Gemini 3.8 Flash przy premierze: szybkość, termin końcowy cen i ograniczenia związane z bezpieczeństwem.

Gemini 3.8 Flash wylądował 2 września 2026 roku z prostym hasłem: lepsze rozumowanie, programowanie oraz wydajność w modelu stworzonym z myślą o opóźnieniach i skali na poziomie Flash. Google przedstawia go jako swojego najmądrzejszego dotychczasowego narzędzia roboczego, przeznaczonego do wielokrotnego wykorzystywania, połączonego z różnymi narzędziami, ocenianego pod kątem kosztów i efektów całego procesu pracy, a nie jako eksponat służący do osiągania wyników na listach rankingowych.

Wstępne wyniki potwierdzają to podejście, choć z pewnymi zastrzeżeniami. Własne oceny Google pokazują rzeczywiste ulepszenia w porównaniu z Gemini 3.7 Flash, a raport niezależnej firmy Artificial Analysis sprawia, że liczby dotyczące szybkości wydają się imponujące. Jednak początkowa cena wygasła, tabela bezpieczeństwa obejmuje możliwości pracy w wielu językach, a ogromna przepustowość nie eliminuje opóźnień przy pierwszym tokenie. Gemini 3.8 Flash wydaje się obiecujący dla zastosowań produkcyjnych, jednak ostateczna ocena zależy od testów na poziomie całego procesu pracy, a nie od pojedynczej pozycji na liście rankingowej.

Co akceptuje model i gdzie działa

Model przyjmuje tekst, kod, obrazy, dźwięk, wideo oraz pliki PDF i odpowiada w formie tekstu. W specyfikacji podano okno kontekstowe o pojemności miliona tokenów, limit wyjścia na poziomie 64 000 tokenów, możliwość wywoływania funkcji, wyszukiwanie jako narzędzie oraz możliwość korzystania z komputera. Z tego wynikają odpowiednie scenariusze zastosowania: duże bazy kodu, długie dokumenty, badania łączące różne typy mediów oraz agenci wieloetapowe, które muszą przeanalizować informacje przed podjęciem działań.

Model jest szeroko dostępny w produktach Google. Programiści mogą z niego korzystać za pośrednictwem Gemini API, Google AI Studio, Android Studio, Antigravity lub Stitch, natomiast końcowi użytkownicy i firmy znajdują go w aplikacji Gemini, trybie AI, Gemini Enterprise oraz Sheets, przy czym warunki dostępu i zasady są ustalane indywidualnie dla każdego użytkownika.

Okno o pojemności miliona tokenów przyciąga uwagę, choć taka pojemność nie jest równoznaczna z niezawodnym przywoływaniem informacji czy poprawną realizacją zadań. W warunkach produkcyjnych pojawiają się bardziej konkretne pytania: czy model wybiera właściwe dowody? Czy argumenty używane przez niego są trafne? Czy potrafi odradzić się po awariach? Czy może zakończyć pracę bez nadmierznego zużycia tokenów? Reszta informacji o tym produkcie najlepiej jest interpretować przez tę lornetkę.

Oficjalne dane Google

Podane wyniki poprawiają się w dziedzinach inżynierii oprogramowania, finansów, prawa oraz ogólnego rozumowania:

• DeepSWE v1.1 osiąga 71,0%, podczas gdy Gemini 3.7 Flash ma wynik 65,3%.
• Vals Finance Agent v2 wzrasta z 59,0% do 61,4%.
• Harvey's Legal Agent Benchmark rośnie z 8,8% do 10,0%.
• HLE-Verified wzrasta z 53,6% do 54,9%.

Źródłem wszystkich tych informacji są materiały promocyjne, karty modeli oraz metodyki oceny firmy Google DeepMind, więc obowiązują one jedynie w określonych warunkach i nie powinny być traktowane jako uniwersalne gwarancje.

Dla zespołów tworzących agenty programistyczne DeepSWE jest najbardziej istotny. Poprawa wyniku z 65,3% na 71,0% nie jest drobnostką w kontekście benchmarku dotyczącego inżynierii oprogramowania długoterminowej, a wykres kosztów w stosunku do wydajności umieszcza ten model blisko końca skali efektywności w porównaniu przeprowadzonym przez Google.

Wyniki w dziedzinie finansów i prawa wskazują w tym samym kierunku: poprawa w procesach wymagających kilku kroków, wiedzy specjalistycznej oraz uporządkowanego wynikowania, a nie tylko w krótkich zadaniami typu odpowiedź na pytanie. HLE-Verified przynosi mniejszą poprawę, co przypomina, że jest to ulepszenie, a nie skok na każdym polu.

Łącząc wszystko, oficjalne wyniki uzasadniają poważne przetestowanie kodowania opartego na agentach oraz pracy z wiedzą, choć nie mogą zastąpić testów na własnych repozytoriach, dokumentach i regułach biznesowych.

Niezależne dane dotyczące szybkości

Tabela firmy Google przedstawia tylko jeden punkt widzenia. Artificial Analysis opublikowało oddzielny zrzut ekranu konfiguracji wymagającej dużego wysiłku z 2 września 2026 roku:

• Indeks inteligencji: 59, miejsce 16 na 195.
• Szybkość wydajności: 304,6 tokenów na sekundę, miejsce 1 na 195.
• Koszt wykonania zadania z użyciem Indeksu Inteligencji: 0,58 dolara, miejsce 59 na 195.
• Czas oczekiwania na pierwszy token odpowiedzi: 13,39 sekundy.

Jedna z zasad metodologicznych jest jasna: te wartości nie powinny być łączone z wynikami modeli przedstawionymi przez Google.

Artificial Analysis używa własnej kombinacji zadań, ustawień oraz modelu kosztów, dlatego jego liczby najlepiej nadają się jako niezależny, chwilowy obraz sytuacji.

Patrząc w ten sposób, kluczową kwestią jest szybkość generowania. Prędkość powyżej 300 tokenów na sekundę może sprawić, że długie odpowiedzi, generowanie kodu oraz pętle iteracyjne agentów będą wydawać się znacznie szybsze, gdy tekst zaczyna płynąć. Mimo to 13,39 sekundy oczekiwania na pierwszy token odpowiedzi dodaje pewnej złożoności, ponieważ przepustowość nie jest tym samym co natychmiastowa odpowiedź. Produkty interaktywne liczą zarówno czas rozruchu, jak i stałą szybkość działania.

Średnie wartości mogą tu wprowadzać w błąd. Agent programistyczny, który szybko pisze, ale zatrzymuje się przed każdym krokiem, może zachowywać się inaczej niż wolniejszy model, który działa natychmiastowo. Jedynym istotnym porównaniem jest czas realizacji całego procesu w rzeczywistym workflow.

Ceny i data ich ważności

Dla standardowego użycia na całym świecie Google podaje następujące promocyjne stawki za milion tokenów do 31 grudnia 2026 roku:

• Koszt wprowadzania danych to 0,75 dolara.
• Wydruk tekstu, obejmujący odpowiedzi i uzasadnienia, kosztuje 3,75 dolara.
• Dane z pamięci podręcznej kosztują 0,075 dolara.

Od 1 stycznia 2027 roku obowiązują standardowe stawki globalne: 1,50 dolara za dane wejściowe, 7,50 dolara za wydruk tekstu oraz 0,15 dolara za dane z pamięci podręcznej.

Na stronie cenowej Google podano, że stawka promocyjna polega na zwrocie 50% kosztów netto w ramach określonych modeli. Wszystkie trzy obowiązujące stawki podwajają się po zakończeniu okresu wstępnego, a stawki nieglobalne różnią się, dlatego zespoły powinny sprawdzić region i warunki fakturowania dla swojej implementacji. Sam fakt, że stawki standardowe nie są mniej konkurencyjne, nie oznacza, że prognozy oparte na danych z dnia uruchomienia będą dokładne.

Każdy, kto obecnie ocenia ten model, powinien obliczyć dwa budżety – promocyjny oraz w stanie równowagi – uwzględniając próby ponowne, tokeny służące do rozumowania, rosnący kontekst oraz wskaźniki trafień w pamięci cache. Niskie ceny tokenów pomagają, ale zadanie, które się pętli, ma czas wygaśnięcia lub wymaga wielokrotnych korekt, może nadal być kosztowne. Warto śledzić koszt za udane zadanie.

Wariant Cyber

Wraz z tym wydaniem pojawił się również Gemini 3.8 Flash Cyber – odrębny model do automatycznego wykrywania luk bezpieczeństwa i ich naprawy. Jest on oddzielny od modelu uniwersalnego i nie stanowi ukrytego ustawienia w nim zawartego.

Dostęp jest kontrolowany przez Fairwind i udostępniany wyłącznie sprawdzonym podmiotom obronnym, w tym agencjom rządowym, operatorom infrastruktury krytycznej oraz osobom odpowiedzialnym za utrzymanie oprogramowania. Na platformie CWE-Bench Google podaje wynik 47,2% pass@1, co jest nieco poniżej 47,8% odnotowanego dla najnowocześniejszego modelu, przy jednoczesnym stwierdzeniu, że koszt jego używania jest znacznie niższy.

To niemal równe wyniki są godne uwagi, podobnie jak podejście oparte na dystrybucji, ponieważ zdolności cybernetyczne i kontrola dostępu muszą rozwijać się wspólnie. Funkcja ta celowo nie jest przeznaczona dla szerokiej publiczności.

Wyniki dotyczące bezpieczeństwa

Jeśli chodzi o ogólne bezpieczeństwo i jakość wyników, Google twierdzi, że model ten jest w dużej mierze porównywalny z Gemini 3.7 Flash. Szczegółowe automatyczne oceny rozwoju pokazują jednak bardziej zróżnicowany obraz:

• Bezpieczeństwo w procesie przekształcania tekstu w tekst zmieniło się o -0,4 punktu procentowego, co stanowi poprawę, ponieważ im niższa wartość, tym lepiej.
• Bezpieczeństwo w przekładzie obrazu na tekst pozostało na poziomie 0,0 punktu.
• Ton poprawił się o +0,2 punktu, przy czym wyższa wartość jest lepsza.
• Bezpieczeństwo w kontekście wielojęzycznym wzrosło o +5,4 punktu, co stanowi regres, ponieważ niższa wartość jest lepsza.
• Liczba niesprawiedliwych odmów zmieniła się o +1,1 punktu, co również jest niekorzystne zgodnie z tą samą zasadą, że niższa wartość jest lepsza.

Uwaga dotycząca zakresu: tabela odzwierciedla automatyczne oceny rozwoju modelu, więc nie jest to recenzja przeprowadzona przez człowieka ani raport zespołu red team. Ponadto w karcie modelu podano, że ręczne testy przeprowadzone przez Google nie wykazały żadnych poważnych problemów, a osoby analizujące automatycznie zgłaszane błędy oceniły je przeważnie jako fałszywe pozytywy lub błędy nieważne. Dlatego dane wielojęzyczne nie powinny być wykorzystywane jako dowód na to, że model jest niebezpieczny, choć nie powinny być też ukrywane. Każdy system obsługujący kilka języków powinien przeprowadzić własne testy z wykorzystaniem odpowiednich promptów, sprawdzić możliwości odrzucenia zapytań oraz przeanalizować przypadki wrażliwe pod względem zasad przed szerszym wdrożeniem.

Karta modelu zawiera również typowe zastrzeżenia. Mogą występować halucynacje, długie lub złożone zapytania mogą być przetwarzane powoli lub czasem się zakończyć błędem, a bardziej skomplikowane operacje mogą zużyć więcej tokenów. Nowszy model nie eliminuje potrzeby weryfikacji, możliwości obserwacji oraz planów awaryjnych.

Gdzie może zdobyć swoje miejsce

Najważniejszym argumentem nie jest to, że model „zabiera koronę”. Chodzi o to, że Google połączył lepszą wydajność agentów, szeroki kontekst multimodalny oraz bardzo wysoką szybkość generowania wyników z modelami ekonomicznymi typu Flash. Ta kombinacja może przynieść korzyści w trzech obszarach:

1. Agenty do kodowania i obsługi terminala, które przeszukują duże zbiory danych, wywołują narzędzia i szybko iterują.
2. Praca wymagająca obsługi dużych ilości dokumentów w formacie PDF, obrazów, dźwięku, wideo oraz w formie ustrukturyzowanych wyników.
3. Aplikacje o dużym obrocie, gdzie opóźnienia i całkowity koszt realizacji zadań mają takie samo znaczenie jak wyniki rozumowania w najtrudniejszych przypadkach.

Migrację do środowiska produkcyjnego nie powinno się zatwierdzać wyłącznie na podstawie liczby uruchomień. Wewnętrzna ocena powinna odnotowywać:

• zrealizowane zadania, a nie tylko odpowiedzi wyglądające na prawdopodobne;
• wskaźniki niepowodzeń przy wywoływaniu narzędzi i schematów;
• czas do pierwszego tokena oraz opóźnienie w całym procesie przetwarzania;
• tokeny wejściowe, wyjściowe, wynikowe oraz z pamięci cache na każde ukończone zadanie;
• precyzja odniesień do cytatów lub źródeł w zadaniami z długim kontekstem;
• bezpieczeństwo i zachowanie w przypadku odmowy w każdym obsługiwanym języku;
• wyniki zarówno przed, jak i po zmianie cen z stycznia 2027 roku.

Jeśli model utrzyma swój początkowy profil podczas takich testów, może stanowić solidny standard dla agentów produkcyjnych. Nie jest konieczne osiąganie najlepszych wyników we wszystkich pojedynczych testach. Ważniejszy jest szybki, sprawny model, który dostarcza użyteczny wynik po przystępnej cenie, a jego sukces musi zostać udowodniony w ramach całego procesu przetwarzania.

Źródła

Ogłoszenie Google dotyczące Gemini 3.8 Flash i Flash Cyber, strona produktu DeepMind, karta modelu oraz metodyka oceny, strona Google Cloud dotycząca cen za sztuczną inteligencję generatywną, strona modelu Artificial Analysis oraz strona benchmarkowa DeepSWE. Analiza ta rozróżnia oficjalne oceny Google od niezależnego sprawdzenia przeprowadzonego przez Artificial Analysis.

Literatura pokrewna

• Kierowanie agentami kodującymi pomiędzy GPT-5.6 Sol, Grok 4.5 i Gemini 3.6 Flash — Przestań wybierać jeden najlepszy model. Kieruj każde zadanie agenta w zależności od ryzyka, kontekstu, narzędzi i rozmiaru wyniku, wykorzystując cenniki oparte na długim kontekście, drabiny eskalacji oraz router w TypeScript.
• Praktyczne notatki: Undo jest łatwe. Redo to tutaj agenty programistyczne się różnią. — Szczegółowy przewodnik po Praktycznych notatkach: Undo jest łatwe. Redo to tutaj agenty programistyczne się różnią.: umowy, sprawdzenia oraz miejsca na kod do wstawienia dla zespołów wdrażających ten wzorzec.