四位掌權者，四種命運：美國四大AI巨頭全景
美國四大AI巨頭之間的競爭態勢持續升溫，各自掌權者正帶領公司走向截然不同的命運。在這場技術與商業模式的雙重競賽中，Google於8月13日正式推出全新Gemini 3.7 Flash模型，將主力鎖定在編碼場景與商業自動化領域，明顯瞄準企業級應用需求。此舉不僅是單純的模型更新，更揭示出Google從模型訓練到平台整合、訂閱服務的一體化布局策略。這次發表的Gemini 3.7 Flash模型在輸入價格上祭出極具競爭力的低價方案，意圖透過更低的成本門檻，吸引開發者與企業大量導入。
相較於市面上其他大型語言模型，Google刻意壓低API調用費用，相當於直接向競爭對手宣戰，要在企業級AI應用市場搶占更大份額。業界分析指出，這種定價策略既能降低試錯成本，也能加速自動化流程與程式開發等場景的落地，讓中小型企業也能負擔得起先進AI能力。除了價格優勢，Google也同步將Gemini 3.7 Flash整合進既有訂閱體系。該模型已進駐Gemini Spark訂閱服務，並同時向Google AI Pro與Ultra用戶開放。開發者則可透過Google AI Studio以及新上線的agentic開發平台Antigravity直接取用。
這意味著，Google不再只是提供一個API接口，而是把模型快速融入原有的訂閱方案與開發工具鏈，提供更完整的AI應用途徑。對於企業用戶而言，從模型選擇到部署環境的門檻都大幅降低。值得注意的是，Antigravity這個新平台的名稱本身就帶有「反重力」的隱喻，暗示Google希望讓開發者擺脫傳統AI開發的束縛，以更輕量、更靈活的方式建構自動化代理（agent）應用。結合Gemini 3.7 Flash在編碼與商業流程自動化上的優化，Google顯然在押注一個以「開發者體驗」與「企業效率」為核心的未來。
從更大的格局來看，美國四大AI巨頭——Google、微軟、Meta與亞馬遜（或OpenAI，依不同分類方式）——正面臨截然不同的發展軌跡。微軟憑藉與OpenAI的深度合作，在消費者與企業市場雙雙取得先機；Meta則以開源模型Llama系列殺出一條血路，吸引大量社群開發者；亞馬遜透過AWS雲端平台持續布局，並推出自家模型Titan；而Google則選擇以「高性價比」與「開發場景」作為突破口，試圖在既有的技術實力基礎上，重新奪回話語權。Google這次的動作，顯然不是單純的版本迭代。Gemini 3.
7 Flash的定位非常明確：它不追求在所有任務上超越最強模型，而是在特定場景（編碼、自動化）中提供足夠好的表現，同時以極低的價格讓大規模部署成為可能。這種策略與過去Google在雲端服務上的「規模化降本」思維如出一轍，也反映出AI市場正從「誰的模型最強」轉向「誰能讓企業用得起的」新階段。隨著各家業者持續端出新一代技術，由掌權者們主導的AI競賽顯然還會迎來更多變數。Google能否靠Gemini 3.7 Flash這步棋在企業級市場站穩腳跟，將取決於後續的生態系統建設與客戶實際採用情況。
但可以肯定的是，這場豪賭已經讓整個產業的價格戰與場景爭奪戰進入白熱化，而最終受益的，將是那些能夠靈活運用AI技術的開發者與企業。
Related
相關文章
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億；阿里加碼AI硬件品牌，天貓、速賣通聯動；國行版蘋果AI有望12月上線，百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障！DeepSeek發放宕機補償，有人拿到3000元3.阿里加碼AI硬件品牌，天貓、速賣通聯動4.國行版蘋果AI有望12月上線，百度、阿里參與合作5.可靈AI新一代模型Kling 4.