معرفی و مقایسه جدیدترین مدل‌های هوش مصنوعی Gemini در 2026

🕓 آخرین بروزرسانی: 23 آبان, 1405

از ماه می تا آگوست ۲۰۲۶، گوگل یک استراتژی بی‌سروصدا اما هوشمندانه را در بازار هوش مصنوعی پیاده کرد و برای حفظ تسلط خود بر بازار و جا نماندن از رقبا، با عرضه مدل‌های جدیدی از خانواده Flash ، اکوسیستمی از مدل‌های تخصصی خلق کرد تا پاسخگوی نیازهای متنوع بازار باشد. این درحالی بود که همه منتظر بودند تا این غول فناوری به وعده‌ خود در رویداد Google I/O 2026 مبنی بر عرضه مدل Gemini 3.5 Pro عمل کند.

اگرچه این تنوع برای کاربران و توسعه‌دهندگان می‌تواند جذاب باشد اما چالش جدی، یافتن مدلی است که بتواند با سرعت بیشتر و هزینه کمتر، بهترین خروجی را تضمین کند.

شما چه کاربری باشید که می‌خواهد کارآمدترین ابزار را برای نیازهای روزمره‌اش بشناسد و چه توسعه‌دهنده‌ای که باید زیرساخت محصول بعدی خود را روی یکی از این مدل‌ها پایه‌گذاری کند، انتخاب نادرست مدل، به معنای هدررفت منابع و افت کیفیت خروجی خواهد بود. این نوشته با تکیه بر داده‌های مستند و بررسی‌های فنی، مسیر این تصمیم‌گیری را برای شما ساده، دقیق‌تر و مطمئن‌تر می‎کند.

Gemini 4 Hydrogen جایگزین Flash شد

مدل جدید Gemini 4 Hydrogen با عنوان Everyday help به فهرست مدل‌های جمینای اضافه شده است؛ تغییری که از آغاز نسل تازه مدل‌های گوگل و تمرکز آن بر کاربردهای روزمره حکایت دارد. این تغییر به معرفی نسل جدید مدل‌های گوگل مربوط است؛ نسلی که در آن، گوگل Gemini 4 Hydrogen را به‌عنوان جایگزین مستقیم Gemini 3.8 Flash معرفی کرده و به‌جای نام‌گذاری Flash، از نام عناصر شیمیایی برای تفکیک مدل‌های خود استفاده کرده است.

Gemini 4 Hydrogen با تمرکز بر کارهای روزمره، کدنویسی سریع و اجرای دستورات طراحی شده و طبق اطلاعات منتشرشده، سرعت آن ۲.۵ برابر بیشتر از نسل قبلی است. در این خانواده، هر مدل برای سطح متفاوتی از نیازها در نظر گرفته شده است:

  • Gemini 4 Hydrogen: انجام کارهای روزمره و کدنویسی سریع

  • Gemini 4 Argon: کدنویسی پیشرفته و تحلیل عمیق

  • Gemini 4 Carbon: پردازش پروژه‌های پیچیده و وظایف سنگین

  • Gemini 3.5 Flash-Lite: مدل سبک برای کاربران رایگان

البته دسترسی به این مدل‌ها یکسان نیست. در حال حاضر، Gemini 4 Hydrogen در اپلیکیشن جمینای فقط برای کاربران دارای اشتراک‌های AI Pro و AI Ultra فعال است و کاربران رایگان و AI Plus به آن دسترسی ندارند.

برای توسعه‌دهندگان نیز شناسه API مدل قبلی همچنان فعال باقی مانده است؛ با این حال، گوگل مهاجرت به Hydrogen را پیشنهاد می‌کند.

 مدل جمینای Gemini 3.8 Flash چیست؟

برای درک بهتر جایگاه Hydrogen و تغییراتی که در نسل جدید مدل‌های گوگل اتفاق افتاده است، بهتر است نگاهی به Gemini 3.8 Flash، قابلیت‌های آن و جایگاهی که پیش از معرفی این مدل داشت، بیندازیم.

گوگل با معرفی Gemini 3.8 Flash، بخش مهمی از بهبود این نسخه را به توانایی انجام کارهای پیچیده‌تر، از استدلال چندمرحله‌ای تا مهندسی نرم‌افزار و اجرای وظایف عامل‌محور اختصاص داده است. 3.8 Flash علاوه بر حفظ سرعت و هزینه پایین مدل‌های Flash، به سمت انجام کارهایی رفته است که به برنامه‌ریزی، استفاده متوالی از ابزارها و دقت بیشتر در طول اجرای یک وظیفه نیاز دارند.

از زمان عرضه جمینای ۳.۶ فلش در اواخر ژوئیه2026، گوگل هر سه هفته یک مدل فلش جدید عرضه کرده است. این مدل‌های چندوجهی و سبک‌وزن برای استدلال چندمرحله‌ای، اجرای وظایف پیچیده و گردش کارهای عامل‌محور بهینه شده‌اند و قرار است بخشی از کارهایی را که به توان پردازشی و استدلال بیشتری نیاز دارند، با سرعت و هزینه پایین‌تر انجام دهند.

گوگل، جمینای ۳.۸ فلش را هوشمندترین مدل همه‌کاره خود (workhorse model) توصیف کرده است زیرا نسبت به نسخه ۳.۷ فلش، بهبودهای قابل‌توجهی در مهندسی نرم‌افزار، استدلال‌های چندمرحله‌ای در حوزه‌های تخصصی و گردش کارهای عامل‌گونه ارائه می‌دهد. گردش کارهای عامل گونه (Agentic) کارهایی است که در آنها مدل باید برای رسیدن به نتیجه، چند مرحله را طی و در صورت نیاز از ابزارهای مختلف به‌صورت متوالی استفاده کند.

نکته‌ مهم‌تر برای کسب‌وکارها این است که مدل 3.8 در برابر حملات تزریق دستور یعنی زمانی که کسی سعی می‌کند با جاسازی یک دستور مخرب «داخل یک متن یا سند»، مدل را فریب دهد تا کار دیگری غیر از خواسته‌ کاربر انجام دهد؛ مقاومت بیشتری دارد. این ویژگی‌ که برای عامل‎هایی که قرار است بدون نظارت مستقیم انسان با ایمیل، فایل یا وب‌سایت‌های ناشناس سروکار داشته باشد، اهمیت زیادی پیدا می‌کند.

این «بهبود» دقیقاً در چه چیزی خودش را نشان می‌دهد؟

بخش عمده‌ پیشرفت مدل در آزمون τ³-Banking  که توانایی آن در به‌کارگیری چند ابزار مختلف به‌صورت متوالی و درست برای انجام یک کار مالی چندمرحله‌ای را می‌سنجد، حاصل شده است. نمره‌ مدل در این آزمون از 30.9 درصد Gemini 3.7 Flash به 38.1 درصد رسیده است. یعنی اگر بخواهید یک دستیار هوشمند بسازید که مثلاً باید چند حساب را چک کند، تراکنش‌ها را مقایسه کند و در نهایت گزارش بدهد، احتمال اینکه این کار را تا انتها به درستی پیش ببرد بسیار بیشتر از نسل قبل شده است.

این بهبود در انجام وظایف و رسیدن به دقت بالاتر با مصرف توکن بیشتر (حدود ۳۰ درصد) همراه است. به زبان ساده، یعنی با اینکه نرخ هر توکن نسبت به نسل قبل تغییری نکرده است اما هزینه نهایی انجام یک کار کامل می‎تواند به دلیل مصرف توکن بیشتر افزایش پیدا کند. نکته‌ای که پیش از تصمیم به مهاجرت کامل، حتماً باید در بودجه‌بندی لحاظ شود.

از نظر قیمت، گوگل برای توسعه‌دهندگان و کاربران سازمانی همان نرخ مقدماتی معرفی Gemini 3.7 Flash یعنی ۰.۷۵ دلار به‌ازای هر یک میلیون توکن ورودی و ۳.۷۵ دلار به‌ازای هر یک میلیون توکن خروجی را حفظ کرده است. کاربران اشتراک‌های Google AI Pro  یا Ultra ، می‌توانند از سه مسیر اپلیکیشن Gemini، جست‎و‌جوی گوگل (AI Mode) و Gemini در Google Sheets به این مدل دسترسی داشته باشند. مسیر دسترسی توسعه‌دهندگان هم از طریق Google AI Studio، Google Antigravity  و Android Studio  فراهم شده است.

مدل Gemini 3.7 Flash چیست؟

در ۱۳ آگوست ۲۰۲۶ (۲۲ مرداد ۱۴۰۵) و تنها ۲۳ روز پس از عرضه Gemini 3.6 Flash، گوگل با معرفی مدل Flash Gemini 3.7  به تلاش خود برای استفاده سریع‌تر، کارآمدتر و آسان‌تر از مدل‌های هوش مصنوعی ادامه داد. این فاصله زمانی کوتاه نشان می‌دهد گوگل این روزها با ریتمی بسیار سریع‌تر از قبل مدل‌های خانواده   Flash  را به‌روزرسانی می‌کند. رویکردی که به گفته این شرکت بطور مستقیم از بازخورد توسعه‌دهندگان و نوآوری‌های الگوریتمی نشأت گرفته است.

 مدل Gemini 3.7 Flash یک مدل پایه‌ جدید نیست؛ بلکه یک ارتقای الگوریتمی روی پایهGemini 3.6 Flash است. همین باعث می‌شود پیشرفت‌هایش در فاصله‌ ۲۳ روزه قابل توجه‌تر هم باشد.

 مدل Gemini 3.7 Flash چه کاری بهتر از قبل انجام می‌دهد؟

اگر با شنیدن بنچمارک‌هایی مثل DeepSWE یا FrontierCode سردرگم می‎شوید، باید گفت اینها اسم‌هایی فنی برای آزمون‌های ساده‌ هستند.

    • FrontierCode  می‌سنجد که آیا مدل دفعه اول کد درست و بدون باگ می‌نویسد یا باید چند بار اصلاحش کند.

    • DeepSWE  یعنی مدل را وسط یک پروژه واقعی با یک باگ واقعی می‌اندازند و بررسی می‎کنند که آیا مثل یک مهندس نرم‌افزار حرفه‌ای می‌تواند مشکل را پیدا و برطرف کند.

    • AutomationBench  کارهای زنجیره‌ای و چندمرحله‌ای را می‌سنجد؛ مثلاً اینکه مدل بتواند چند ایمیل را بخواند، خلاصه کند، در یک فایل وارد کند و بدون اینکه وسط راه گم شود، پیامی بفرستد.

    • WebDev Arena یعنی دو وب‌سایت ساخته‌شده توسط دو مدل مختلف را کنار هم می‌گذارند و آدم‌های واقعی رأی می‌دهند کدام بهتر است.

با این توضیحات، اعداد رسمی گوگل معنادارتر می‌شوند:

بنچمارک Gemini 3.6 Flash Gemini 3.7 Flash
FrontierCode  -کیفیت کد در نگاه اول ۳۴.۴٪ ۴۳.۶٪
DeepSWE  -حل باگ واقعی ۴۹.۰٪ ۶۵.۳٪
AutomationBench – کارهای چندمرحله‌ای ۱۷.۰٪ ۳۰.۴٪
WebDev Arena – امتیاز Elo ۱۵۳۸ ۱۵۸۸

پس اگر از هوش مصنوعی برای تولید اسکریپت اتوماسیون، ساخت وب‌سایت، یا کمک در برنامه‌نویسی استفاده می‌کنید، این مدل به‌وضوح بهتر شده است و در آزمون‌های استاندارد کدنویسی، کیفیت کد در نگاه اول از 34.4 درصد به حدود ۴۴ درصد رسیده است. یعنی تقریباً یک سوم اشتباهات کمتر در اولین خروجی.

اگر می‌خواهید یک عامل هوش مصنوعی بسازید که چند ایمیل را بخواند، خلاصه کند و در یک فایل وارد کند. این نوع کارهای زنجیره‌ای از ۱۷ درصد موفقیت در مدل قبلی به 30.4 درصد رسیده است. یعنی نزدیک دو برابر بهتر.

و اگر از هوش مصنوعی برای ساخت لندینگ پیج، پورتفولیو یا سایت‌های ساده استفاده می‌کنید، خروجی بصری این مدل در رأی‌گیری واقعی کاربران از ۱۵۳۸ به ۱۵۸۸ امتیاز رسیده است (در مقیاسی که اختلاف ۵۰ امتیاز قابل توجه است).

اما این اعداد باید در بستر واقعی‌شان دیده شوند. برای مثال، حتی با جهش دو برابری در AutomationBench، مدل هنوز از هر ده وظیفه خودکارسازی چندمرحله‌ای، در حدود هفت وظیفه با شکست مواجه می‎شود. همچنین در بنچمارک سخت‌تری به نام  Terminal-bench 3.0 که مدل را در محیط‌های اجرایی پیچیده می‌سنجد، امتیاز مدل به ۱۴.۹ درصد می‌رسد. بنابراین «پیشرفت چشمگیر» و «مدل کامل» دو مفهوم متفاوت‌اند.

Gemini 3.7 Flash در مقایسه با رقبا کجا ایستاده است؟

مؤسسه تحلیلی Artificial Analysis که به سنجش بی‌طرف مدل‎های هوش مصنوعی می‌پردازد، به Gemini 3.7 Flash امتیاز ۵۶ داده است که چهار واحد بیشتر از نسخه قبلی (Flash 3.6 Gemini با امتیاز ۵۲) است.

جمینای ۳.۷ فلش در دو معیار اتوماسیون و درک اسناد از رقبا جلوتر است، این یعنی اگر یک PDF طولانی، گزارش مالی، سند حقوقی یا مجموعه‌ای از اطلاعات ساختاریافته را به مدل بدهید، 3.7 بیشتر روی ارتباط میان اطلاعات و استخراج نتیجه تمرکز می‌کند، نه صرفاً خلاصه‌سازی آنها.

 اما در آزمون دشوار‌تری به نام  Agent’s Last Exam که وظایف پیچیده سیستمی را می‎سنجد، کلود سونت ۵ با ۳۳.۳ درصد از جمینای 3.7 Flash با ۲۶.۳ درصد پیشی می‌گیرد. نتیجه اینکه برتری مدل به نوع کار وابسته است و یک جدول واحد نمی‌تواند برای همۀ کاربردها حکم نهایی صادر کند.

یکی از جذاب‌ترین کاربردهای این مدل به پلتفرم Antigravity، گوگل مربوط می‌شود. ابزاری که به‌جای اینکه شما کد بنویسید، خودش برنامه‌نویسی می‌کند.

 تصور کنید می‌خواهید یک اپ موبایل بسازید که صفحه ورود و ثبت نام داشته باشد، به جای اینکه یک توسعه‌دهنده برای آیفون، یکی برای اندروید و یکی برای وب استخدام کنید، Antigravity چند دستیار هوش مصنوعی را به‌صورت موازی به کار می‌اندازد که هر کدام روی یک پلتفرم کار کرده و نتیجه را روی شبیه‌ساز امتحان می‌کنند تا مطمئن شوند جواب می‌دهد. طبق اعلام رسمی این پلتفرم،Gemini 3.7 Flash  اکنون مدل پیش‌فرض عامل Antigravity در Gemini Managed Agents  و Antigravity SDK  است.

بر اساس مستندات رسمی، این پلتفرم یک پرامپت برای ساخت صفحه با اجزای بومی دریافت می‌کند و سپس برای هر فریمورک موبایل هدف، یک دستیار فرعی (sub-agent) جداگانه را به‌صورت موازی راه می‌اندازد که روی شبیه‌ساز یا امولاتور مربوطه نتیجه را اجرا و بررسی می‌کند.

 برای تیم‌هایی که اپلیکیشن چندپلتفرمی می‌سازند، این رویکرد می‌تواند زمان قابل‌توجهی از چرخه توسعه بخش احراز هویت که یکی از پیچیده‌ترین و پرتکرارترین بخش‌های هر اپ است، کم کند.

نکات لازم برای استفاده از Gemini 3.7 Flash

اگر توسعه‌دهنده یا صاحب کسب‌وکار هستید، سه نکته عملی از این ماجرا قابل استخراج است:

1. Gemini 3.7 Flash با قیمت فعلی، گزینه‌ای واقعی برای وظایف کدنویسی و اتوماسیون است؛ اما پیش از مهاجرت کامل سیستم‌های تولیدی، عملکرد آن را نه فقط بر اساس بنچمارک‌های اعلام‌شده بلکه روی کار خودتان بسنجید.

2. قیمت فعلی موقتی است و در ابتدای سال ۲۰۲۷ دو برابر می‌شود. از این فرصت برای  آزمون و بهینه‌سازی پرامپت‎های خود درحالیکه هزینه استباه نصف است، استفاده کنید.

3. تا زمانی که Gemini 3.5 Pro واقعاً عرضه نشده است برای پروژه‌های حساس به زمان، روی آن حساب نکنید. در همین حال، Gemini 3.7 Flash  و Gemini 4 (که هنوز در مرحله پیش‌آموزش است) دو مسیر اصلی گوگل برای پرکردن این خلأ هستند.

تفاوت Gemini 3.7 Flash با مدلهای قبلی جمینای

مدل چندوجهیGemini 3.5 Flash که در رویداد Google I/O 2026 معرفی شد، توان پردازش و استدلال مدل‌های سری Pro  را با سرعت بیشتر و هزینه پایین‌تر مدل‌های سری  Flashترکیب کرد و به یکی از ابزارهای مهم برای توسعه عامل‌های هوش مصنوعی (AI Agents) تبدیل شد. این مدل فقط مدت کوتاهی در اختیار کاربران قرار گرفت و با عرضه Gemini 3.6 Flash، از دسترس خارج شد.

گوگل Gemini 3.6 Flash   را در 21 ژوئیه 2026 عرضه کرد تا سه مشکل از مشکلاتی که کاربران درباره مدل Gemini 3.5  گزارش کرده بودند را برطرف کند:

پرحرفی مدل و مصرف بی‌رویه توکن

 ویرایش‌های ناخواسته هنگام کدنویسی

 گرفتارشدن در حلقه‌های تکراری هنگام اجرای وظایف چندمرحله‌ای

نتیجه این بررسی‌ها، ارایه مدلی شد که در کدنویسی دقیق‌تر عمل می‌کند و برای رسیدن به خروجی نهایی، مسیری کوتاه‌تر و با فراخوانی ابزار کمتر را طی می‌کند.

ویژگی‌های مدل Gemini 3.6 Flash

  • خواندن و استخراج اطلاعات از کدهای پیچیده
  • تحلیل هم‌زمان متن، تصویر، ویدئو و صدا
  • درک رابطه میان نمودارها و اعداد
  • استخراج بینش از داده‌ها و تلخیص اطلاعات
  • ارائه خروجی دقیق و قابل اتکا

سایر ویژگیهای مدل جمینای 3.6 فلش

  • عملکرد بهتر در کارهای دانشی

این مدل در تحلیل، تفکر انتقادی، حل مسئله و پردازش اطلاعات، عملکرد بهتری نسبت به Gemini 3.5 Flash نشان داد. بر اساس شاخص GDPval-AA v2 (سنجش کارهای دانشی دارای ارزش اقتصادی واقعی)، امتیاز این مدل از ۱۳۴۹ در نسخه ۳.۵ به ۱۴۲۱ در نسخه ۳.۶ افزایش یافت. (5 درصد بهبود)

  • مصرف کمتر منابع

Gemini 3.6 Flash نسبت به 3.5 Flash برای رسیدن به پاسخ مشابه حدود ۱۷ درصد توکن کمتری مصرف می‌کند(بر اساس شاخص Artificial Analysis). هزینه واقعی یک سیستم هوشمند فقط به قیمت هر توکن وابسته نیست؛ هرچه مدل برای انجام یک وظیفه به توکن، فراخوانی ابزار و تلاش مجدد کمتری نیاز داشته باشد، هزینه نهایی اجرای آن نیز کمتر می‌شود.

قیمت پردازش این مدل ۱.۵۰ دلار به‌ازای هر یک میلیون توکن ورودی و ۷.۵۰ دلار به‌ازای هر یک میلیون توکن خروجی اعلام شده است.

  • پیشرفت در کدنویسی و حل مسئله

Gemini 3.6 Flash در وظایف واقعی و پیچیده مهندسی نرم‌افزار نیز نسبت به نسل قبلی عملکرد بهتری نشان داده است. بر اساس آزمون DeepSWE، نرخ حل مسأله مدل مدل در این وظایف از ۳۷ درصد در Gemini 3.5 Flash به ۴۹ درصد در Gemini 3.6 Flash رسیده است. این بهبود، نسخه 3.6 را برای ایجنت‌های کدنویسی و کارهایی که خطای خروجی می‌تواند هزینه زیادی داشته باشد، مناسب‌تر می‌کند.

  • پردازش ورودی‌های چندرسانه‌ای و اسناد طولانی

این مدل متن، تصویر، ویدئو، صدا و فایل PDF را به‌عنوان ورودی می‌پذیرد، اما خروجی آن فقط متن است و نمی‌تواند مستقیماً تصویر یا صدا تولید کند. همچنین می‌تواند در هر درخواست حدود یک میلیون توکن ورودی را پردازش کند؛ قابلیتی که آن را برای بارگذاری و پرسش از اسناد طولانی مناسب می‌سازد.

  • تعامل با رابط کاربری کامپیوتر

قابلیت Computer Use به مدل اجازه می‌دهد مانند یک کاربر با رابط کاربری تعامل کند و اقداماتی مانند کلیک‌کردن، پیمایش صفحات و تکمیل فرم‌ها را انجام دهد. این قابلیت می‌تواند در عامل‌هایی کاربرد داشته باشد که وظایف عملیاتی چندمرحله‌ای را اجرا می‌کنند.

  • ایمنی

این مدل با لایه‌های ایمنی تقویت‌شده در حوزه‌های شیمیایی، بیولوژیک، هسته‌ای و سوءاستفاده سایبری عرضه شده است تا در برابر تلاش برای دورزدن محدودیت‌ها مقاوم‌تر باشد و در عین حال درخواست‎های مفید و قانونی را کمتر رد کند. با این حال، سخت‌گیری بیشتر این لایه ایمنی می‌تواند در برخی سناریوهای مرزی به رد نادرست درخواست‌های قانونی منجر شود.

بنابراین، برتری 3.6 Flash به معنای مناسب‌بودن آن برای همه سناریوها نیست؛ نوع کار همچنان معیار اصلی انتخاب مدل است

محدودیت‌های Gemini 3.6 Flash

با وجود بهبودهای Gemini 3.6 Flash، این مدل در همه وظایف الزاماً عملکردی بهتر از نسل قبل خود ندارد و لازم است در سناریوهای واقعی نیز ارزیابی شود. برای نمونه، طبق داده‌هایArtificial Analysis، نمره این مدل در شاخص کلی هوش (Intelligence Index) با Gemini 3.5 Flash تقریباً یکسان است (نزدیک به ۵۰ تا ۵۲ از ۱۰۰)؛ به‌بیان دیگر، بهبودهای این نسل بیشتر در کارایی، کدنویسی و کارهای عامل‌محور آشکار است تا در استدلال عمومی. همچنین در برخی ارزیابی‌های انسانی، ظاهر و سبک بصری رابط‌های کاربری‌ای که مدل تولید می‌کند نسبت به مدل‌های قبلی کمتر ترجیح داده شده است؛ هرچند Gemini 3.6 از نظر دقت و کدنویسی خروجی قوی‌تری دارد.

Gemini 3.5 Flash

این مدل دارای دو زیرشاخه Lite و Cyber بود که هنوز هم در دسترس هستند. در ادامه ضمن توضیح مختصر درباره این دو زیرشاخه، جدول مقایسه آنها نیزقابل مشاهده است.

Gemini 3.5 Flash-Lite؛ انتخاب اقتصادی برای مقیاس بزرگ

اگر Gemini 3.6 Flash بر کیفیت و توانایی استدلال تمرکز دارد، Gemini 3.5 Flash-Lite  برای وظایفی ساخته شده است که در آن‌ها سرعت و هزینه پایین در مقیاس بزرگ اولویت دارد؛ نمونه آن جست‌وجوی عامل‌محور حجیم و پردازش انبوه اسناد است. این مدل برای استخراج داده، دسته‌بندی، خلاصه‌سازی، انجام وظایف پرتعداد و ساده‌تر، و استفاده به‌عنوان زیرعامل مناسب است.

طبق اندازه‌گیری  Artificial Analysisاین مدل به‌عنوان سریع‌ترین عضو نسل 3.5 می‌تواند ۳۵۰ توکن خروجی در ثانیه تولید کند. قیمت آن برای هر یک میلیون توکن ورودی ۰.۳۰ دلار و برای هر یک میلیون توکن خروجی، ۲.۵۰ دلار است.

Flash-Lite  در برخی ارزیابی‌های تخصصی، مانند SWE-Bench Pro و OSWorld-Verified، حتی از مدل‌های سنگین‌تر نسل قبل مانند Gemini 3 Flash عملکرد بهتری داشته است (در SWE-Bench Pro با ۵۴٫۲ درصد در برابر ۴۹٫۶ درصد، و در OSWorld-Verified با ۷۴ درصد در برابر ۶۵٫۱ درصد). توسعه‌دهندگان می‌توانند سطح تفکر مدل را متناسب با وظیفه تنظیم کنند؛ یعنی برای اجرای سریع و ارزان کارهای پرحجم از سطح حداقلی و برای تحلیل‌های چندمرحله‌ای از سطوح بالاتر استفاده کنند.

Gemini 3.8 Flash Cyber و

Gemini 3.5 Flash Cyber؛ مدل‌های تخصصی امنیت سایبری با دسترسی محدود

گوگل همزمان با معرفی Gemini 3.8 Flash، جدیدترین مدل امنیت سایبری (Gemini 3.8 Flash Cyber) خود را نیز معرفی کرده است که در کشف خودکار آسیب‌پذیری‌ها از مدل 3.5 Flash Cyber و همچنین مدل‌های مرزی (frontier) بسیار بزرگ‌تر، بهتر عمل می‌کند.

دسترسی به Gemini 3.8 Flash Cyber برخلاف مدل اصلی، عمومی نیست و فقط از طریق برنامه جدید  Fairwind  در اختیار دولت‌ها و سازمان‌های مورد اعتماد، اپراتورهای زیرساخت‌های حیاتی و نگهدارندگان نرم‎افزار قرار می‌گیرد.

Gemini 3.5 Flash Cyber که پیش از 3.8 عرضه شد، بر پایه Gemini 3.5 Flash و به‌طور اختصاصی برای شناسایی و رفع آسیب‌پذیری‌های امنیت سایبری طراحی و بهینه‌سازی شده است. این مدل در سیستم CodeMender  به کار گرفته می‌شود؛ جایی که چند عامل به‌طور هم‌زمان یک قطعه کد را بررسی می‌کنند و در پایان گزارش امنیتی جامعی ارائه می‌دهند. طبق اعلام گوگل، این مدل در آزمون CyberGym با هزینه‌ای کمتر  در برابر مدل‌های بزرگ‌تر رقابت کرده و نتایجی در سطح مدل‌های پیشرو ثبت کرده است.

Flash Cyber قابلیت استفاده عمومی ندارد و به‌دلیل ماهیت دوگانه فناوری‌های امنیت سایبری، فقط دولت‌ها و شرکای مورد اعتماد به آن دسترسی دارند. ابزاری که می‌تواند آسیب‌پذیری‌ها را کشف و ترمیم کند؛ در صورت استفاده نادرست ممکن است برای یافتن حفره‌های قابل‌سوءاستفاده نیز به کار رود.

مقایسه مدل‌های Gemini Flash

Gemini 3.5 flash cyber Gemini 3.5 Flash-Lite Gemini 3.5 Gemini 3.6 Gemini  3.7 معیار
عرضه عمومی نشده است در دسترس توسعه‌دهندگان و عموم؛ در حال استقرار در جست‌وجوی گوگل در دسترس نیست جایگزین 3.5 و در دسترس توسعه دهندگان و عموم به‌صورت رسمی در دسترس توسعه‌دهندگان و سازمان‌ها؛ قابل استفاده برای مشترکان Pro و Ultra در کشورهای پشتیبانی‌شده   وضعیت دسترسی
شناسایی و رفع آسیب‌پذیری‌های سایبری پردازش سریع و ارزان در مقیاس بزرگ تعادل سرعت، هزینه و توانایی چندوجهی ( در زمان عرضه) کیفیت و استدلال بالاتر با مصرف توکن کمتر برای کدنویسی پیچیده، گردش‌کارهای ایجنتی و اجرای قابل‌اعتماد وظایف چندمرحله‌ای نقش اصلی
ارزیابی امنیتی تخصصی در سیستم  CodeMender استخراج داده، دسته‌بندی، خلاصه‌سازی تحلیل محتوا، کدنویسی، رابط‌های تعاملی و وظایف چندمرحله‌ای ایجنت‌های کدنویسی، تحلیل اسناد بلند و تصمیم‌گیری پیچیده کدنویسی، توسعه وب، پردازش اسناد پیچیده و PDF، تحلیل محتوای چندوجهی و خودکارسازی گردش‌کارهای سازمانی کاربرد مناسب
عرضه عمومی نشده؛ جزئیات فنی منتشر نشده است متن، تصویر، ویدئو، صدا، PDF متن، تصویر، ویدئو ، صدا متن، تصویر، ویدئو، صدا و PDF متن، تصویر، ویدئو، صدا و PDF ورودی چندرسانه‌ای
ندارد ندارد ندارد ندارد؛ خروجی فقط متن است فقط متن و تولید صدا نیز پشتیبانی نمی‌شود خروجی مستقیم چندرسانه‌ای
ندارد مشخص نشده ندارد دارد در وضعیت Preview Computer Use
عرضه عمومی نشده است ۰.۳۰ دلار / یک میلیون توکن ۱.۵۰ دلار ۱.۵۰ دلار در سطح پولی استاندارد: ۰٫۷۵ دلار به‌ازای یک میلیون توکن تا پایان 2026  از ۲۰۲۷، ۱٫۵۰ دلار قیمت ورودی
عرضه عمومی نشده است ۲.۵۰ دلار 00/9 دلار ۷.۵۰ دلار در سطح پولی استاندارد با احتساب توکن‌های استدلال: ۳٫۷۵ دلار به‌ازای یک میلیون توکن تا پایان ۲۰۲۶؛ از ۲۰۲۷، ۷٫۵۰ دلار قیمت خروجی
تخصص امنیت سایبری سرعت بسیار بالا و هزینه پایین سرعت و هزینه مناسب در کنار توانایی پیشرفته (در زمان عرضه) دقت، استدلال و کدنویسی بهتر بهبود چشمگیر در کدنویسی واقعی، توسعه وب، استفاده ایجنتی از ابزار، پردازش اسناد پیچیده و اجرای گردش‌کارهای چندمرحله‌ای نقطه قوت اصلی

منبع داده‌های قیمت و بنچمارک: اعلامیه رسمی گوگل و Artificial Analysis 

کدام مدل را انتخاب کنیم؟

ازآنجا که Gemini 3.5 Flash دیگر در Gemini قابل استفاده نیست، انتخاب میان مدل‌های فعلی باید بر اساس نوع کار مشخص شود:

  • اگر کیفیت خروجی، دقت و کاهش احتمال خطا در کارهایی مانند تولید کد یا تحلیل یک سند مهم، اهمیت بسیاری دارد، Gemini 3.6 Flash  انتخاب مناسب‌تری است.
  • اگر حجم درخواست‌ها بسیار زیاد است و هر درخواست به منطق پیچیده‌ای نیاز ندارد، Gemini 3.5 Flash-Lite  گزینه اقتصادی‌تری خواهد بود.
  • برای ارزیابی تخصصی امنیت سایبری نیز Gemini 3.5 Flash Cyber بهترین گزینه است اما در دسترس همه کاربران نیست.

در سیستم‌های عامل‌محور پیشرفته می‌توان چند مدل را در کنار هم به کار گرفت:

  • Gemini 3.6 Flash  برای تصمیم‌گیری و مدیریت فرایند؛
  • Gemini 3.5 Flash-Lite برای اجرای تعداد زیادی وظیفه ساده‌تر.

 با این تفکیک، هر وظیفه به مدلی سپرده می‌شود که از نظر کیفیت، سرعت و هزینه تناسب بیشتری با آن دارد.

در دنیای هوش مصنوعی یک چالش همیشگی وجود دارد: مدل‌های قدرتمند برای اجرای وظایف پیچیده به زمان و بودجه‌ی سنگینی نیاز دارند و مدل‌های سریع‌تر و ارزان‌تر، در استدلال‌های عمیق کم می‌آورند. خانواده‌ Gemini Flash (شامل Gemini 3 Flash و آپدیت‌های پیاپی آن) دقیقاً با هدف از بین بردن همین شکاف ارائه شدند.

همان‌طور که در این بررسی دیدیم، گوگل در معماری این نسل صرفاً بر افزایش توانایی خام مدل‌ها متمرکز نبوده است؛ بلکه هدف نهایی، ارائه‌ هوش پیشرفته در کنار سرعت بالا و هزینه کم است. به همین دلیل، در این اکوسیستم جدید، معیارهای حیاتی دیگری مانند مصرف بهینه‌ توکن، کاهش هزینه‌ واقعی عملیات و قابلیت اتکای بالا در فرایندهای چندمرحله‌ای، به مرکز توجه گوگل تبدیل شده‌اند.

توانایی مدل‌های Gemini در استفاده از ابزارها و انجام وظایف چندمرحله‌ای، در Gemini Spark با رویکردی عامل‌محور دنبال شده است؛ عاملی شخصی که بر پایه Gemini 3.5 و Antigravity، می‌تواند برخی وظایف را به نمایندگی از کاربر انجام دهد.

اشتراک گذاری:

2 دیدگاه

به گفتگوی ما بپیوندید و دیدگاه خود را با ما در میان بگذارید.

دیدگاهتان را بنویسید

Bale