گوگل امروز سه مدل جدید هوش مصنوعی را عرضه کرد: Gemini 3.6 Flash، 3.5 Flash-Lite و 3.5 Flash Cyber. این چیزی نبود که اکثر مردم انتظار داشتند.

پس از رونمایی Gemini 3.5 Flash در Google I/O 2026 در ماه می و وعده عرضه نسخه Pro ظرف یک ماه، گوگل بی‌سروصدا از مهلت مقرر خود عقب ماند. طبق گزارش بلومبرگ، Gemini 3.5 Pro به دلیل عدم دستیابی به اهداف داخلی، به ویژه در کارهای کدنویسی، متوقف شد. تلاش اواخر ژوئن برای رفع این مشکل با به‌روزرسانی داده‌های آموزشی – مجموعه داده‌های عظیمی که یک مدل از آن‌ها یاد می‌گیرد – نتایج ناامیدکننده‌ای به بار آورد. سهام آلفابت در پی این گزارش تقریباً ۴.۴٪ کاهش یافت و تخمین زده می‌شود ۲۰۰ میلیارد دلار از ارزش بازار خود را در یک جلسه از دست داد.

آخرین مدل Pro-tier که گوگل عرضه کرد، جانشین Gemini 3، یعنی Gemini 3.1 Pro، در ماه فوریه بود.

سری Flash خط تولید مدل‌های بهینه‌سازی شده برای سرعت گوگل است – سریع، مقرون‌به‌صرفه و برای عامل‌های هوش مصنوعی ساخته شده‌اند، که برنامه‌هایی هستند که به صورت نیمه‌خودمختار وظایفی مانند مدیریت اسناد، پردازش خطوط لوله داده، یا مرور وب را بدون نیاز به کلیک انسانی در هر مرحله انجام می‌دهند. مدل‌های Pro نیز کارهای سنگین را بر عهده دارند: کندتر، گران‌تر و برای استدلال‌های پیچیده که قدرت خام مهم‌تر از سرعت است، ساخته شده‌اند.

هر مدل هوش مصنوعی چه کاری انجام می‌دهد — و برای چه کسی مناسب است

Gemini 3.6 Flash اصلی‌ترین نسخه است. طبق Artificial Analysis Index، این مدل ۱۷٪ کمتر از 3.5 Flash از توکن‌های خروجی استفاده می‌کند – توکن‌ها واحد پایه پردازش هوش مصنوعی هستند، تقریباً سه‌چهارم یک کلمه. همچنین ارزان‌تر است: ۱.۵۰ دلار در هر میلیون توکن ورودی و ۷.۵۰ دلار در هر میلیون توکن خروجی، که از ۹ دلار برای توکن خروجی 3.5 Flash کمتر است. برای کسب‌وکارهایی که عامل‌ها را در مقیاس وسیع اجرا می‌کنند، این تفاوت به سرعت افزایش می‌یابد.

در بنچمارک‌ها – آزمون‌های استاندارد شده‌ای که هوش مصنوعی را بر اساس درصد وظایف صحیح انجام شده امتیاز می‌دهند – 3.6 Flash در DeepSWE v1.1، که مهندسی نرم‌افزار طولانی‌مدت مانند ساخت و اشکال‌زدایی کامل پایگاه‌های کد را آزمایش می‌کند، به امتیاز ۴۹٪ دست یافت، در حالی که 3.5 Flash به امتیاز ۳۷٪ رسید. در MLE-Bench، یک آزمون مهندسی یادگیری ماشین، امتیاز ۶۳.۹٪ را در مقابل ۴۹.۷٪ کسب کرد. در OSWorld-Verified – آزمایشی که در آن هوش مصنوعی کنترل صفحه نمایش کامپیوتر را برای انجام وظایف واقعی به دست می‌گیرد – با ۸۳.۰٪ در صدر قرار گرفت، جلوتر از Claude Sonnet 5 (۸۱.۲٪) و GPT-5.6 Luna (۷۲.۶٪).

رقیبان در همان دسته هنوز در جاهای دیگر پیشرو هستند: GPT-5.6 Luna در DeepSWE امتیاز ۶۷٪ و در Terminal-Bench 2.1، که کدنویسی ترمینال عامل‌محور را آزمایش می‌کند، ۸۴.۷٪ امتیاز کسب کرده است. Claude Sonnet 5 در کارهای دانشی در GDPval-AA v2 – یک بنچمارک که با مقیاس امتیازی الو مانند شطرنج اندازه‌گیری می‌شود، که در آن اعداد بالاتر به معنای عملکرد بهتر در وظایف واقعی است – با ۱۶۰۷ امتیاز، بالاتر از 3.6 Flash با ۱۴۲۱ امتیاز قرار دارد.

ما این مدل را برای کدنویسی امتحان کردیم و نتایج... حداقل ناامیدکننده بود.
آزمایش کدنویسی ساده ما منجر به یک فایل غیرقابل استفاده شد. HTML به درستی فرمت نشده بود و عناصر به درستی رندر نشده بودند. تلاش‌های بعدی برای اصلاح کد به منظور حل مشکلات موفقیت‌آمیز نبودند.

ما از Deepseek خواستیم تا مدل اول را تنها با رفع اشکالات، به چیزی قابل بازی تبدیل کند. این مدل ۱۱ اشکال را شناسایی کرد و ۸ اصلاح کلیدی را اعمال نمود، که منجر به یک بازی قابل قبول شد.

تغییرات کوچک Deepseek بازی را اصلاح کرد، که به این معنی است که تفکر اصلی Gemini صحیح بود، اما جزئیات و عدم دقت نتایج را بی‌فایده کردند. اگر قصد استفاده از این مدل را برای کدنویسی دارید، خود را برای جلسات طولانی کدنویسی با یک مدل ارزان اما با عملکرد ضعیف آماده کنید.

مدل دوم عرضه شده توسط گوگل، Gemini 3.5 Flash-Lite، صرفاً برای حجم بالا طراحی شده است: ۳۵۰ توکن خروجی در ثانیه با هزینه ۰.۳۰ دلار در هر میلیون توکن ورودی و ۲.۵۰ دلار در هر میلیون توکن خروجی. این مدل برای خطوط لوله با توان بالا – مانند پردازش اسناد در مقیاس عظیم یا سیستم‌های جستجوی عامل‌محور – هدف‌گذاری شده و با وجود ارزان‌تر بودن قابل توجه، در وظایف کلیدی کدنویسی، از جمله Terminal-Bench 2.1 (۵۴٪ در مقابل ۳۱٪)، از 3 Flash قدیمی‌تر پیشی می‌گیرد.

همچنین می‌تواند یک فشرده‌ساز جلسه عالی (برای تحلیل جلسات طولانی و استخراج عناصر کلیدی تا عامل شما با نویز مختل نشود) برای کسانی باشد که به Hermes و Openclaw تکیه دارند.

مدل سوم، Gemini 3.5 Flash Cyber، به صورت عمومی در دسترس نخواهد بود. گوگل آن را به دولت‌ها و شرکای مورد تأیید محدود کرده است که نیاز به یافتن و رفع آسیب‌پذیری‌های نرم‌افزاری دارند – قابلیتی دو منظوره که این شرکت تمایلی به انتشار گسترده آن ندارد.

در همین حال، تیم DeepMind گوگل در حال حرکت رو به جلو است. گوگل در اطلاعیه رسمی تأیید کرد که "جاه‌طلبانه‌ترین عملیات پیش‌آموزش خود تا کنون، برای Gemini 4" را آغاز کرده است، و این تیم در حال حاضر به شدت در حال تبلیغ آن است.

پیش‌آموزش فاز بنیادی است که در آن یک مدل قبل از شروع تنظیم دقیق برای وظایف خاص، از مجموعه داده‌های عظیم یاد می‌گیرد – به این معنی که Gemini 4 در حال ساخت است، نه فقط برنامه‌ریزی شده.

هر دو مدل 3.6 Flash و 3.5 Flash-Lite امروز در برنامه Gemini، Google AI Studio و از طریق API در دسترس هستند. Gemini 3.5 Pro، طبق گفته گوگل، "به محض آماده شدن" عرضه خواهد شد، هر زمانی که این آماده‌سازی اتفاق بیفتد.