Google Gemini Auto 取代免费模型选择，但新增思考等级

Google 已将免费 Gemini 用户切换至 Google Gemini Auto，取消直接选择模型的功能，改由系统决定何时应为提示词投入更多推理。

这项变化带来了一种不寻常的取舍。免费用户失去了可见的技术选择，但 Gemini 仍可将符合条件的提示词路由至快速度模型以外的模型。与此同时，Google 正以更清晰的低、中、高思考等级，取代此前的 Extended 设置，供订阅用户使用。

这不只是菜单的重新设计。Google 正在拆分 AI 产品过去通常捆绑在一起的两项决策：由哪个模型处理请求，以及该模型应投入多少推理资源。

这一做法也让 Google 走上了 ChatGPT 和 Claude 已显现的发展路径。面向消费者的 AI 应用正越来越多地隐藏模型架构，转而提供基于速度、深度及预期任务难度的简化控制选项。

Google Gemini Auto 接管免费体验

免费 Gemini 用户现在只需选择任务，模型则由 Google 决定。

在 9to5Google 于 10 月 9 日测试的大多数免费账户中，这项调整已经可见。根据其 Gemini Auto report，未订阅 AI 套餐的账户不再能在主选择器中看到单独的模型。

取而代之的是，选择器显示 Auto，并将可用系统笼统标识为 Gemini 3 模型。这个标签描述的是一层路由机制，而非某个固定模型。

Google 的支持文档称，自动选择会将每条提示词发送至被认为最具效率的模型和思考等级。该决策旨在平衡回答质量、延迟和用户可用的使用额度。

大多数提示词将被发送至 Flash-Lite，Google 将其定位为适合日常工作的快速、高效模型。看起来需要更深入推理的提示词，则可能被路由至 Flash 或 Pro。

这一差别很重要，因为 Auto 并不只是一个改名后的 Flash-Lite 按钮。可见界面变得更简单，但不同请求的处理路径可能不同。

改写一句话的请求可能仍由 Flash-Lite 处理。要求更高的编程、数学或分析类提示词，则可能获得能力更强的模型。路由系统会自行作出选择，无需用户了解 Google 的模型阵容。

用户可在回答生成后查看使用了哪个模型。Google 的 model selection guide 称，这项信息会显示在思考步骤视图的底部。

这一披露提供了一定透明度，但发生在路由决策之后。用户无法先选择偏好的模型，再在相同条件下将其结果与另一模型进行比较。

文档还提到，Gemini 的使用设置中设有 Auto 开关。对于未订阅 AI 套餐的账户，如果关闭智能选择，所有对话都将使用 Flash-Lite 生成回答。

这为免费用户提供了两条路径：

• Auto 可以在符合条件的 Gemini 模型和思考等级之间路由提示词。

• 关闭 Auto 后，回答将始终使用 Flash-Lite。

第二种选择带来可预测性，但并不提供对 Flash 或 Pro 的手动访问权限。因此，免费用户实际上是在自动升级处理与固定高效模型之间做选择，而非从 Google 的完整模型阵容中自由挑选。

Google AI 订阅用户仍保有更广泛的手动控制权。他们可以选择可用模型，再为该对话选择受支持的思考等级。

这一实际差异很容易在重新设计的界面中被忽略。免费用户仍可能获得更强的处理能力，但何时启用由 Google 决定。订阅用户则对模型及其投入的推理量拥有更大的控制权。

这正是 Google Gemini Auto 背后的核心张力。该公司并非只是移除了模型，而是以一套资源分配系统取代直接选择：只有当路由器认为额外计算成本值得时，才投入稀缺的计算资源。

Google 为何将模型与思考投入分离

模型身份和推理深度正成为彼此独立的产品控制项。

模型决定处理请求时使用的底层系统。思考等级则告诉该系统，在生成答案前应投入多少计算资源。

两者存在重叠，但并不相同。更快的模型仍可能花更长时间推理，而能力更强的模型也可以以相对较低的投入作答。

Google 的新界面体现了这种区别。对符合条件的订阅用户而言，低等级优先提供快速、高效的回答；中等级在深度与速度之间取得平衡；高等级则要求所选模型进行更充分的处理。

这些等级取代了此前的 Extended 选项。Google 不再将更长时间的推理视为二元开关，而是将投入呈现为分级设置。

这种结构类似于 Google AI Studio 和 Antigravity 已提供的控制项。将其纳入面向消费者的 Gemini 应用后，普通用户可以使用开发者过去借此管理延迟与推理行为的简化版本。

Google 此前已围绕可调节推理构建模型，也就是在收到提示词后执行的计算。其早期的思考控制项允许用户调整模型在回答前投入的处理量。

新设计让这一概念更易理解。用户无需考虑 token 预算或其他面向开发者的设置，只需在三个与常见优先事项相关的描述之间选择。

低等级适合快速提问、基础改写、摘要和轻量级头脑风暴。中等级适合需要一定分析、但等待最高深度意义不大的请求。高等级则面向复杂规划、困难代码、数学问题或多步骤文档分析。

这些标签仍描述的是意图，而非服务保证。高等级并不承诺答案正确，低等级也不意味着回答完全没有推理过程。

所选等级同样会影响使用量。Google 警告称，更先进的模型和更高的思考设置会消耗更多用户额度。这种关系使推理深度成为一项经济决策，即使界面并未展示其底层计算成本。

Google 当前的 Gemini limits page 以相对额度而非固定的每日提示词数量来说明访问权限。该页面还称，限制可能会随测试、可用性和容量而变化。

未订阅 AI 套餐的用户获得标准额度。Google AI Plus 可获得标准额度的两倍，Google AI Pro 可获得四倍标准额度。Google AI Ultra 则可获得更高的倍数，具体取决于订阅方案。

这些数字无法直接换算为保证可提问的次数。使用更先进模型的高等级请求，可能消耗与简单 Flash-Lite 回答不同的容量。

这种波动性有助于解释 Auto 的存在。固定模型访问权限会鼓励用户几乎对每条提示词都选择可用的最强选项，即使较小模型已经能给出足够好的答案。

自动路由为 Google 提供了另一种管理这种行为的方式。它可以将常规流量导向 Flash-Lite，同时将 Flash 或 Pro 的处理能力留给分类器认为要求更高的提示词。

公司因此能更好地控制服务成本与容量。用户则获得一个更简单的起点，并可在无需判断每项请求适合哪个模型名称的情况下，偶尔使用更强的推理能力。

不过，用户必须信任 Google 的分类器。路由失误可能会将看似简单却敏感的任务发送至较轻量的模型，或在原本不需要的提示词上消耗额外额度。

这就是为什么模型选择与投入设置应被放在一起看待。Auto 决定请求从何处开始处理；思考等级决定符合条件的模型应进行多深入的工作。两种控制都会影响最终答案，但免费用户仅能直接使用其中一种。

Google Gemini Auto 将计算资源分配变成产品本身

真正的变化不是选择器变小，而是 Google 开始负责为每条提示词分配智能能力。

面向消费者的 AI 界面最初采用模型名称，因为技术差异化很重要。用户逐渐了解：一个模型更快，另一个擅长推理，还有一个支持更大或更复杂的输入。

随着模型家族不断增加，这种做法越来越难以维持。名称不断变化，预览版本会消失，不同功能或账户类型适用不同限制。

它还迫使用户在知道产品将如何处理任务之前，就作出技术决策。让 Gemini 分析文档的人，必须先判断速度、推理能力还是模型能力哪一项最重要。

Auto 颠倒了这个顺序。用户先描述任务，Gemini 再选择处理路径。

这让界面更像传统在线服务。搜索引擎不会要求用户选择哪套排序系统来回答每个查询；导航应用也不会在计算行程前展示所有路线算法。

AI 助手一直有所不同，因为其模型经常会产生明显不同的答案。较小的模型可能遗漏指令、压缩细微差别，或无法处理复杂推理。因此，用户形成了基于模型行为而非单纯回答速度的偏好。

Google 正押注于：路由质量能够可靠到足以替代大多数免费用户的手动判断。如果这一押注成功，人们无需了解 Flash-Lite、Flash 与 Pro 之间的区别，也能获得合适的性能。

这一举措也让 Google 能更自由地更新基础设施。即使公司更换其背后运行的模型，Auto 标签仍可保持稳定。

这种灵活性很重要，因为模型世代如今更迭迅速。Google 可以改进路由器、淘汰某个版本，或调整默认流量分配，而无需每次都重新设计主要的用户选择项。

Google 的模型阵容支撑了这种分层方式。Flash-Lite 是高效的主力模型。Flash 在速度与更广泛的推理能力之间取得平衡。Pro 则可处理涵盖代码、数学、文本、文件、图像和视频的更高要求工作。

Google 还在 I/O 2026 上宣称，Gemini 3.5 Flash 在几乎所有提及的基准测试中都超过了其早期 Pro 模型，同时运行速度更快。该公司的 developer overview 说明了稳定的消费者标签为何具有吸引力，但其基准测试说法仍需独立的背景验证。

当较新的快速模型能够与较旧的高级模型能力重叠时，名称不再提供简单的层级关系。自动路由让 Google 可以将这一阵容视为能力池。

这一转变会影响用户评估回答的方式。在手动选择模式下，糟糕的回答可以归因于所选模型。在 Auto 模式下，失败也有一部分应归因于路由器，因为是它选择了处理路径。

这改变了产品的责任边界。Google 不仅必须提供能力出色的模型，还必须提供能够识别何时需要更深入推理的分类器。

考虑一个简短的法律、医疗或金融问题。它的篇幅或许看似只是常规请求，但其风险程度要求谨慎且周密的推理。一个有用的路由系统必须能够识别仅凭提示词长度无法看出的复杂性。

编程中也存在同样的问题。一个很小的函数可能包含棘手的并发 bug。一大段代码也许只需要格式化。表面上的篇幅并不是判断推理难度的可靠依据。

因此，Auto 本身成为了一层智能能力。在主要的回答流程开始之前，它必须推断意图、复杂程度、风险和可能带来的收益。

对于知识工作者而言，这种路由可以减少界面操作摩擦。助手可以在快速提取与深入综合之间切换，无需要求用户换一个模型重新开始对话。

但这种便利也让验证变得更加重要。使用 AI 进行研究的人仍应保留源材料、对重要回答进行比较，并保存支撑结论的上下文的可检索记录。

个人AI 知识库可以帮助将持久证据与碰巧处理某个提示词的模型区分开来。当所选系统会在任务之间无形切换时，这种做法尤为重要。

因此，Google Gemini Auto 最适合被理解为一种编排产品。可见的模型本身不如决定何时优先考虑速度、推理能力与资源消耗的系统重要。

ChatGPT 和 Claude 正在走向同一种抽象模式

Google 正在加入一场行业转变：从挑选模型转向以任务为中心的控制方式。

OpenAI 也简化了 ChatGPT 呈现其推理系统的方式。它的付费账户选择器围绕 Instant、Thinking 和 Pro 来组织体验，而不是要求每位用户在冗长的模型版本列表中逐一选择。

OpenAI 也提供了在快速响应与深度推理之间自动切换的功能。其模型选择器更新说明了自动路由和可调节思考强度的控制选项。

这些标签虽不相同，但产品逻辑与 Google 的做法相似。两家公司都在尝试呈现易于理解的速度与深度取舍，同时隐藏部分底层基础设施。

OpenAI 仍为符合条件的账户提供额外配置。用户可以控制自动切换、访问受支持的旧版模型，并为某些推理模式设置思考强度。

Google 的免费体验进一步走向抽象化，因为 Auto 成为唯一的主要模型选择。用户可以关闭智能选择，但这样做会使对话停留在 Flash-Lite，而非重新打开完整的选择器。

Anthropic 的 Claude 也遵循类似路径，尽管其呈现方式仍更明确。Claude 支持扩展思考，使兼容模型能够花费更多时间规划并探索可能的解决方案。

Anthropic 的思考功能文档围绕任务类型来说明这项功能。它建议在复杂数学、编程、规划和分析任务中使用更深入的处理，同时建议较简单的工作使用常规模式。

在这三款产品中，正在形成的模式是一致的：

• 快速路径处理日常请求。

• 推理路径为复杂工作投入更多时间。

• 自动化层可以决定何时在两者之间切换。

• 更高的投入会消耗更多时间、用量，或两者兼有。

• 付费访问保留更多直接控制权。

这种趋同表明，模型名称对于主流 AI 产品正变得不那么核心。消费者关心的是回答是否快速、审慎、可靠，以及是否在其额度范围内可用。

底层模型仍然重要，尤其对于开发者和专家用户。不同系统仍保有不同的上下文限制、工具访问能力、多模态能力、安全行为和编程表现。

然而，对许多日常对话而言，这些区别正逐渐成为实现细节。公司越来越希望用户选择的是结果，而非模型架构。

竞争压力如今转向路由质量。一个能够持续将正确任务升级处理的助手，可能比拥有更强旗舰模型但默认设置不佳的助手显得更有能力。

反过来也是如此。如果路由器低估了困难提示词，用户会体验到无法解释的不一致。同一个助手可能这一次给出审慎回答，下一次却给出肤浅答案，即使两项请求看起来相似。

Google 的规模使这种张力尤其重要。在这次推出之前，Gemini app 已拥有数亿月活用户，为公司带来了大量且多样化的请求流。

在这一规模下进行高效路由可以减少不必要的计算。假设 Google 采用适当的隐私和评估保障措施，这也能创造更多机会，以了解哪些提示词能从更强模型中受益。

因此，竞争将不止围绕头条基准成绩展开。用户会判断默认体验能否在无需不断纠正的情况下，选择恰当程度的智能能力。

这比赢得一次固定测试要求更高。它需要在写作、研究、编程、文件、图像、规划以及模糊的日常请求中作出可靠决策。

Google Gemini Auto 让这一标准变得可见。该界面承诺系统会作出恰当选择。每一个路由不佳的回答，都会成为反驳这一承诺的证据。

Google Gemini Auto 没有告诉用户什么

自动路由简化了决策，但也使性能与用量更难预测。

Google 解释了广泛的路由逻辑，但没有公布完整规则，说明哪些提示词会被分配给各个模型。这种省略可以理解，因为路由系统会变化，也可能遭到操纵。

但这仍使用户在提交请求前缺乏可见性。他们无法知道 Gemini 是否会认为其提示词复杂到需要 Flash 或 Pro。

回答后的模型披露有助于审计，但无法恢复从选择器中移除的控制权。希望针对某项免费套餐请求使用 Pro 的用户，无法提前要求走这一路径。

用量是另一个不确定领域。Google 表示，更先进的模型和更高的思考级别会消耗更多额度。它并未将这种关系简化为适用于所有用户和任务的固定提示词次数。

额度页面明确警告，访问权限可能会随测试、实验、可用性和容量限制而变化。需求上升时，免费账户可能会比订阅账户更早受到限制。

这种灵活性保护了服务可用性，但也使预期更加复杂。两个类似提示词可能走不同路径、消耗不同用量，或在高需求时期获得不同的访问权限。

思考级别也会带来虚假信心的风险。High 意味着系统会投入更多精力，并不意味着回答已经经过事实核查或独立验证。

更长的推理过程可以改善某些结果，尤其是多步骤任务。它也可能为错误结论给出更具说服力的解释。

用户应将该设置视为资源控制，而非真实性控制。无论显示的是何种模型或投入级别，重要的事实性主张仍需要直接核查来源。

持续对话中还存在一致性问题。Google 表示，所选模型和思考级别会与当前对话保持关联。然而，Auto 路由可能让用户期待系统会持续为每项请求进行优化。

一段对话可能从轻松的头脑风暴演变为影响重大的分析。如果在这一过程中路由、可用容量或回退行为发生变化，用户需要得到清晰信号。

回退机制很重要，因为 Google 的额度文档称，订阅用户达到某些额度后仍可继续使用 Flash-Lite。持续访问固然有用，但恰恰在长期项目变得复杂时，质量特征可能发生变化。

系统应让这种转换变得显而易见。否则，用户可能会将较弱的回答归因于自己的提示词或数据，而不是底层模型的变化。

免费用户还面临额外的不对称性。Google 决定何时某项请求值得更强的处理，而一旦路由器判断错误，用户要承担相应后果。

这并不意味着 Auto 天生比手动选择更差。许多用户基于模糊标签选择模型，很容易作出不佳选择。好的路由器可以优于随意的人为选择。

尚未解决的问题是，用户是否能获得足够信息来识别路由失败。回答后的模型披露是一个有用起点，但实际比较仍然麻烦。

Google 可以通过更清晰的提示来增强信任：例如模型发生变化、开始回退，或容量改变正常路由时。它还可以提供简单的重新生成选项，允许用户请求更深入的一轮处理，而无需暴露复杂的模型列表。

此次推出本身仍需观察。9to5Google 在其测试的大多数账户中看到了免费账户变化，但在分阶段发布期间，不同账户、平台和地区的可用性可能有所不同。

仍看到旧控制方式的用户不应认为政策已经逆转。他们可能只是处于较晚的发布分组，或正在使用尚未获得新界面的 app 版本。

这些不确定性使得过早下结论并不合适。Google 已记录预期行为，但真实世界的路由质量将决定 Auto 让人感觉是帮助还是失去控制。

三个信号将显示 Auto 是否有效

接下来的考验是，Google 能否让隐藏的模型选择显得可靠，而非随意。

第一个信号是普通与困难提示词之间的路由模式。用户应观察，在启用 Auto 时，明显复杂的任务是否会稳定地从 Flash-Lite 升级到更强模型。

这可以通过回答后显示的模型信息来检查。非正式观察无法替代受控评估，但反复出现的路由不足会削弱 Google 的核心承诺。

一种有用的比较应包括短而困难的问题、长而简单的格式化任务、编程 bug、文档综合和多步骤规划。路由器应响应认知难度，而不是仅仅响应提示词长度。

如果这些任务能稳定地到达合适模型，Auto 将成为真正的可用性改进。如果相似提示词得到反复无常的处理，简化后的选择器就会显得像是以个性化之名呈现的容量管理工具。

第二个信号是 Gemini 如何清晰地传达限制与回退。用户需要知道何时更强模型不可用、何时 Flash-Lite 接手，以及所选思考级别是否仍处于激活状态。

透明的提示会强化自动选择的理由。无声的变化会让回答质量更难解读，也会降低持续开展工作的用户的信任。

这个问题在长对话中最为重要。早期提示词可能符合正常额度，而后续请求到来时，账户可能已消耗了更多高级处理能力。

可见的路由变化让用户有机会推迟任务、简化任务，或更谨慎地验证结果。不可见的回退则让他们只能猜测助手行为为何发生改变。

第三个信号是竞争对手如何调整自身的默认体验。OpenAI 已将自动切换与投入控制结合，而 Anthropic 则将扩展思考与受支持的 Claude 模型关联起来。

任何一家公司若进一步简化，都会印证 Google 的判断：主流用户更偏好任务层面的控制。若再次强调明确的模型选择，则说明专家用户和付费用户仍将模型身份视为关键要素。

Google 还必须决定，有多少控制权应当放在付费订阅之外。Auto 在免费方案中或许很有用，但提供一次简单的“更深入推理”请求，或可纠正路由错误，而无需恢复复杂的选择器。

这一选项将为用户提供申诉机制。它承认，没有任何分类器能够仅凭每一条提示词就完美判断任务难度。

目前，免费 Gemini 用户应将 Auto 视为一种托管式默认设置。它能够把要求较高的提示词发送到更强的系统，但并不保证每一项困难请求都会采用用户自己会选择的路由。

订阅用户则应将 Low、Medium 和 High 视为工作负载设置。Low 更侧重响应速度，Medium 在投入与延迟之间取得平衡，High 则会为可能受益于更深度分析的任务预留更多算力。

没有任何设置能免除核查证据的必要。模型路由和思考投入可以改进答案的生成方式，但两者都不能证明答案正确。

Google Gemini Auto 最终要求用户以可见的技术控制权换取更简化的体验。若 Gemini 能可靠识别困难任务、解释降级处理，并在路由器选择不佳时让用户能够恢复控制，这一决定就会成功。

不妨在 Auto 和某个固定的可用模式下运行同一条高难度提示词，然后检查每个回答由哪个模型处理。Google 的路由器能否识别更困难的任务，还是你仍然更愿意自己做选择？