热点新闻
2025年，谷歌DeepMind团队发布的Gemini 3 Flash模型在多项基准测试中反超旗舰版Gemini 3 Pro，引发AI行业对"参数迷信"的重新思考。根据谷歌官方披露的评测数据（来源：https://36kr.com/p/3606534975423749），在衡量软件工程能力的SWE-Bench Verified测试中，Flash获得78%的分数，超越Pro版的76.2%。在AIME 2025数学竞赛中，Flash结合代码执行能力得分高达99.7%，近乎满分。即使在难度极高的Humanity's Last Exam测试中，Flash在不使用工具的情况下获得33.7%的分数，与Pro版的37.5%处于同一梯队。
更值得关注的是，Flash在推理速度上是前代2.5 Pro的3倍，Token消耗量减少30%，价格更具竞争力（输入端0.50美元/百万Token，输出端3美元/百万Token）。谷歌团队负责人Oriol Vinyals表示，这种"倒反天罡"的现象并非研发事故，而是顶层设计的关键环节——Pro模型的主要作用是"蒸馏Flash"，通过不计成本探索智能上限，再由Flash继承能力并优化成本与速度。
技术层面，Google DeepMind研究员Ankesh Anand指出，Flash的成功得益于强化学习技术（Agentic RL）的应用，证明后训练算法比单纯堆砌参数更能提升模型能力。这一突破标志着AI发展从预训练算力堆叠转向推理侧扩展的新阶段，打破了长期以来的"帕累托前沿"定律。
焦点分析
从焦点解决短期治疗（SFBT）的视角审视Gemini Flash反超Pro事件，我们可以发现其中蕴含的"例外询问"技术应用。SFBT中的例外询问指寻找问题未发生或程度较轻的特殊时刻，挖掘既有的成功经验与资源。谷歌团队没有陷入"参数规模越大越好"的问题框架，而是主动发现"小模型在某些场景表现更优"的例外现象，并通过强化学习技术放大这种优势。
这一技术应用呈现三个典型特征：首先，它聚焦解决方案而非问题分析——团队不纠结于大模型的固有缺陷，而是积极探索小模型的潜在优势；其次，采用目标导向思维——以提高实际应用性能为核心目标，而非盲目追求参数指标；最后，重视资源利用——充分利用已有的强化学习技术资源实现突破。
SFBT的例外询问技术在此事件中的应用范畴超出预期，不仅解决了模型性能优化问题，更重塑了行业认知框架。这种思维模式可迁移解决五类类似问题：其一，技术创新中的路径依赖困境，如电动汽车与氢能源的技术路线选择；其二，教育资源分配中的"重点学校迷信"，发现普通学校的特色教学优势；其三，医疗健康领域的"新药偏好"，挖掘传统药物的新治疗潜力；其四，企业管理中的"经验迷信"，识别年轻员工的创新价值；其五，社会政策制定中的"成功模式复制"，寻找适合本地条件的特色发展路径。
谷歌团队的实践表明，当行业普遍陷入"规模越大越好"的问题框架时，通过例外询问技术主动寻找反例并放大其价值，往往能开辟新的发展路径。这种思维模式不否定Scaling Law的价值，但拒绝将其绝对化，而是在尊重规律的基础上发现新的可能性。正如SFBT所强调的：解决方案往往隐藏在那些被忽视的例外时刻中。
未来AI发展可进一步应用SFBT的其他技术，如 scaling question（量尺问句）来量化模型优化进度，miracle question（奇迹问句）设想理想AI系统的模样，以及coping question（应对问句）探索现有技术条件下的最优解决方案。这种解决导向的思维模式将为技术创新提供新的方法论支持，推动行业从参数竞赛转向价值创造的新阶段。