发了这条帖子,并晒出开头那份填好的道歉表。几小时后,Hassabis 转发接梗,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,那份“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。

TPU 再多,也排不完的队

回到今年夏天,唱衰并非毫无理由。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 大会上预告这一时间点,但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。

Demis Hassabis 交出日常运营职责,转任 DeepMind 主席和 Alphabet 首席科学家;与此同时,Gemini 原技术共同负责人 Jeff Dean、Oriol Vinyals,与 Sanjay Ghemawat、Quoc Le 一同离开谷歌,创办了 Discovery Loop。

数据中心服务器机架与芯片

在外界印象里,Google 应该既不缺数据也不缺卡,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;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。

翻身之前,底座已经练了很久

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。

Koray 后来在 9 月初与 11 月 19 日的两场播客访谈中进一步还原了研发机制:在 DeepMind 内部实行多条研发线并行推进,当一组人打磨当前发布版本时,另外两组团队已经在同步开发后续两代模型。因此 10 月看到的 Gemini 4,背后有至少一年的连续研发沿革。

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。

用真实工作流当考题

首先是用内部真实工作流替代静态公开题库。Johnson 透露,Google 内部每天约有 10 万名员工使用编程工具 Antigravity 写代码。每当后训练团队训练出几个候选模型版本,就会在内部发起盲测,让工程师直接用自己手头的真实开发任务去检验、挑选更顺手的版本。

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。

工程师在工位前编写代码

与此同时,团队会果断淘汰“过期题目”。在强化学习中,一旦模型进化到对某道题反复尝试都能稳定拿满分的程度,每次采样得到的奖励信号完全相同,模型就无法从中分辨“哪种做法更好”,这类题目必须撤下,换成更高难度的挑战。

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。

更重要的是,评分系统会把模型的“自我汇报”与它的实际操作日志逐一核对。如果一道难题只完成了一半,模型如实交代进度依然可以获得部分奖励;但如果它连测试都没运行就声称“全部通过”,就会遭到严厉惩罚。

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%。

凭借扎实底座和高强度后训练的推动,Google 从 9 月底到 11 月中旬的短短七周内连续公布了四款 Gemini 4 系列模型。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。

竞争越激烈,用户越受益

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。

Related

相关文章