Google hari ini meluncurkan tiga model AI baru: Gemini 3.6 Flash, 3.5 Flash-Lite, dan 3.5 Flash Cyber. Ini bukanlah yang kebanyakan orang harapkan.

Setelah meluncurkan Gemini 3.5 Flash di Google I/O 2026 pada bulan Mei dan menjanjikan versi Pro dalam sebulan, Google diam-diam melewatkan tenggat waktunya sendiri. Gemini 3.5 Pro ditunda karena gagal memenuhi target internal, menurut Bloomberg, terutama dalam tugas pengkodean. Upaya pada akhir Juni untuk memperbaikinya dengan memperbarui data pelatihan—kumpulan data besar tempat model belajar—menghasilkan hasil yang mengecewakan. Saham Alphabet anjlok sekitar 4,4% atas laporan tersebut, menghapus estimasi $200 miliar dari kapitalisasi pasar dalam satu sesi.

Model tier Pro terakhir yang dirilis Google adalah penerus Gemini 3, yaitu Gemini 3.1 Pro, pada bulan Februari.

Seri Flash adalah lini model yang dioptimalkan untuk kecepatan dari Google—cepat, hemat biaya, dan dibangun untuk agen AI, yaitu program yang beroperasi secara semi-otomatis untuk menangani tugas-tugas seperti mengelola dokumen, memproses pipeline data, atau menjelajahi web tanpa intervensi manusia di setiap langkah. Model Pro adalah 'pengangkat berat': lebih lambat, lebih mahal, dan dibangun untuk penalaran kompleks di mana kekuatan mentah lebih penting daripada kecepatan.

Apa yang dilakukan setiap model AI—dan untuk siapa

Gemini 3.6 Flash adalah rilis utamanya. Ini menggunakan 17% lebih sedikit token output—token adalah unit dasar yang diproses AI, kira-kira tiga perempat kata—dibandingkan 3.5 Flash, menurut Artificial Analysis Index. Ini juga lebih murah: $1.50 per juta token input dan $7.50 per juta token output, turun dari $9 untuk sisi output pada 3.5 Flash. Bagi bisnis yang menjalankan agen dalam skala besar, perbedaan ini akan cepat berlipat ganda.

Pada tolok ukur—tes standar yang menilai AI berdasarkan persentase tugas yang diselesaikan dengan benar—3.6 Flash mencapai 49% pada DeepSWE v1.1, yang menguji rekayasa perangkat lunak jangka panjang seperti membangun dan men-debug seluruh basis kode, dibandingkan 37% untuk 3.5 Flash. Pada MLE-Bench, tes rekayasa pembelajaran mesin, ia mencetak 63,9% dibandingkan 49,7%. Ia menduduki puncak tabel pada OSWorld-Verified—tes di mana AI mengendalikan layar komputer untuk menyelesaikan tugas-tugas nyata—pada 83,0%, mengungguli Claude Sonnet 5 (81,2%) dan GPT-5.6 Luna (72,6%).

Pesaing di kategori yang sama masih unggul di tempat lain: GPT-5.6 Luna mencetak 67% pada DeepSWE dan 84,7% pada Terminal-Bench 2.1, yang menguji pengkodean terminal agen. Claude Sonnet 5 memuncaki pekerjaan pengetahuan pada GDPval-AA v2—tolok ukur yang dinilai pada skala peringkat Elo seperti catur, di mana angka yang lebih tinggi berarti kinerja tugas dunia nyata yang lebih baik—pada 1607 dibandingkan 3.6 Flash yang 1421.

Kami mencoba model ini untuk pengkodean dan hasilnya… sangat mengecewakan. Tes pengkodean sederhana kami berakhir dengan file yang tidak dapat digunakan. HTML tidak diformat dengan benar, dan elemen tidak dirender dengan semestinya. Upaya-upaya selanjutnya untuk mencoba-coba kode guna memecahkan masalah tidak berhasil.

Kami meminta Deepseek untuk mengubah model pertama menjadi sesuatu yang dapat dimainkan hanya dengan memperbaiki bug. Deepseek mengidentifikasi 11 bug dan menerapkan 8 perbaikan kunci, yang menghasilkan permainan yang lumayan.

Perubahan kecil Deepseek memperbaiki permainan, yang berarti pemikiran inti Gemini sudah benar, tetapi detail dan ketidakakuratannya membuat hasilnya tidak berguna. Bersiaplah untuk sesi pengodean eksperimental yang panjang dengan model yang murah namun berkinerja buruk jika Anda berniat menggunakan model tersebut untuk itu.

Model kedua yang dirilis Google, Gemini 3.5 Flash-Lite, dibangun murni untuk volume: 350 token output per detik dengan $0.30/juta input dan $2.50/juta output. Ini ditujukan untuk pipeline berthroughput tinggi—bayangkan pemrosesan dokumen dalam skala besar atau sistem pencarian agen—dan mengungguli 3 Flash yang lebih lama pada tugas pengkodean kunci, termasuk Terminal-Bench 2.1 (54% vs. 31%), meskipun secara signifikan lebih murah.

Ini juga bisa menjadi pemadat sesi yang hebat (menganalisis sesi panjang dan mengekstraksi elemen-elemen kunci sehingga agen Anda tidak kewalahan dengan gangguan) bagi mereka yang mengandalkan Hermes dan Openclaw.

Model ketiga, Gemini 3.5 Flash Cyber, tidak akan tersedia untuk umum. Google membatasinya untuk pemerintah dan mitra terverifikasi yang perlu menemukan dan memperbaiki kerentanan perangkat lunak—kemampuan penggunaan ganda yang tidak nyaman bagi perusahaan untuk dirilis secara luas.

Sementara itu, tim DeepMind Google sudah bergerak maju. Google mengonfirmasi dalam pengumuman resminya bahwa mereka telah memulai "pelatihan pra-pelatihan paling ambisius kami sejauh ini, untuk Gemini 4," dan tim sudah mempromosikannya.

Pra-pelatihan adalah fase fundamental di mana model belajar dari kumpulan data besar sebelum penyetelan halus spesifik tugas dimulai—yang berarti Gemini 4 sedang dibangun, bukan hanya direncanakan.

Baik 3.6 Flash maupun 3.5 Flash-Lite sudah aktif hari ini di aplikasi Gemini, Google AI Studio, dan melalui API. Gemini 3.5 Pro akan dirilis, menurut Google, "segera setelah siap," kapan pun itu.