半导体与AI研究机构SemiAnalysis在社交平台X上发布了一份写给Google DeepMind主席Demis Hassabis的「道歉表」,正式撤回其今年8月对Google大模型前景的悲观判断。这份表格以半开玩笑的方式列出多个「认错理由」,包括「只看了X上的消息」「被在Anthropic工作的室友说服」「没有阅读模型卡」等,最后一行则写道:关于Gemini 4,他们错了,只想从当初的标题里撤回一个词——把「Gemini is cooked」(Gemini完了)改成「Gemini这回真做出了点东西」。

事件的起点是今年8月SemiAnalysis发布的一篇看空报告。该文认为,Google自去年11月短暂领先之后,再未发布令人兴奋的模型,已处于掉队状态。报告分析称,DeepMind强化学习团队流失不少人,内部算力分配也不理想,并给出相当重的判断:Google当然还会继续发布模型,但再一次达到行业最高水平的概率已经「降到了零」。

然而报告发出后不到两个月,Google便公布了Gemini 4 Argon,随后在10月底发布Carbon、11月12日推出Hydrogen、18日发布Neon,短短8天内接连推出三款模型。其中Carbon的表现一度登上Artificial Analysis综合能力榜首。这些模型在社交媒体上收获大量好评:主打Flash的Hydrogen在写作和复杂软件任务上能快速完成,最智能的Carbon擅长处理各类长程Agent任务,而介于两者之间的Neon兼顾速度与智能,被认为是Gemini 4系列中综合能力最强的一款。X上大量用户点赞了「Gemini 4 Neon太疯狂了」「解决了此前对Gemini模型的所有不满」等评论。

11月,Google DeepMind研究员Arthur Douillard在X上透露,团队曾把那篇批评文章打印出来放在桌上,每天提醒自己当时的问题确实存在,并感谢SemiAnalysis的「激励」。SemiAnalysis随后转发该帖并晒出这份道歉表,几小时后Hassabis转发接梗,表示「接受道歉」,同时打趣对方漏勾了「低估了Google DeepMind这群高手」这一项。实际上,在机构官号发梗图两周多前,8月看空报告的共同作者Dylan Patel就已在Gemini 4 Carbon评测发布后,以个人名义向Google公开致歉。

从被公开唱衰到连续发布四款模型并重返榜单前列,Google内部经历了怎样的调整?回溯今年夏天,唱衰并非毫无来由:原定6月推出的Gemini 3.5 Pro迟迟未上线,Google CEO桑达尔·皮查伊曾在5月的I/O大会上预告该模型6月推出,但最终未能如期发布。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。

外界常以为Google既不缺数据也不缺芯片,做不成大模型难以理解。但即便拥有自研AI芯片TPU,训练下一代Gemini要用,给眼前用户生成答案要用,Google Cloud的客户也在排队。对集团而言,芯片卖出去是好生意;对研究员而言,排不上的实验就是做不了。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。

不过,若把Gemini 4的爆发全部归功于8月的人事调整和算力安排,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」,管理层已将大量算力和精力集中投入,目标是依托这一代基础模型加快迭代,将发布节奏推进到接近每月一版。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: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,那么让Gemini 4在编程与智能体执行上取得明显突破的,是一套基于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。首先是用内部真实工作流替代静态公开题库:Google内部每天约有10万名员工使用编程工具Antigravity写代码,后训练团队每训练出几个候选模型版本,就会在内部发起盲测,让工程师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。与此同时,团队会果断淘汰「过期题目」——在强化学习中,一旦模型对某道题反复尝试都能稳定拿满分,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,团队重新定义了什么叫「做完了」,并重点关注智能体的诚实度。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提到,此前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,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。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赶Codex、Claude等Agent产品。对用户而言,主要厂商竞争越激烈,越有机会用上更便宜、更可靠、更容易访问的AI。