Gemini 3.5 Flash؛ نقطه شروع نسل جدید Google و بررسی ارزش آن در سال ۲۰۲۶
آخرین راستیآزمایی: ۱۲ سپتامبر ۲۰۲۶
تاریخ عرضه: ۱۹ مه ۲۰۲۶
قیمت و شیوهٔ محاسبه: Standard: ۱٫۵۰ دلار ورودی و ۹ دلار خروجی برای هر یک میلیون توکن تعرفه و دسترسی را برای زمان خرید دوباره در منبع رسمیِ مقاله بررسی کنید.
مقدمه
Gemini 3.5 Flash در Google I/O 2026 بهعنوان مدل اصلی و سریع خانواده جدید معرفی شد. مدل قرار بود فاصله میان پاسخگویی کمهزینه و اجرای کارهای واقعی—از کدنویسی و تحلیل سند تا کار با ابزار—را کمتر کند.
چند ماه بعد، 3.6، 3.7 و 3.8 Flash عرضه شدند. بنابراین پرسش امروز دیگر فقط «3.5 چه تواناییهایی دارد؟» نیست؛ باید پرسید آیا استفاده از آن در برابر جانشینهای ارزانتر یا قویتر هنوز توجیه دارد.
پاسخ کوتاه این است: برای پروژههای موجود و Snapshotهای تثبیتشده، ممکن است بله؛ برای پروژه تازه، معمولاً نه بهعنوان انتخاب اول. با این حال، 3.5 Flash نقطه مرجع مهمی برای درک تحول سریع مدلهای Agentic Google است و هنوز در مستندات و قیمتگذاری رسمی API حضور دارد.
معرفی کامل Gemini 3.5 Flash
Google مدل Gemini 3.5 Flash را در ۱۹ مه ۲۰۲۶ منتشر و همان زمان نسخه Stable/GA آن را در Gemini API عرضه کرد. شناسه دقیق مدل gemini-3.5-flash است.
این نسخه نخستین Flash خانواده 3.5 بود و قابلیتهایی مانند Thought Preservation در گفتوگوی چندمرحلهای، چهار سطح Thinking، Context یکمیلیونتوکنی و مجموعه ابزارهای نسل Gemini 3 را ارائه کرد.
Google مدل را برای دستیارهای عمومی، کدنویسی، Agentها و تحلیل چندوجهی طراحی کرد. اما در زمان بررسی، سه جانشین Flash جدیدتر موجودند و Artificial Analysis نیز صفحه این مدل را Deprecated علامت زده و فقط بخشی از سنجشهای عملکردی آن را بهروز نگه میدارد. این برچسب مربوط به Tracker مستقل است و بهتنهایی به معنای حذف API Google نیست.
قابلیتهای اصلی
Thinking و حفظ Thought Signature
3.5 Flash از سطحهای minimal، low، medium و high پشتیبانی میکند و سطح پیشفرض آن medium است. در مکالمات چندمرحلهای، Thought Signature باید مطابق مستندات حفظ شود تا تداوم استدلال و فراخوانی ابزار آسیب نبیند.
Google توصیه میکند بهجای دستکاری temperature، top_p یا top_k از thinking_level استفاده شود. تغییر Sampling میتواند رفتار مدل را غیرقابلپیشبینیتر کند.
ورودی چندوجهی
مدل متن، تصویر، صوت، ویدیو و PDF را دریافت و متن تولید میکند. تحلیل Screenshot، نمودار، فایل جلسه و ویدیوی آموزشی ممکن است، اما تولید تصویر، موسیقی، صوت یا ویدیوی بومی جزو خروجیهای این شناسه نیست.
Agent و Function Calling
Function Calling، Structured Outputs، Code Execution، File Search و URL Context پشتیبانی میشوند. مدل میتواند تصمیم بگیرد چه ابزاری لازم است و نتیجه را ادامه دهد، ولی اجرای امن و کنترل مجوز باید بیرون از مدل پیادهسازی شود.
Google Search و Maps Grounding
با فعالسازی Grounding، پاسخ میتواند از داده تازه وب یا اطلاعات مکانی استفاده کند. Citation و تاریخ منبع باید در رابط حفظ شوند؛ بدون این ابزار، مدل به Knowledge Cutoff داخلی محدود است.
Computer Use
Computer Use در وضعیت Preview ارائه میشود و برای پیمایش رابطهای گرافیکی یا تست Flow کاربرد دارد. حساب تست، محدودیت دامنه و تأیید عملیات حساس برای استفاده حرفهای ضروری است.
خروجی بلند و Context بزرگ
حد ورودی ۱٬۰۴۸٬۵۷۶ و سقف خروجی ۶۵٬۵۳۶ توکن است. این ظرفیت برای کد و سند طولانی مفید است، اما واردکردن همه داده بدون بازیابی هدفمند میتواند هزینه و خطای بازیابی را افزایش دهد.
مهمترین نقاط قوت
- چهار سطح Thinking، از Minimal تا High
- Context یکمیلیونتوکنی و حداکثر خروجی بلند
- ورودی متن، تصویر، صوت، ویدیو و PDF در یک API
- ابزارهای کامل شامل Search Grounding، Function Calling و Code Execution
- عملکرد قوی زمان عرضه در MCP Atlas، MMMU-Pro و OSWorld
- Snapshot پایدار برای سیستمهایی که پیش از جانشینها روی آن ساخته شدهاند
محدودیتها و نقاط ضعف
مهمترین ضعف امروز، نسبت قیمت به گزینههای جدیدتر است. نرخ Standard مدل ۱٫۵۰ دلار ورودی و ۹ دلار خروجی است؛ در حالی که 3.6 تا 3.8 Flash تا پایان ۲۰۲۶ قیمت معرفی ۰٫۷۵/۳٫۷۵ دلار دارند.
Knowledge Cutoff رسمی ژانویه ۲۰۲۵ است، پس برای اطلاعات متغیر باید Search Grounding یا داده داخلی استفاده شود. Hallucination، خطای ابزار و از دستدادن جزئیات در Context بلند همچنان ممکناند.
Google میگوید Image Segmentation در این مدل پشتیبانی نمیشود. همچنین تغییر Sampling Parameters توصیه نشده و Live API یا تولید بومی رسانه در دسترس نیست.
وجود سه جانشین سریع باعث شده اکوسیستم ارزیابی مستقل تمرکز خود را از 3.5 بردارد. Artificial Analysis مدل را در Tracker خود Deprecated مینامد؛ بنابراین برخی نتایج آن تاریخیاند و فقط Workload پیشفرض 10K همچنان بهروز میشود.
کاربردهای واقعی Gemini 3.5 Flash
نگهداری محصول موجود
اگر یک محصول روی رفتار 3.5 Flash تست شده، حفظ Snapshot تا تکمیل Eval مهاجرت میتواند ریسک را کم کند. تعویض مدل بدون آزمون ممکن است Schema، Tool Choice یا لحن پاسخ را تغییر دهد.
دستیار چندوجهی عمومی
مدل میتواند کاربر را درباره عکس محصول، فایل صوتی یا PDF راهنمایی کند و پاسخ ساختاریافته بدهد. این کاربرد برای پشتیبانی و آموزش مناسب است.
Agent مبتنی بر MCP و ابزار
نتیجه قوی MCP Atlas در زمان عرضه نشان میدهد مدل برای انتخاب و ترکیب ابزارها طراحی شده است. در عمل باید Tool Set کوچک و توصیف هر Function شفاف باشد.
تحلیل رابط و Flow
با Vision و Computer Use، میتوان مسیر یک وباپ را در محیط تست پیمود و مشکلها را ثبت کرد. مدل جای تست قطعی و اسکریپت E2E را نمیگیرد، بلکه برای کشف خطاهای اکتشافی مکمل است.
استخراج داده از اسناد
PDF یا تصویر سند را میتوان به جدول یا JSON تبدیل کرد. برای داده مالی، شماره صفحه و مقدار اصلی باید کنار خروجی نگه داشته و دوباره اعتبارسنجی شود.
این مدل مناسب چه کسانی است؟
Gemini 3.5 Flash بیشتر برای تیمهایی مناسب است که از قبل روی آن محصول، Prompt یا Eval ساختهاند و ثبات Snapshot برایشان از جدیدترین قابلیت مهمتر است. توسعهدهندگان Agent، تحلیلگران سند و محصولات چندوجهی میتوانند از توان آن استفاده کنند.
برای پروژه جدید، 3.8 Flash معمولاً گزینه منطقیتری برای شروع Eval است. برای کار ساده و پرتعداد نیز Flash-Lite و برای نیاز بلادرنگ مدلهای دارای Live API باید بررسی شوند.
مشخصات فنی Gemini 3.5 Flash
| مشخصه | مقدار تأییدشده |
|---|---|
| Developer | |
| Model Family | Gemini 3.5 |
| Model Type | مدل اختصاصی چندوجهی و استدلالی |
| Release Date | ۱۹ مه ۲۰۲۶ |
| Lifecycle | Stable در Google API؛ دارای جانشینهای جدیدتر |
| API Model ID | gemini-3.5-flash |
| Input | متن، تصویر، صوت، ویدیو و PDF |
| Output | متن |
| Context Window | ۱٬۰۴۸٬۵۷۶ توکن ورودی |
| Maximum Output | ۶۵٬۵۳۶ توکن |
| Knowledge Cutoff | ژانویه ۲۰۲۵ |
| Thinking Levels | minimal، low، medium و high؛ پیشفرض medium |
| Vision / Audio / Video Understanding | بله |
| Image Segmentation | خیر |
| Native Media Generation | خیر |
| Function Calling / Tool Use | بله |
| Web Search | از طریق Google Search Grounding |
| Computer Use | Preview |
| Live API | خیر |
| API Availability | Gemini API و Google AI Studio |
۵ نمونه پرامپت کاربردی
۱. مهاجرت امن از Snapshot موجود
همین Prompt را روی خروجی مرجع و پاسخ فعلی مقایسه کن. تفاوتها را در Schema، دقت، Tool Choice و لحن دستهبندی کن. هیچ تفاوتی را خودکار «بهبود» فرض نکن و برای هر مورد یک تست پذیرش پیشنهاد بده.
۲. دستیار محصول چندوجهی
تصویر محصول و صدای توضیح مشتری را با هم بررسی کن. مشکل قابل مشاهده، ادعای مشتری و موارد نامطمئن را جدا بنویس. فقط از کاتالوگ متصل پاسخ بده و برای گارانتی یا بازپرداخت اقدام خودکار نکن.
۳. Agent با ابزار محدود
برای حل این درخواست فقط از سه Function تعریفشده استفاده کن. قبل از فراخوانی، ورودی را با Schema بررسی کن؛ اگر داده لازم نیست، سؤال کوتاه بپرس. هر عملیات نوشتنی باید منتظر تأیید صریح بماند.
۴. استخراج PDF با قابلیت ممیزی
از این PDF همه شاخصهای مالی را استخراج کن. ستونهای مقدار، واحد، دوره، شماره صفحه و عنوان جدول را برگردان. جمعهای ناسازگار یا عدد ناخوانا را حدس نزن و با پرچم
needs_reviewمشخص کن.
۵. تست اکتشافی رابط
در محیط Staging مسیر بازیابی رمز عبور را آزمایش کن. مراحل، متن خطا، مشکل دسترسپذیری و Screenshot هر شکست را ثبت کن. از ایمیل تستی استفاده کن و هیچ تنظیم امنیتی یا داده واقعی را تغییر نده.
بنچمارکها و ارزیابی عملکرد
اعداد زیر از Model Card رسمی و گزارش Google I/O در مه ۲۰۲۶ آمدهاند و Vendor-reported هستند. این جدول وضعیت زمان عرضه را نشان میدهد؛ بعضی رقبای امروز در آن وجود ندارند و Harness هر Benchmark باید کنار عدد خوانده شود.
| Benchmark | Gemini 3.5 Flash | Gemini 3 Flash | Gemini 3.1 Pro | Claude Opus 4.7 | GPT-5.5 |
|---|---|---|---|---|---|
| Terminal-Bench 2.1 | ۷۶٫۲٪ | ۵۸٫۰٪ | ۷۰٫۳٪ | ۶۶٫۱٪ | ۷۸٫۲٪ |
| SWE-Pro | ۵۵٫۱٪ | ۴۹٫۶٪ | ۵۴٫۲٪ | ۶۴٫۳٪ | ۵۸٫۶٪ |
| MCP Atlas | ۸۳٫۶٪ | ۶۲٫۰٪ | ۷۸٫۲٪ | ۷۹٫۱٪ | ۷۵٫۳٪ |
| OSWorld | ۷۸٫۴٪ | ۶۵٫۱٪ | ۷۶٫۲٪ | ۷۸٫۰٪ | ۷۸٫۷٪ |
| GDPval-AA، Elo | ۱۶۵۶ | ۱۲۰۴ | ۱۳۱۴ | ۱۷۵۳ | ۱۷۶۹ |
| MMMU-Pro | ۸۳٫۶٪ | ۸۱٫۲٪ | ۸۰٫۵٪ | ۷۵٫۲٪ | ۸۱٫۲٪ |
| Humanity’s Last Exam | ۴۰٫۲٪ | ۳۳٫۷٪ | ۴۴٫۴٪ | ۴۶٫۹٪ | ۴۱٫۴٪ |
3.5 Flash در MCP Atlas و MMMU-Pro بهترین عدد جدول را دارد و در Terminal و OSWorld نزدیک به صدر است. در SWE-Pro، GDPval و HLE مدلهای رده بالاتر جلوترند. این الگو با جایگاه مدل همخوانی دارد: Tool Use و چندوجهی قوی، اما نه بالاترین سقف استدلال یا کار دانشی.
Artificial Analysis در Snapshot ۱۲ سپتامبر ۲۰۲۶، تنظیم high را با امتیاز ۳۳ در Intelligence Index v4.3، سرعت حدود ۲۰۹٫۶ توکن بر ثانیه، هزینه ۱٫۵۶ دلار برای هر وظیفه شاخص و TTFT حدود ۱۳٫۱۷ ثانیه گزارش میکند. مدل در همان سایت Deprecated علامت خورده و فقط Workload پیشفرض 10K همچنان بهروز میشود؛ پس بخشی از جزئیات تاریخیاند.
مقایسه با 3.6 نشان میدهد جانشین در Model Card Google تقریباً در همه سنجههای مشترک بهتر است و طبق گزارش عرضه توکن کمتری مصرف میکند. برای کاربر جدید، این داده همراه قیمت فعلی بالاتر 3.5، انتخاب نسل جدیدتر را منطقیتر میکند.
Benchmark جای آزمون محصول نیست. اگر سیستم شما روی 3.5 ساخته شده، همان Prompt، Tool Schema، داده و Timeout را با 3.8 اجرا کنید و شکست سازگاری را نیز جزو هزینه مهاجرت حساب کنید.
مقایسه Gemini 3.5 Flash با رقبا
| مدل | مزیت | محدودیت یا دلیل انتخاب رقیب |
|---|---|---|
| Gemini 3.5 Flash | Snapshot پایدار، چهار سطح Thinking و Tool Use کامل | نسلهای جدیدتر با قیمت فعلی بهتر موجودند |
| Gemini 3.6 Flash | Coding بهتر و مصرف توکن کمتر طبق گزارش Google | همچنان از 3.8 قدیمیتر است |
| Gemini 3.8 Flash | قویترین Flash فعلی برای Agent و کدنویسی طولانی | رفتار تازهتر نیازمند Regression Eval است |
| GPT-5.5 | عملکرد قویتر در Terminal و کار دانشی جدول عرضه | اکوسیستم و قیمت متفاوت است |
| Claude Opus 4.7 | سقف بالاتر در SWE-Pro و HLE زمان عرضه | برای حجم زیاد معمولاً کلاس هزینه بالاتری دارد |
اگر ثبات خروجی برای یک محصول موجود مهم است، 3.5 ممکن است موقتاً برنده باشد. اگر معیار کیفیت، هزینه جاری یا افق پشتیبانی است، یکی از جانشینها احتمالاً انتخاب بهتری خواهد بود.
قیمت و API
قیمت عمومی بررسیشده در ۱۲ سپتامبر ۲۰۲۶:
- Standard: ۱٫۵۰ دلار ورودی و ۹ دلار خروجی برای هر یک میلیون توکن
- Cache Hit: ۰٫۱۵ دلار؛ Cache Storage: ۱ دلار برای هر یک میلیون توکن در ساعت
- Batch: ۰٫۷۵ دلار ورودی و ۴٫۵۰ دلار خروجی
- Flex: ۰٫۷۵ دلار ورودی و ۴٫۵۰ دلار خروجی
- Priority: ۲٫۷۰ دلار ورودی و ۱۶٫۲۰ دلار خروجی
- Free Tier موجود است؛ Grounding پس از سهمیه رایگان هزینه جدا دارد.
در زمان بررسی، قیمت خروجی 3.5 از نرخ معرفی 3.6 تا 3.8 بیش از دو برابر است. این تفاوت میتواند حتی پیش از بررسی کیفیت، مهاجرت را از نظر اقتصادی جذاب کند. شناسه API gemini-3.5-flash است.
Gemini 3.5 Flash را در Buffalo147 AI امتحان کنید
اگر محصولی روی این نسخه دارید، یک درخواست مرجع شامل متن، فایل و Tool Call را اجرا و خروجی را ذخیره کنید. سپس همان تست را روی جانشین جدید انجام دهید تا تفاوت کیفیت، Schema، زمان و هزینه بهصورت واقعی دیده شود.
شروع استفاده از Gemini 3.5 Flash در Buffalo147 AI
جمعبندی
Gemini 3.5 Flash در زمان عرضه ترکیب قدرتمندی از Context بزرگ، چندوجهی، Thinking و Tool Use ارائه کرد. نتایج MCP Atlas و MMMU-Pro نشان میدهند مدل در اتصال ابزار و فهم چندوجهی نقطه قوت واقعی داشت.
محدودیت امروز بیشتر از توان خام، به جایگاه محصول برمیگردد: سه جانشین جدیدتر، Knowledge Cutoff قدیمیتر و قیمت فعلی بالاتر، انتخاب آن را برای پروژه تازه دشوار میکنند.
برای سیستم موجود، مهاجرت باید با Regression Eval و برنامه بازگشت انجام شود. برای ساخت محصول جدید، 3.5 بیشتر یک Baseline تاریخی مفید است و 3.8 Flash یا مدلهای اقتصادیتر باید نقطه شروع انتخاب باشند.
پرسشهای متداول
Gemini 3.5 Flash چیست؟
مدل چندوجهی و استدلالی Google است که در مه ۲۰۲۶ با Context یکمیلیونتوکنی، Tool Use و چهار سطح Thinking عرضه شد.
آیا Gemini 3.5 Flash منسوخ شده است؟
Google همچنان آن را در مستندات API و قیمتگذاری فهرست میکند، اما جانشینهای جدیدتر دارد. Artificial Analysis آن را در Tracker خود Deprecated نامیده که معادل اعلام حذف API از سوی Google نیست.
Gemini 3.5 Flash برای برنامهنویسی خوب است؟
برای کدنویسی و Tool Use توانمند است، ولی داده رسمی نشان میدهد 3.6 و نسلهای بعدی در بسیاری از وظایف Repositoryمحور بهترند.
آیا Gemini 3.5 Flash قابلیت Web Search دارد؟
بله، از طریق Google Search Grounding در محیط API؛ ابزار باید فعال شود و هزینه یا سهمیه آن جداست.
آیا Gemini 3.5 Flash تصویر و ویدیو را میفهمد؟
بله، هر دو را بهعنوان ورودی تحلیل میکند، اما خروجی بومی تصویر یا ویدیو ندارد.
Gemini 3.5 Flash بهتر است یا 3.8 Flash؟
3.8 جدیدتر، در Agent و Coding قویتر و تا پایان ۲۰۲۶ ارزانتر است. 3.5 عمدتاً برای سازگاری یک سیستم موجود توجیه دارد.
منابع
- مستند رسمی مدل Gemini 3.5 Flash
- راهنمای رسمی قابلیتهای Gemini 3.5
- مجموعه اعلامیههای Google I/O 2026
- Model Card رسمی Gemini 3.5 Flash
- قیمت رسمی Gemini API
- ارزیابی مستقل Gemini 3.5 Flash در Artificial Analysis
یادداشت تحریریه Buffalo147 AI: جدول Google وضعیت زمان عرضه را نشان میدهد و Vendor-reported است. وضعیت Deprecated ذکرشده فقط به Tracker مستقل Artificial Analysis مربوط است.
