گوگل از Gemini 3 و شش دهم Flash رونمایی نمود مدل سبک تر، ارزان تر و هوشمندتر فرا می رسد
گروه هوش مصنوعی: گوگل در جدیدترین بروزرسانی خانواده مدلهای هوش مصنوعی Gemini، از Gemini 3.6 Flash و Gemini 3.5 Flash-Lite رونمایی کرد؛ دو مدلی که با محوریت کاهش هزینه، افزایش سرعت و بهبود عملکرد در برنامه نویسی و پردازش اسناد توسعه یافته اند. این شرکت همین طور برای اولین بار تأیید کرد که توسعه Gemini 4 شروع شده و بزرگ ترین پروژه آموزش مدلهای زبانی خودرا کلید زده است.
به گزارش گروه هوش مصنوعی به نقل از خبر آنلاین، در صورتیکه خیلی از توسعه دهندگان هنوز منتظر عرضه عمومی Gemini 3.5 Pro هستند، گوگل مسیر متفاوتی را در پیش گرفته است. این شرکت بجای معرفی مدل پرچمدار، نسخه های جدید و اقتصادی تر خانواده Gemini Flash را عرضه کرده؛ مدل هایی که جهت استفاده روزمره، ساخت عامل های هوشمند (AI Agents)، تولید کد و پردازش حجم بالای داده طراحی شده اند.
این رونمایی نشان داده است رقابت میان گوگل، OpenAI، Anthropic و دیگر بازیگران بازار، بالاتر از هر زمان دیگری به سوی افزایش بهره وری و کاهش هزینه استفاده از مدلهای هوش مصنوعی حرکت کرده است.
Gemini 3.6 Flash؛ هوشمندتر با مصرف کمتر
اصلی ترین محصول معرفی شده، Gemini 3.6 Flash است؛ مدلی که ادامه دهنده مسیر نسخه 3.5 Flash به حساب می آید اما حدودا در همه شاخصها بهبود یافته است.
گوگل اعلام نموده این نسخه برمبنای بازخورد توسعه دهندگان از زمان برگزاری کنفرانس Google I/O 2026 طراحی شده و مهم ترین هدف آن، کاهش مصرف توکن بدون افت کیفیت پاسخ ها بوده است.
طبق آمار پخش شده، Gemini 3.6 Flash در مقایسه با نسل قبل:
حدود ۱۷ درصد توکن خروجی کمتری مصرف می کند. برای انجام وظایف چندمرحله ای به استدلال و فراخوانی ابزارهای کمتری نیاز دارد. با همان کیفیت، پاسخ های کوتاه تر و بهینه تری تولید می کند.
این موضوع به معنای کاهش هزینه اجرای برنامه های مبتنی بر هوش مصنوعی برای شرکت ها و توسعه دهندگان خواهد بود.
قیمت پایین تر؛ خبر خوب برای توسعه دهندگان
گوگل علاوه بر بهبود عملکرد، قیمت استفاده از مدل را نیز کاهش داده است.
هزینه استفاده از Gemini 3.6 Flash به صورت زیر اعلام شده است:
۱.۵ دلار برای هر یک میلیون توکن ورودی ۷.۵ دلار برای هر یک میلیون توکن خروجی
در نسخه قبلی، هزینه توکن خروجی ۹ دلار بود؛ ازاین رو توسعه دهندگان با مدل جدید هزینه کمتری پرداخت خواهند کرد.
جهش قابل توجه در برنامه نویسی
یکی از مهم ترین محورهای توسعه Gemini 3.6 Flash، تولید کد بوده است.
گوگل می گوید این مدل:
تغییرات ناخواسته کمتری در کد به وجود می آورد. حلقه های تکراری اجرای کد را کاهش داده است. کدهای آماده تولید (Production-ready) باکیفیت بالاتری می نویسد.
براساس نتایج منتشرشده:
امتیاز مدل در آزمون DeepSWE از ۳۷ درصد به ۴۹ درصد رسیده است. در معیار MLE Bench نیز عملکرد آن از ۴۹.۷ درصد به ۶۳.۹ درصد بالا رفته است.
این اعداد نشان داده است Gemini 3.6 Flash نسبت به نسل قبل، گزینه قابل اعتمادتری برای توسعه نرم افزار و پروژه های یادگیری ماشین خواهد بود.
بهبود توانایی استدلال و استفاده از کامپیوتر
پیشرفت های Gemini 3.6 Flash تنها به برنامه نویسی محدود نمی شود.
گوگل اعلام نموده عملکرد مدل در زمینه های زیر نیز ارتقا یافته است:
افزایش امتیاز دانش عمومی از ۱۳۴۹ به ۱۴۲۱ افزایش توانایی انجام کار با کامپیوتر در آزمون OSWorld از ۷۸.۴ درصد به ۸۳ درصد
همچنین تاریخ آخرین داده های آموزشی مدل نیز به روز شده است.
در حالی که نسخه قبلی تنها اطلاعات تا ژانویه ۲۰۲۵ را در اختیار داشت، Gemini 3.6 Flash حال داده هایی تا مارس ۲۰۲۶ را پوشش می دهد.
Gemini 3.5 Flash-Lite؛ مدل اقتصادی برای پردازش های سنگین
در کنار مدل اصلی، گوگل از Gemini 3.5 Flash-Lite نیز رونمایی نمود.
این مدل برای کاربردهایی طراحی شده که نیازمند:
پردازش تعداد خیلی زیادی درخواست پاسخ دهی سریع هزینه پایین
هستند؛ از جمله:
جست وجوی مبتنی بر عامل های هوش مصنوعی (Agentic Search) پردازش اسناد استخراج اطلاعات خدمات گفت وگومحور با کاربران زیاد هزینه ای خیلی پایین تر
گوگل قیمت این مدل را نیز اعلام نموده است:
۰.۳ دلار برای هر یک میلیون توکن ورودی ۲.۵ دلار برای هر یک میلیون توکن خروجی
این قیمت، Flash-Lite را به یکی از ارزان ترین مدلهای خانواده Gemini مبدل می کند.
عملکرد بهتر حتی نسبت به Gemini 3
نکته جالب اینجاست که Flash-Lite فقط نسخه ای سبک تر نیست.
گوگل اعلام نموده این مدل در تعدادی معیارها حتی از Gemini 3 Flash نیز عملکرد بهتری دارد.
از جمله:
افزایش امتیاز برنامه نویسی در Terminal-Bench از ۳۱ درصد به ۵۴ درصد بهبود پردازش متن های طولانی از ۶۰.۱ درصد به ۷۲.۲ درصد افزایش توان اجرای وظایف واقعی از ۶۴۲ به ۱۱۴۰
همچنین در آزمون های SWE-Bench Pro و OSWorld نیز Flash-Lite امتیاز بالاتری نسبت به Gemini 3 Flash کسب کرده است.
معرفی Gemini 3.5 Flash Cyber؛ هوش مصنوعی برای رویارویی با ضعف های امنیتی
گوگل همزمان از مدل تخصصی جدیدی با نام Gemini 3.5 Flash Cyber نیز پرده برداشت.
این مدل بطور اختصاصی برای:
شناسایی ضعف های نرم افزاری اعتبارسنجی مشکلات امنیتی پیشنهاد اصلاح کد وصله کردن (Patch) ضعف ها
توسعه یافته است.
هدف گوگل این است که سازمان ها بتوانند با هزینه کمتر، مشکلات امنیتی را قبل از سوءاستفاده هکرها شناسایی و رفع کنند.
CodeMender؛ ابزار جدید گوگل برای امنیت کد
گوگل اعلام نموده ابزار امنیتی CodeMender بر پایه چندین عامل هوش مصنوعی Gemini 3.5 Flash Cyber تولید شده است.
این سیستم وظیفه دارد بصورت خودکار:
کدها را بررسی کند؛ ضعف ها را پیدا کند؛ صحت آنها را ارزیابی کند؛ و در نهایت پیشنهاد اصلاح عرضه نماید.
در مرحله نخست، دسترسی به این فناوری فقط جهت دولت ها و شرکای مورد اعتماد گوگل فراهم خواهد بود.
این مدلها از امروز در دسترس هستند
گوگل اعلام کرده:
Gemini 3.6 Flash از امروز در اپلیکیشن Gemini قابل استفاده می باشد. Gemini 3.5 Flash-Lite علاوه بر اپلیکیشن Gemini، وارد موتور جست وجوی گوگل نیز می شود. توسعه دهندگان می توانند بوسیله AI Studio، Android Studio و پلت فرم Antigravity به این مدلها دسترسی داشته باشند.
در مقابل، Gemini 3.5 Pro بازهم در مرحله آزمایش با شرکای تجاری قرار دارد و هنوز زمان دقیقی برای عرضه عمومی آن اعلام نشده است.
گوگل بطور رسمی توسعه Gemini 4 را تأیید کرد
شاید مهم ترین بخش این رونمایی، اشاره کوتاه اما مهم گوگل به نسل بعدی مدلهای خود بود.
گوگل اعلام نمود تیم DeepMind هم اینک آموزش اولیه Gemini 4 را شروع کرده است؛ پروژه ای که از آن بعنوان بلندپروازانه ترین پروسه پیش آموزش (Pre-training) در تاریخ توسعه مدلهای این شرکت یاد می شود.
اگرچه هنوز جزئیاتی از قابلیت های Gemini 4 منتشر نشده، اما همین اعلام رسمی نشان داده است رقابت میان گوگل، OpenAI، Anthropic و دیگر شرکتهای فعال در عرصه هوش مصنوعی وارد مرحله تازه ای شده است؛ مرحله ای که در آن، تمرکز تنها بر افزایش قدرت مدلها نیست، بلکه کارآیی بیشتر، هزینه کمتر و توسعه عامل های هوشمند به مهم ترین میدان رقابت تبدیل گشته اند
بطور خلاصه هزینه استفاده از Gemini 3.6 Flash به شکل زیر اعلام شده است: ۱.۵ دلار برای هر یک میلیون توکن ورودی ۷.۵ دلار برای هر یک میلیون توکن خروجی در نسخه قبلی، هزینه توکن خروجی ۹ دلار بود؛ از این رو توسعه دهندگان با مدل جدید هزینه کمتری پرداخت خواهند کرد. برپایه نتایج منتشرشده: امتیاز مدل در آزمون DeepSWE از ۳۷ درصد به ۴۹ درصد رسیده است. در معیار MLE Bench نیز عملکرد آن از ۴۹.۷ درصد به ۶۳.۹ درصد بالا رفته است.
منبع: گروه هوش مصنوعی
مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب