谷歌凌晨发了新模型，Gemini 3.8 Flash。早上起来，订阅号里已经全是它的实测。一篇说性价比杀器，一篇说惨遭嘲讽，一篇说圣质如初。

同一个模型，同一个早上，结论互相打架。

我前几个月还会点开看看，这两个月基本划走。博主们其实挺努力的，可这事在结构上就测不出来。一个万亿参数的模型，发布48小时，一个人凭什么说它好不好。

谷歌离上一代只隔了20天，六周里第三款，皮查伊跟股东承诺，节奏要快到每月一款。你上个版本还没捂热，评测结论还没吵完，下一款已经来了。

同一个提示词，有人测出3.8全城只有6棵树，有人测出它0.12美元干完四个场景，又快又便宜。模型是同一个，结论是反的，差别全在测试者选的那道题上。

后来我扒了一下，这场狂欢的开幕，比媒体的稿子早好几天。华尔街日报发布前一天就放风，谷歌内部测试，工程师更偏好3.8胜过Anthropic的Opus。

没有任务集，没有测试方法，就一句结论。报道当天，Alphabet盘后涨了0.6%。

发布还没开始，测试已经跑在传播线上了。你要的「实测」，是人家端上来的菜。

稿子也齐得很。零点刚过，第一篇实测上线，早上八点半，五家头部媒体全部交卷。发布日流量窗口就48小时，吃这碗饭的，吃的是窗口饭。连正经机构都在发布日交卷，因为只有那天的分数，才有人转发。

真正的验证其实没缺席，只是全不在发布日。

一头关起门来，厂商和政府包圆了，管的是安不安全。一头姗姗来迟，GPT-5 发布那天全网唱衰，三个月后大家才发现，它是做 agent 编程的一把好手。

翻案要三个月，发布只要20天。等你有结论，下一场狂欢已经开场。

与其人测它，不如它测人。你刷到的每一条实测，都是一次测量，测的是你的注意力值多少钱。

下次有人拿发布日实测跟你安利，就回他一句，你真能测出一个万亿参数的大模型好不好用吗？难道不该先用几天再说？