Gemini 3.8 Flash؛ بررسی مدل سریع و عاملمحور جدید Google برای کدنویسی طولانی
آخرین راستیآزمایی: ۱۲ سپتامبر ۲۰۲۶
تاریخ عرضه: ۲ سپتامبر ۲۰۲۶
قیمت و شیوهٔ محاسبه: تا ۳۱ دسامبر ۲۰۲۶: ۰٫۷۵ دلار ورودی و ۳٫۷۵ دلار خروجی بهازای هر یک میلیون توکن تعرفه و دسترسی را برای زمان خرید دوباره در منبع رسمیِ مقاله بررسی کنید.
مقدمه
نام «Flash» زمانی بیشتر به مدلهای سریع و اقتصادی اشاره داشت؛ اما Gemini 3.8 Flash تلاش میکند سرعت را با توان اجرای کارهای طولانی و چندمرحلهای ترکیب کند. این مدل میتواند متن، تصویر، صوت، ویدیو و PDF را دریافت کند، درباره آنها استدلال کند و پاسخ متنی یا فراخوانی ابزار بسازد.
Google این نسخه را برای مهندسی نرمافزار بلندمدت، Agentهای خودکار و فرایندهای پیچیده سازمانی عرضه کرده است. اهمیت مدل فقط در امتیازهای آزمایشگاهی نیست: Context یکمیلیونتوکنی، خروجی تا ۶۵٬۵۳۶ توکن و مجموعهای از ابزارهای بومی Gemini API، آن را به گزینهای جدی برای محصولاتی تبدیل میکند که هم کیفیت و هم توان عملیاتی مهم است.
با این حال، 3.8 Flash همیشه سریعترین پاسخ اولیه یا بهترین مدل مطلق نیست. سطح Thinking بالا میتواند توکن و زمان بیشتری مصرف کند و در بعضی آزمونهای بسیار سختِ Terminal یا کار با رایانه، مدلهای گرانتر جلوترند. انتخاب درست به نوع کار، بودجه و Eval واقعی محصول شما بستگی دارد.
معرفی کامل Gemini 3.8 Flash
Gemini 3.8 Flash در ۲ سپتامبر ۲۰۲۶ توسط Google عرضه شد و در زمان بررسی، مدل پایدار و GA خانواده Flash است. شناسه ثابت آن در Gemini API برابر gemini-3.8-flash است.
این مدل پس از Gemini 3.7 Flash آمده و تمرکز نسل را از پاسخ سریعِ تکمرحلهای به «کار مفید در یک افق طولانیتر» گسترش میدهد. منظور از افق طولانی، توان دنبالکردن یک هدف از مرحله تحلیل تا اجرای ابزار، بررسی خروجی و اصلاح مسیر است؛ نه تضمین بیخطای استقلال کامل.
توسعهدهندگان میتوانند از Gemini API و Google AI Studio استفاده کنند. Google همچنین دسترسی را در Antigravity و برخی محصولات مصرفکننده و سازمانی خود ارائه کرده است؛ سهمیه و دسترسی دقیق در هر محصول به منطقه و طرح حساب وابسته است.
قابلیتهای اصلی
استدلال قابل تنظیم
Gemini 3.8 Flash از سطحهای Thinking برابر low، medium و high پشتیبانی میکند. سطح minimal برای این مدل در دسترس نیست. سطح بالاتر برای مسئلههای دشوار مفید است، اما میتواند زمان پاسخ و تعداد توکنهای تولیدی را افزایش دهد.
کدنویسی و کار مهندسی طولانی
مدل برای تحلیل Repository، برنامهریزی تغییرات، اجرای تست و اصلاح خطا در چند مرحله طراحی شده است. امتیازهای رسمی آن در DeepSWE و Terminal-Bench نشان میدهند کدنویسی عاملمحور یکی از نقاط تمرکز اصلی نسخه است، هرچند نتیجه واقعی به ابزار، Sandbox و کیفیت دستور وابسته میماند.
ورودی چندوجهی و تحلیل فایل
ورودی متن، تصویر، ویدیو، صوت و PDF پذیرفته میشود و خروجی اصلی متن است. مدل میتواند جلسه ضبطشده، Screenshot رابط کاربری، نمودار، سند طولانی یا ویدیوی آموزشی را تحلیل کند؛ اما خودش خروجی بومی تصویر، صوت یا ویدیو تولید نمیکند.
Function Calling و اجرای ابزار
Function Calling، Code Execution، File Search، URL Context و Structured Outputs در API پشتیبانی میشوند. این قابلیتها اجازه میدهند مدل به داده یا عملیات بیرونی متصل شود، ولی اعتبارسنجی آرگومانها، کنترل مجوز و ثبت عملیات همچنان وظیفه برنامه میزبان است.
Search و Maps Grounding
Google Search Grounding و Google Maps Grounding میتوانند اطلاعات تازه و مکانی را به پاسخ اضافه کنند. اینها ابزارهای API هستند؛ بنابراین نباید «دسترسی دائمی مدل به وب» تلقی شوند. برنامه باید ابزار را فعال کند و ارجاعها را به کاربر نمایش دهد.
Computer Use در Preview
Computer Use برای این مدل در وضعیت Preview ثبت شده است. مدل میتواند در محیط پشتیبانیشده برای تعامل با رابط کاربری پیشنهاد عمل بدهد، اما اقدامهای حساس مانند خرید، ارسال نهایی یا حذف داده باید پشت تأیید انسانی باقی بمانند.
مهمترین نقاط قوت
- ترکیب توان استدلالی بالا با سرعت تولید مناسب در رده Flash
- Context یکمیلیونتوکنی برای کد، اسناد و تاریخچه طولانی
- عملکرد قوی در کدنویسی عاملمحور و کار Terminal طبق گزارش رسمی
- ورودی چندوجهی شامل تصویر، صوت، ویدیو و PDF
- ابزارهای متنوع API شامل Search Grounding، Function Calling و Code Execution
- قیمت معرفی رقابتی تا پایان سال ۲۰۲۶
محدودیتها و نقاط ضعف
سطح Thinking بالا ممکن است مدل را پرتوکن و پاسخ اولیه را کند کند. اندازه Context بزرگ نیز بهمعنای استفاده مؤثر از تمام جزئیات نیست؛ اسناد باید بخشبندی، نشانهگذاری و در صورت امکان بازیابی هدفمند شوند.
طبق Model Card رسمی، Hallucination همچنان ممکن است و در برخی درخواستها کندی یا Timeout رخ میدهد. دانش مدل نیز جای منبع زنده را نمیگیرد؛ Google بازه Knowledge Cutoff اصلی را مارس ۲۰۲۶ اعلام کرده، اما میگوید بعضی حوزهها ممکن است عملاً تا ژانویه ۲۰۲۵ محدود باشند.
تولید بومی تصویر، صدا و ویدیو ندارد و Live API نیز برای این شناسه پشتیبانی نمیشود. Computer Use در Preview است و برای عملیات پرریسک به محدودسازی دامنه، تأیید و ثبت رویداد نیاز دارد.
در Terminal-Bench 4.0 رسمی، فاصله مدل با Claude Opus 5 و GPT-5.6 Sol محسوس است. این نتیجه هشدار میدهد که برتری 3.8 در نسخه 2.1 آزمون را نمیتوان به هر محیط Terminal تعمیم داد.
کاربردهای واقعی Gemini 3.8 Flash
Agent مهندسی نرمافزار
مدل میتواند Issue را به برنامه تغییرات تبدیل کند، فایلهای مرتبط را بیابد، Patch بسازد، تست اجرا کند و شکستها را تحلیل کند. برای استفاده حرفهای، شاخه جداگانه، Sandbox و Code Review الزامی است.
پردازش پروندههای چندرسانهای
یک تیم حقوقی یا آموزشی میتواند PDF، فایل صوتی جلسه و Screenshotهای مرتبط را در یک درخواست تحلیل کند و خط زمانی، تعارضها و موارد اقدام را بهصورت ساختاریافته دریافت کند.
گردشکار سازمانی متصل به API
با Function Calling، مدل میتواند درخواست مشتری را دستهبندی کند، رکورد CRM را بخواند، پیشنویس پاسخ بسازد و فقط اقدام مجاز را برای تأیید کارشناس آماده کند.
پژوهش وب منبعدار
با Search Grounding و URL Context میتوان گزارش تازهای از منابع اولیه ساخت. مدل باید تاریخ، منبع و سطح اطمینان هر ادعا را نشان دهد و تصمیم حساس نباید صرفاً به خلاصه آن سپرده شود.
تحلیل ویدیوی طولانی
مدل میتواند بخشهای مهم یک دمو، کلاس یا ضبط تست کاربری را پیدا کند، Timestamp بدهد و الگوهای تکرارشونده را استخراج کند. برای نقل دقیق باید بخش اشارهشده دوباره با فایل اصلی تطبیق داده شود.
این مدل مناسب چه کسانی است؟
Gemini 3.8 Flash برای برنامهنویسان، تیمهای Agentic AI، تحلیلگران اسناد، سازندگان محصولات چندوجهی و کسبوکارهایی مناسب است که Context بزرگ و ابزارهای Google را با هزینهای کمتر از مدلهای پرچمدار میخواهند.
برای چتهای بسیار کوتاه و پرتعداد ممکن است نسخه Lite یا سطح Thinking پایین اقتصادیتر باشد. برای دشوارترین کارهای Terminal، تصمیمهای پرریسک یا Agentهای چندساعته نیز باید 3.8 را در کنار Opus 5 و GPT-5.6 Sol با شرایط یکسان ارزیابی کرد.
مشخصات فنی Gemini 3.8 Flash
| مشخصه | مقدار تأییدشده |
|---|---|
| Developer | |
| Model Family | Gemini 3 Flash |
| Model Type | مدل اختصاصی چندوجهی و استدلالی |
| Release Date | ۲ سپتامبر ۲۰۲۶ |
| Lifecycle | Stable / Generally Available در زمان بررسی |
| API Model ID | gemini-3.8-flash |
| Input | متن، تصویر، ویدیو، صوت و PDF |
| Output | متن |
| Context Window | ۱٬۰۴۸٬۵۷۶ توکن ورودی |
| Maximum Output | ۶۵٬۵۳۶ توکن |
| Knowledge Cutoff | عمدتاً مارس ۲۰۲۶؛ در برخی حوزهها ممکن است ژانویه ۲۰۲۵ باشد |
| Thinking Levels | low، medium و high |
| Vision / Audio / Video Understanding | بله، بهعنوان ورودی |
| Native Image / Audio / Video Generation | خیر |
| Tool Use | بله؛ Function Calling، Code Execution، File Search و ابزارهای دیگر |
| Web Search | از طریق Google Search Grounding |
| Computer Use | بله، Preview |
| Live API | خیر |
| API Availability | Gemini API و Google AI Studio |
۵ نمونه پرامپت کاربردی
۱. رفع Issue در Repository بزرگ
این Repository و Issue را بررسی کن. ابتدا یک نقشه وابستگی محدود به فایلهای مرتبط بساز، سپس کمترین Patch سازگار را پیشنهاد و اجرا کن. تستهای مرتبط و یک تست بازگشتی اضافه کن؛ اگر ابزار یا اطلاعاتی کم است، بهجای حدس توقف کن و دقیق بگو چه چیزی لازم داری.
۲. تحلیل چندوجهی پرونده پروژه
این PDF قرارداد، فایل صوتی جلسه و Screenshotهای Dashboard را با هم تحلیل کن. تعهدها، تاریخها، تناقضها و موارد اقدام را در JSON مطابق Schema ارائهشده برگردان و برای هر مورد منبع یا Timestamp ذکر کن.
۳. عامل پشتیبانی کنترلشده
با Functionهای موجود فقط اطلاعات حساب و سفارش را بخوان. علت احتمالی مشکل را با شواهد مشخص کن و پیشنویس پاسخ بساز. هیچ بازپرداخت، تغییر حساب یا ارسال پیام نهایی بدون تأیید انسان انجام نده.
۴. پژوهش تازه با Search Grounding
درباره [موضوع] فقط منابع اولیه منتشرشده در ۹۰ روز گذشته را پیدا کن. ابتدا Fact Sheet شامل تاریخ و لینک بساز، سپس اختلاف منابع را توضیح بده. هر ادعایی که منبع مستقیم ندارد با برچسب «تأییدنشده» مشخص شود.
۵. بررسی ویدیوی تست کاربری
این ویدیوی تست محصول را تحلیل کن. همه نقاط سردرگمی کاربر را با Timestamp، رفتار مشاهدهشده، شدت و پیشنهاد اصلاح ثبت کن. میان مشاهده مستقیم و تفسیر خودت تمایز روشن بگذار.
بنچمارکها و ارزیابی عملکرد
جدول زیر از Model Card و گزارش عرضه Google در سپتامبر ۲۰۲۶ استخراج شده و Vendor-reported است. Google نتایج رقبا را نیز با Harness خود گزارش کرده؛ بنابراین این اعداد برای جهتگیری مفیدند، نه اثبات قطعی برتری در محیط محصول.
| Benchmark | Gemini 3.8 Flash | Gemini 3.7 Flash | Claude Opus 5 | GPT-5.6 Sol |
|---|---|---|---|---|
| DeepSWE v1.1 | ۷۳٫۷٪ | ۶۵٫۳٪ | ۷۴٫۰٪ | ۷۲٫۷٪ |
| Terminal-Bench 2.1 | ۸۹٫۴٪ | ۸۵٫۸٪ | ۸۹٫۱٪ | ۸۸٫۸٪ |
| Terminal-Bench 4.0 | ۱۹٫۱٪ | ۱۱٫۲٪ | ۵۱٫۸٪ | ۳۷٫۳٪ |
| HLE-Verified | ۵۴٫۹٪ | ۵۳٫۶٪ | ۵۴٫۴٪ | ۵۴٫۵٪ |
| CharXiv، بدون ابزار | ۸۶٫۲٪ | ۸۴٫۵٪ | ۸۳٫۷٪ | ۸۵٫۸٪ |
| OSWorld-2، اجرای ناقص دستهای | ۵۹٫۰٪ | ۵۰٫۶٪ | ۷۵٫۴٪ | ۶۲٫۶٪ |
3.8 Flash در DeepSWE به Opus 5 و Sol بسیار نزدیک است و در Terminal-Bench 2.1 اندکی از هر دو جلو میافتد. در CharXiv نیز بهترین عدد جدول را دارد. اما Terminal-Bench 4.0 و OSWorld-2 تصویر متفاوتی میدهند: Opus 5 در محیطهای عاملمحور سختتر فاصله قابلتوجهی ایجاد میکند.
در ارزیابی مستقل Artificial Analysis با تنظیم high و شاخص Intelligence Index v4.3، مدل در ۱۲ سپتامبر ۲۰۲۶ امتیاز ۴۱، سرعت تقریبی ۲۶۸٫۵ توکن بر ثانیه، هزینه ۱٫۲۴ دلار برای هر وظیفه شاخص و TTFT حدود ۱۲٫۱۶ ثانیه ثبت کرده است. این شاخص ترکیبی از ده ارزیابی، از جمله Terminal-Bench 4.0، HLE، GDP.pdf و SciCode است.
نتیجه مستقل با ادعای «سریع و باهوش» همخوانی دارد، اما TTFT نشان میدهد سطح Thinking بالا برای رابطهای آنی همیشه بهترین تنظیم نیست. همچنین Intelligence Index یک نمره ترکیبی با Harness متفاوت است و نباید مستقیماً با درصدهای جدول Google مقایسه شود.
برای کاربرد واقعی، سه Eval جدا بسازید: موفقیت نهایی کار، هزینه کل شامل توکنهای Thinking و زمان تا پاسخ قابل استفاده. مدلی که یک بنچمارک را میبرد، ممکن است در زبان فارسی، ابزار داخلی یا دادههای شما بهترین گزینه نباشد.
مقایسه Gemini 3.8 Flash با رقبا
| مدل | چه زمانی انتخاب بهتری است؟ | ملاحظه مهم |
|---|---|---|
| Gemini 3.8 Flash | کدنویسی طولانی، ورودی چندوجهی و Agent متصل به اکوسیستم Google | سطح high میتواند پرهزینهتر و کندتر از انتظار Flash باشد |
| Gemini 3.7 Flash | زمانی که کیفیت نزدیک با Snapshot قدیمیتر و سازگاری موجود کافی است | 3.8 در بیشتر سنجههای رسمی جانشین قویتری است |
| Claude Opus 5 | سختترین Terminal و Computer Use و کارهای بلند پرریسک | معمولاً گرانتر و برای حجم بالا سنگینتر است |
| GPT-5.6 Sol | کدنویسی و Agentهای پیچیده در اکوسیستم OpenAI | انتخاب نهایی به ابزار، کیفیت فارسی و هزینه واقعی Token Mix بستگی دارد |
3.8 Flash برای تیمی که از Gemini API، Search Grounding و داده چندرسانهای استفاده میکند، یک پیشفرض قدرتمند است. اگر کار عمدتاً Terminal پیچیده یا تعامل حساس با GUI است، Opus 5 طبق داده فعلی باید در آزمون نهایی حضور داشته باشد. برای مهاجرت از 3.7 نیز فقط امتیاز را نبینید؛ مصرف توکن در سطح Thinking یکسان را اندازه بگیرید.
قیمت و API
قیمت بررسیشده در ۱۲ سپتامبر ۲۰۲۶ برای Standard API:
- تا ۳۱ دسامبر ۲۰۲۶: ۰٫۷۵ دلار ورودی و ۳٫۷۵ دلار خروجی بهازای هر یک میلیون توکن
- Cache Hit: ۰٫۰۷۵ دلار و Cache Storage: ۰٫۵۰ دلار برای هر یک میلیون توکن در ساعت
- Batch و Flex در دوره معرفی: ۰٫۳۷۵ دلار ورودی و ۱٫۸۷۵ دلار خروجی
- از ۱ ژانویه ۲۰۲۷ طبق جدول فعلی: ۱٫۵۰ دلار ورودی و ۷٫۵۰ دلار خروجی
- سهمیه رایگان API وجود دارد؛ حدود و مناطق آن ممکن است تغییر کند.
- پس از ۵٬۰۰۰ درخواست رایگان ماهانه مشترک برای مدلهای Gemini 3.x، Search یا Maps Grounding طبق قیمت فعلی ۱۴ دلار بهازای هر ۱٬۰۰۰ درخواست است.
نرخ معرفی موقت است؛ بنابراین برای برآورد سال ۲۰۲۷ حتماً نرخ بعدی و هزینه ابزارها را لحاظ کنید. شناسه پایدار API برابر gemini-3.8-flash است.
Gemini 3.8 Flash را در Buffalo147 AI امتحان کنید
برای سنجش واقعی مدل، یکی از کارهای طولانی خود—مانند تحلیل Repository، بررسی سند چندرسانهای یا پژوهش وب—را با معیار موفقیت روشن اجرا کنید. نتیجه را فقط از نظر متن نهایی نسنجید؛ تعداد اصلاحها، زمان، منبعدهی و هزینه کل نیز مهماند.
شروع استفاده از Gemini 3.8 Flash در Buffalo147 AI
جمعبندی
مهمترین مزیت Gemini 3.8 Flash این است که قالب «مدل سریع» را به کارهای طولانی و عاملمحور میبرد. Context بزرگ، ورودی چندوجهی و ابزارهای کامل Gemini API، آن را برای کدنویسی، تحلیل پرونده و اتوماسیون سازمانی کاربردی میکنند.
محدودیت اصلی، رفتار متغیر سطح Thinking و فاصله با بهترین رقبا در بعضی آزمونهای Terminal و Computer Use سخت است. همچنین نرخ فعلی API یک قیمت معرفی است و از ابتدای ۲۰۲۷ افزایش برنامهریزیشده دارد.
اگر به یک مدل عمومی قوی با سرعت بالا و اتصال نزدیک به ابزارهای Google نیاز دارید، 3.8 Flash گزینه بسیار جدی است. برای عملیات حساس، بهترین راه انتخاب همچنان Eval همشرط روی داده و ابزار واقعی خودتان است.
پرسشهای متداول
Gemini 3.8 Flash چیست؟
مدل چندوجهی و استدلالی Google برای کدنویسی طولانی، Agentها، تحلیل متن، تصویر، صوت، ویدیو و PDF است که خروجی متنی تولید میکند.
Gemini 3.8 Flash برای برنامهنویسی خوب است؟
بله. نتیجه رسمی ۷۳٫۷٪ در DeepSWE v1.1 نشاندهنده تمرکز جدی آن بر مهندسی نرمافزار است؛ با این حال عملکرد Repository واقعی باید با تست و Code Review سنجیده شود.
آیا Gemini 3.8 Flash به وب دسترسی دارد؟
در صورت فعالبودن Google Search Grounding یا URL Context میتواند از اطلاعات وب استفاده کند. این دسترسی ابزارمحور است، نه بخشی دائمی از حافظه مدل.
Context Window مدل چقدر است؟
سقف ورودی ۱٬۰۴۸٬۵۷۶ توکن و حداکثر خروجی ۶۵٬۵۳۶ توکن اعلام شده است.
Gemini 3.8 Flash بهتر است یا Claude Opus 5؟
3.8 Flash برای سرعت، قیمت و اکوسیستم Google جذابتر است؛ Opus 5 در برخی آزمونهای بسیار سخت Terminal و Computer Use جلوتر است. انتخاب باید بر اساس نوع کار باشد.
آیا Gemini 3.8 Flash رایگان است؟
Gemini API سهمیه رایگان دارد، اما محدودیتها به منطقه و سیاست جاری Google وابستهاند. استفاده فراتر از سهمیه با نرخ مصرفی محاسبه میشود.
منابع
- مستند رسمی مدل Gemini 3.8 Flash
- معرفی Gemini 3.8 Flash در وبلاگ Google
- Model Card رسمی Gemini 3.8 Flash
- قیمت رسمی Gemini API
- ارزیابی مستقل Gemini 3.8 Flash در Artificial Analysis
یادداشت تحریریه Buffalo147 AI: قیمتها و وضعیت دسترسی بر اساس بررسی ۱۲ سپتامبر ۲۰۲۶ هستند. جدول مقایسه اصلی Vendor-reported است؛ نتیجه Artificial Analysis جداگانه و با روش مستقل گزارش شده است.
