Google 正在低调测试其 Gemini 系列的一次全新内部迭代——外界分别称其为**“Gemini 3.5”，以及颇为耐人寻味的内部代号“Snow Bunny”。代号为“Snow Bunny”**的这一内部检查点据称已打破现有基准测试记录，展现出前所未有的能力：在单次提示下即可生成完整的软件应用——多达 3,000 行的可运行代码。
当硅谷忙于核实相关数据之际，早期报告显示，Google 在“System 2”推理方面取得突破，使 Gemini 3.5 能够暂停、思考，并以超越当前领跑者（如 GPT-5.2 与 Claude Opus 4.5）的熟练度来设计复杂系统。
什么是 Gemini 3.5 “Snow Bunny”？
Gemini 3.5 在内部被称为“Snow Bunny”，看起来是 Google 对 2025 年末模型推理能力停滞现象的直接回应。不同于前代着重于多模态理解与上下文窗口大小，Gemini 3.5 代表了一种范式转移，面向延展的认知视野与自主软件架构。
“Snow Bunny” 架构
“Snow Bunny”这一称谓据称指代一个正在 Google Vertex AI 与 AI Studio 平台进行 A/B 测试的高性能检查点。泄露信息表明，这不仅仅是一次“Pro”或“Ultra”的刷新，而是一次在架构层面的根本升级，集成了**“Deep Think”**能力。
专用模型变体
泄露信息显示，“Snow Bunny”可能是一组专用模型家族，而非单一巨型模型。泄露文档中识别出两个具体变体：
- **Fierce Falcon：**面向原始计算速度与逻辑推导优化，可能瞄准竞赛编程与快速数据分析。
- **Ghost Falcon：**专为“vibe coding”而生的创意强者，能以高保真处理 UI/UX 设计、SVG 生成、音频合成与视觉特效。
System 2 推理：“Deep Think” 模式
Gemini 3.5 的决定性特征据称是其**“System 2”**推理引擎。受人类认知心理学启发，该系统允许模型在应对复杂问题前“暂停”。模型并非立刻预测下一个 token，而是进入隐式的思维链过程，为代码或逻辑难题评估多条执行路径。据称，这一“Deep Think”开关已将其基准分数推向未知高地。
谁爆出了这条消息？
Gemini 3.5 的存在通过 2026 年 1 月下旬 X（前身为 Twitter）与技术博客上的一系列协同泄露被曝光。
- **主要来源：**来自科技博主与内部人士 Pankaj Kumar 的首波重磅爆料，他分享了“Snow Bunny”模型的截图与日志。他的帖子详述了该模型“一击式”（“one-shot”）解决复杂工程任务的能力。
- **基准验证：**维护 Hieroglyph 横向推理基准的用户“Leo”证实了这些泄露。他发布的结果显示，“Snow Bunny”变体在横向思维任务上取得了 80%-88% 的成功率——而大多数模型（包括 GPT-5.2）很难突破 55%。
- **技术层面确认：**Google API 服务后端代码中出现“gemini-for-google-3.5”变量的进一步证据，暗示面向公众发布的基础设施已就位。
3.5 与 3.0 / 3 Flash 的区别是什么？
据泄露报道，主要差异在于：
- **大规模、系统级代码合成：**能够在数千行范围内维持全局状态与架构（一体化生成，而非仅限于孤立函数）。
- **统一的多模态工件生成：**同一会话在一个连贯的工作流中生成代码、矢量图形与原生音频。
- **细粒度推理控制：**实验性开关（如“Deep Think”/“System2”），以延迟换取更深入的类思维链式内部搜索。
这些听起来更像是工程层面的迭代进步，而非完全不同的架构；但若能在规模上得到验证，将改变团队原型设计与交付产品工件的方式。
功能与性能如何对比？
泄露的指标描绘出一个比同代产品更强大且更快速的模型图景。
3,000 行编码奇迹
最为病毒式传播的说法是，Gemini 3.5 能够仅通过一次高层提示生成3,000 行可执行代码。被点名的示例是用户要求模型构建一个Nintendo Game Boy 模拟器。
在使用 GPT-4 或 Gemini 1.5 的标准流程中，这个任务通常需要几十次提示：拆解 CPU 架构、定义内存映射、处理图形渲染并进行迭代调试。据称，Gemini 3.5 “Snow Bunny”一次性输出了完整代码库——包括 CPU 指令集、GPU 仿真与内存处理——仅需少量手动修复即可启动真实 ROM。
性能基准：Gemini 3.5 vs GPT-5.2 vs Claude Opus 4.5
| Benchmark | Gemini 3.5 "Snow Bunny" | GPT-5.2 (Est.) | Claude Opus 4.5 |
|---|---|---|---|
| Hieroglyph (Lateral Reasoning) | 80% - 88% | 55% | ~50% |
| GPQA Diamond (PhD Science) | >90% | ~85% | ~80% |
| Token Generation Speed | ~218 tokens/sec | ~80 tokens/sec | ~60 tokens/sec |
~218 tokens/sec 的速度对竞争对手而言尤其“警觉”。
对于一个具备如此推理深度的模型而言，却能以如此高的速度运行，这意味着 Google 的 TPU v6 基础设施实现了大幅优化，或在稀疏模型架构上取得了突破。
代码示例：“一击式（One-Shot）”能力
为了说明“3,000 行代码”的复杂性，须认识到模型并非只是在写一个简单脚本，它在构建一个系统。
下面是 Gemini 3.5 可能在一次生成中构建的 Memory Management Unit (MMU)（内存管理单元）的概念性片段。
注：以下是“Snow Bunny”可自主生成的这类低层逻辑的代表性摘录。
python
class GameBoyMMU:
def __init__(self, bios_path):
self.bios = self.load_bios(bios_path)
self.rom = bytearray(0x8000) # 32k 卡带
self.vram = bytearray(0x2000) # 8k 视频 RAM
self.wram = bytearray(0x2000) # 8k 工作 RAM
self.zram = bytearray(0x80) # 零页 RAM
self.in_bios = True
def load_bios(self, path):
try:
with open(path, 'rb') as f:
return bytearray(f.read())
except FileNotFoundError:
return bytearray(256)
def read_byte(self, address):
# BIOS 映射
if self.in_bios and address < 0x0100:
return self.bios[address]
elif address == 0x0100:
self.in_bios = False
# 内存映射路由
if 0x0000 <= address < 0x8000:
return self.rom[address]
elif 0x8000 <= address < 0xA000:
return self.vram[address - 0x8000]
elif 0xC000 <= address < 0xE000:
return self.wram[address - 0xC000]
elif 0xFF80 <= address < 0xFFFF:
return self.zram[address - 0xFF80]
# ...（I/O 寄存器、中断、Echo RAM 的扩展处理）
return 0xFF
def write_byte(self, address, value):
# VRAM 写入（如有必要在渲染模式期间阻塞）
if 0x8000 <= address < 0xA000:
self.vram[address - 0x8000] = value
# DMA 传输触发
elif address == 0xFF46:
self.dma_transfer(value)
# ...（用于内存银行切换、计时器控制、音频寄存器的复杂逻辑）
def dma_transfer(self, source_high):
# 直接内存访问实现，模拟 160ms 周期
source_addr = source_high << 8
for i in range(0xA0):
byte = self.read_byte(source_addr + i)
self.write_byte(0xFE00 + i, byte) # 写入 OAM
在一个典型交互中，用户只需提示：“在 Python 中创建一个能够处理 BIOS 加载、内存映射和基本 CPU 操作码的、功能完备的 Game Boy 模拟器。”随后，Gemini 3.5 会生成上述类，以及 CPU 类、PPU（Pixel Processing Unit，像素处理单元）与主执行循环，并在数千行范围内保持一致性。
何时发布？
尽管 Google 尚未正式确认发布日期，但各类泄露信息的汇合表明，发布在即。
- 时间线：内部测试变量与“Snow Bunny”检查点似乎处于验证的后期阶段。坊间猜测可能会在2026 年 2 月进行“shadow drop”或重大发布，意在抢在竞争对手之前。
- 当前状态：该模型目前处于私有测试版，仅通过 Vertex AI 向少数受信任的测试者与企业合作伙伴开放。
定价与成本细节是什么？
定价仍是 Gemini 策略中最具进攻性的一环。有传言称，Google 计划凭借软硬件（TPU）垂直整合以显著压低市场价。
- Gemini 3.5 Flash：泄露价格约为每 100 万输入 token 0.50 美元。这比同档“智能”模型低约 70%。
- **Gemini 3.5 Pro/Ultra：**预计价格将具备竞争力，可能为“Deep Think”能力引入分层订阅模式。
- **Deep Think 附加费：**据称由于模型在生成答案前需要更多计算时间进行“思考”，“System 2”推理模式可能会按 token 收取更高费用。
结论
如果“Snow Bunny”的泄露属实，Google Gemini 3.5 并非一次小幅更新；它是在强势宣示主导地位。通过解决“懒惰编码”问题并实现大规模、连贯的代码生成，Google 或将把开发者从代码书写者转变为系统架构师。随着官方发布临近，有一点很明确：AI 军备竞赛正加速至高超音速。
开发者可通过 Gemini 3 Flash 与 Gemini 3 Pro CometAPI 获取访问权限，以上为文章发表时列出的最新模型。开始之前，请在 Playground 探索模型能力，并查阅 API 指南 获取详细说明。访问前，请务必登录 CometAPI 并获取 API 密钥。CometAPI 提供远低于官方的价格，助你快速集成。
准备好开始了吗？→ 立即注册 Gemini 3！