Gemini 3.8 Flash під час запуску: швидкість, кінцевий термін цін та застереження щодо безпеки.

Gemini 3.8 Flash приземлився 2 вересня 2026 року з простою метою: краще мислення, програмування та продуктивність у моделі, створеній для роботи з задержками та масштабом на рівні Flash. Google представляє його як свого найрозумнішого основного інструменту на сьогодні, призначеного для багаторазового використання, інтеграції з іншими інструментами та оцінки за вартістю та результатами повного робочого процесу, а не як експонат для досягнення певних показників.

Початкові результати підтверджують цю концепцію, хоча з певними застереженнями. Власні оцінки Google показують реальне покращення порівняно з Gemini 3.7 Flash, а звіт незалежної компанії Artificial Analysis демонструє вражаючі показники швидкості. Однак початкова ціна закінчується, таблиця характеристик безпеки включає багатомовну регресію, а високі показники пропускної здатності не усувають задержки з початкового токена. Gemini 3.8 Flash виглядає перспективним для використання у продакшн-середовищах, проте остаточний висновок має залежати від тестування на рівні робочих процесів, а не від одного лише показника з таблички результатів.

Що приймає модель та де вона працює

Модель приймає текст, код, зображення, аудіо, відео та PDF-файли, і відповідає у текстовому форматі. У технічних характеристиках вказано вікно контексту обсягом у мільйон токенів, ліміт вихідних даних у 64 000 токенів, можливість виклику функцій, пошук як інструмент та використання комп’ютера. Це дозволяє застосовувати її у таких сценаріях: великі кодові бази, довгі документи, дослідження з поєднанням різних типів медіа та багатоетапні агенти, які повинні аналізувати інформацію перед дією.

Її широко пропонують у продуктах Google. Розробники можуть користуватися нею через Gemini API, Google AI Studio, Android Studio, Antigravity чи Stitch, тоді як кінцеві користувачі та підприємства знаходять її у додатку Gemini, режимі AI, Gemini Enterprise та Sheets; умови та обмеження визначаються залежно від середовища використання.

Вікно у мільйон токенів привертає увагу, проте ємність — це не те саме, що надійне згадування чи правильна реалізація. Для продакшну ставляться більш конкретні запитання: чи використовує модель правильні докази? Чи є аргументи її інструментів обґрунтованими? Чи може вона відновитися після збоїв? Чи може завершити роботу без неконтрольованого використання токенів? Решта характеристик продукту краще розуміється через цю призму.

Офіційні цифри Google

Згідно з повідомленнями, результати покращилися у сферах програмної інженерії, фінансів, юридичної роботи та загального міркування:

• DeepSWE v1.1 досягає 71,0%, порівняно з 65,3% у Gemini 3.7 Flash.
• Vals Finance Agent v2 піднявся з 59,0% до 61,4%.
• Harvey's Legal Agent Benchmark зріс з 8,8% до 10,0%.
• HLE-Verified піднявся з 53,6% до 54,9%.

Джерелом усього цього є матеріали, презентації, картки моделей та методології оцінки від Google DeepMind, тому вони справедливі лише за зазначеними умовами та не повинні розглядатися як універсальні гарантії.

Для команд, які створюють кодуючих агентів, DeepSWE є найбільш релевантним варіантом. Підвищення показника з 65,3% до 71,0% є значним для тесту, спрямованого на оцінку програмної інженерії довгострокового характеру, а діаграма витрат та продуктивності розміщує цю модель ближче до ефективного кінця у порівнянні, проведеному Google.

Рейтинги у сферах фінансів та права вказують на те саме: покращення у робочих процесах, які вимагають кількох кроків, глибоких знань у певній галузі та дисциплінованого підходу до результатів, а не лише швидкого відповідання на запитання. HLE-Verified демонструє менші зміни, що нагадує про те, що це оновлення, а не повний стрибок у всіх аспектах.

У сукупності офіційні результати свідчать про необхідність серйозних тестів агентного кодування та роботи зі знаннями, хоча вони не можуть замінити тестування у ваших власних репозиторіях, документах та бізнес-правилах.

Незалежні дані про швидкість

Таблиця від Google — це лише один погляд на ситуацію. Компанія Artificial Analysis оприлюднила окремий звіт про конфігурацію з високими вимогами 2 вересня 2026 року:

• Індекс інтелекту: 59, місце 16 з 195.
• Швидкість виведення результатів: 304,6 токенів на секунду, місце 1 з 195.
• Витрати на виконання завдання за індексом інтелекту: $0,58, місце 59 з 195.
• Час очікування першого токена відповіді: 13,39 секунди.

Одне методологічне правило є чітким: ці показники не слід поєднувати з оцінками моделей від Google.

Artificial Analysis використовує власну сукупність завдань, налаштувань та модель витрат, тому її цифри найкраще розглядати як незалежний погляд на ситуацію у певний момент часу.

Якщо дивитися з цієї точки зору, швидкість генерації є ключовою характеристикою. Швидкість понад 300 токенів на секунду може зробити довгі відповіді, генерацію коду та ітеративні цикли агентів значно швидшими, як тільки текст починає формуватися. Проте 13,39 секунди очікування першого токена відповіді додають певної складності, адже пропускна здатність — це не те саме, що миттєва відповідь. Інтерактивні продукти однаково важливі як за часом запуску, так і за постійною швидкістю роботи.

У цьому випадку середні значення можуть вводити в оману. Кодувальний агент, який швидко пише, але зупиняється перед кожним кроком, може поводитися інакше, ніж повільніша модель, яка починає роботу миттєво. Єдине значуще порівняння — це час виконання всього процесу на реальному робочому процесі.

Ціни та термін їх дії

Для стандартного використання у всьому світі Google вказує наступні початкові тарифи за мільйон токенів до 31 грудня 2026 року:

• Вартість вхідних даних — 0,75 долара.
• Виведення тексту, включаючи відповіді та обґрунтування, коштує 3,75 доларів.
• Збережений вхідний даний коштує 0,075 долара.

З 1 січня 2027 року діють стандартні глобальні тарифи: 1,50 долара за вхідні дані, 7,50 доларів за виведення тексту та 0,15 долара за збережений вхідний даний.

На сторінці з тарифами Google зазначено, що промоційний тариф передбачає повернення 50% від відповідних чистих витрат за обраними моделями. Усі три діючі тарифи подвоюються після закінчення періоду просування, а неглобальні тарифи відрізняються, тому командам слід перевіряти регіон та умови оплати для свого використання. Сам по собі стандартний тариф не є менш конкурентоспроможним, але прогноз, заснований на цифрах дня запуску, буде суттєво неточним.

Будь-хто, хто зараз оцінює цю модель, повинен розрахувати два бюджети — промоційний та стабільний, враховуючи кількість спроб, кількість токенів для міркувань, зростання обсягу контексту та частку успішних запитів до кешу. Низькі ціни на токени допомагають, проте завдання, які повторюються, мають тайм-аут або потребують багаторазової корекції, все одно можуть стати дорогими. Варто відстежувати витрати на одне успішне завдання.

Варіант Cyber

Під час випуску також з’явився Gemini 3.8 Flash Cyber — окрема модель для пошуку вразливостей та їх автоматичного усунення. Вона відрізняється від універсальної моделі та не є прихованим налаштуванням у ній.

Доступ здійснюється через Fairwind та відкритий лише для перевірених захисників, серед яких урядові агентства, оператори критично важливої інфраструктури та адміністратори програмного забезпечення. На CWE-Bench Google повідомляє про показник 47,2% pass@1, що трохи нижче за 47,8%, які він наводить для провідної моделі Frontier, та стверджує, що витрати значно нижчі.

Ця майже однаковість є примітною, як і підхід до розподілу, адже кіберздатності та контроль доступу мають розвиватися разом. Це навмисно не є функцією для широкої публіки.

Результати щодо безпеки

Щодо безпеки та загального стилю, Google каже, що модель у загальних рисах порівнянна з Gemini 3.7 Flash. Її детальні автоматизовані оцінки розвитку показують більш змішану картину:

• Безпека при перетворенні тексту на текст змінилась на -0,4 відсоткових пунктів, що є покращенням, оскільки чим нижчий показник, тим краще.
• Безпека перекладу зображень у текст залишилася на рівні 0,0 балів.
• Якість тону покращилася на +0,2 бали; чим вищий показник, тим краще.
• Безпека багатомовного перекладу зросла на +5,4 бали, що є регресією, оскільки чим нижчий показник, тим краще.
• Кількість необґрунтованих відмов змінилася на +1,1 бали, що також є негативним згідно з тим самим правилом «чим нижче, тим краще».

Зауваження щодо діапазону: таблиця відображає результати автоматизованих оцінок розвитку, тож це не людський огляд та не звіт команди red-team. Крім того, у картці моделі зазначено, що ручна перевірка командою Google не виявила нічого серйозного, а під час перегляду автоматизованих результатів люди вважали їх переважно хибними позитивами або несерйозними. Тому багатомовні дані не слід використовувати як аргумент про небезпеку моделі, проте їх також не варто приховувати. Будь-який інструмент, який працює з кількома мовами, повинен перед ширшим впровадженням виконувати власні запити, перевірки відмов та обробку ситуацій, чутливих до правил.

У картці моделі також наведені звичні зауваження. Можуть траплятися галюцинації, довгі чи складні запити можуть виконуватися повільно або завершуватися з таймаутом, а складніша обробка може споживати більше токенів. Новіша модель не усуває потребу у перевірці, прозорості та альтернативних шляхах дії.

Де він може знайти собі місце

Найсильнішим аргументом є не те, що ця модель „забирає корону“. Це те, що Google поєднав вищу продуктивність агентів, широкий багатомодальний контекст та дуже високу швидкість обробки даних із економічними перевагами технології Flash. Ця комбінація може принести результати у трьох сферах:

1. Агенти для програмування та роботи з терміналом, які сканують великі репозиторії, викликають інструменти та швидко вносять зміни.
2. Робота з документами у форматах PDF, зображень, аудіо, відео та структурованих даних.
3. Застосунки з великим обсягом обробки, де затримки та загальна вартість виконання завдань мають таке ж значення, як і показники розумових здібностей.

Міграцію у продакшн не слід схвалювати лише на основі показників під час запуску. У внутрішній оцінці слід фіксувати:

• виконані завдання, а не лише відповіді, що виглядають правдоподібними;
• рівень невдач під час виклику інструментів та роботи зі схемами;
• час до отримання першого токена та затримка у повному робочому процесі;
• кількість вхідних, вихідних, розумових та збережених токенів за кожним завершеним завданням;
• ступінь дотримання посилань чи джерел у завданнях з довгим контекстом;
• безпека та поведінка при відмові у кожній підтримуваній мові;
• результати як до, так і після зміни цін у січні 2027 року.

Якщо модель збереже свої характеристики під час таких перевірок, вона може стати відмінним стандартом для промислових агентів. Не обов’язково досягати найвищих результатів у кожному окремому тесті. Швидка, ефективна модель, яка дає корисний результат за доступною ціною, є більш значущою перемогою, і її потрібно досягти в межах робочого процесу.

Джерела, які були використані

Оголошення Google про Gemini 3.8 Flash та Flash Cyber, сторінка продукту DeepMind, інформація про модель та методологія оцінки, сторінка з цінами на генеративний ШІ в Google Cloud, сторінка моделі в Artificial Analysis та сайт тестування DeepSWE. Цей аналіз розрізняє офіційні оцінки Google та незалежний звіт Artificial Analysis.

Пов’язані матеріали

• Маршрутизація агентів кодування між GPT-5.6 Sol, Grok 4.5 та Gemini 3.6 Flash — Перестаньте обирати одну найкращу модель. Маршрутизуйте кожне завдання агента з урахуванням ризику, контексту, інструментів та розміру результату, використовуючи ціноутворення для довгого контексту, ієрархію ескалації та маршрутизатор на TypeScript.

Практичні нотатки: скасування дії — це просто. Саме тут різняться кодувальні агенти. — Детальний огляд Практичних нотаток: скасування дії — це просто. Саме тут різняться кодувальні агенти.: контракти, перевірки та слоти для вставки коду для команд, які використовують цю схему.