‏جمینای ۳.۸ فلش با دو نسخهٔ معمولی و سایبری

گوگل مدل Gemini 3.8 Flash رو معرفی کرد، سومین انتشار خانوادهٔ Flash تو فقط شش هفته و سه هفته بعد از ۳.۷ Flash. به گفتهٔ گوگل این بهترین مدل استدلال و کدنویسی‌شونه، اونم با همون سرعت و همون قیمت نسخهٔ قبلی: هر میلیون توکن ورودی ۰.۷۵ دلار و هر میلیون توکن خروجی ۳.۷۵ دلار. کنارش یه نسخهٔ دوم هم اومده به اسم 3.8 Flash Cyber که مخصوص کار امنیتیه.

جهش اصلی تو کارهای agentic (یعنی وقتی مدل خودش پشت سر هم ابزار صدا می‌زنه و یه کار چندمرحله‌ای رو تا آخر می‌بره) و مهندسی نرم‌افزار طولانی‌مدته. تو بنچمارک DeepSWE v1.1 از بیشتر مدل‌های بزرگ‌تر جلو زده و تو HLE-Verified به ۵۴.۹ درصد رسیده. دلیلش یه انتخاب طراحیه: مدل بیشتر زحمت می‌کشه و ابزارها رو پشت سر هم صدا می‌زنه. عوضش ممکنه توکن بیشتری بسوزونه؛ اگه مصرف براتون مهم‌تره، effort رو بیارید پایین یا همون ۳.۷ Flash رو نگه دارید که هنوز کامل پشتیبانی می‌شه.

نسخهٔ 3.8 Flash Cyber فقط از راه برنامهٔ Fairwind به مدافع‌های مورد اعتماد می‌رسه. تو CyberGym که بنچمارک استاندارد پیدا کردن آسیب‌پذیریه از مدل‌های خیلی بزرگ‌تر جلو زده، و تو یه بنچمارک داخلی روی کدبیس‌هایی با ۲۰ زبان برنامه‌نویسی بالای ۷۰ درصد موفقیت گرفته. تو CWE-Bench هم برای وصله‌کردن خودکار pass@1 برابر ۴۷.۲ درصد داشته، تقریباً هم‌سطح ۴۷.۸ درصدِ بهترین مدل رقیب ولی با هزینهٔ خیلی کمتر. گوگل تأکید داره که از اول روی رفع آسیب‌پذیری سرمایه‌گذاری کرده، نه روی توانایی‌های تهاجمی.

برای نمونه‌های واقعی هم گوگل می‌گه تیم امنیت Chrome با این مدل ۲.۶ برابر بیشتر از بهترین مدل‌های تجاری وصلهٔ درست گرفته، Wiz بین ۷.۵ تا ۹.۷ درصد recall بیشتر با هزینهٔ ۲.۳ تا ۵.۲ برابر کمتر دیده، و تیم Cloud Vulnerability Research گوگل یه آسیب‌پذیری بنیادی حساس رو زیر دو ساعت پیدا کرده؛ کاری که معمولاً ماه‌ها طول می‌کشه. ۳.۸ Flash با محافظ‌های CBRN و ضدحملهٔ سایبری منتشر شده و نسخهٔ Cyber محدودیت‌های سبک‌تری داره، برای همین فقط دست مدافع‌های تأییدشده می‌افته.

نکات کلیدی:

• قیمت ۳.۸ Flash همون ۰.۷۵ دلار ورودی و ۳.۷۵ دلار خروجی به‌ازای هر میلیون توکن
• ۵۴.۹ درصد روی HLE-Verified و برتری تو DeepSWE v1.1 نسبت به مدل‌های بزرگ‌تر
• بالای ۷۰ درصد موفقیت در کشف آسیب‌پذیری روی بنچمارک داخلی با ۲۰ زبان
• pass@1 برابر ۴۷.۲ درصد تو CWE-Bench، مقابل ۴۷.۸ درصدِ مدل پیشرو با هزینهٔ بیشتر
• ۳.۷ Flash هنوز پشتیبانی داره و گزینهٔ کم‌مصرف‌تر باقی مونده