Google 近日正式发布三款 Gemini 新模型：Gemini 3.6 Flash、3.5 Flash-Lite 及 3.5 Flash Cyber。此次更新旨在解决 AI Agent 在生产环境中“跑不起来、跑不起”的核心痛点，分别从 Token 效率、推理速度及代码安全三个维度进行突破。
3.6 Flash 致力于以更少 Token 完成更复杂任务；3.5 Flash-Lite 将输出速度提升至每秒 350 Token；3.5 Flash Cyber 则专攻代码安全漏洞的挖掘与修复。
更少 Token，更强效能：Gemini 3.6 Flash
作为新一代主力工作模型，Gemini 3.6 Flash 直接对标上一代 3.5 Flash，重点解决多步骤工作流中 Token 消耗高、推理步骤冗余及工具调用频繁导致的成本问题。
据 Artificial Analysis Index 测评，完成同等任务时，3.6 Flash 的输出 Token 用量比 3.5 Flash 减少 17%。在 Datacurve 的 DeepSWE 基准测试中，这一优势扩大至 65%，显著降低了整体运行成本。
在 OSWorld 验证任务中，3.6 Flash 展现出更高的 Token 效率与更少的冗余输出，性能全面超越前代且价格更具竞争力。
在具体能力指标上，DeepSWE 代码得分从 37% 提升至 49%，MLE Bench 机器学习研究得分从 49.7% 跃升至 63.9%。计算机操作能力（OSWorld-Verified）从 78.4% 提升至 83.0%。值得注意的是，Computer Use 功能现已作为内置客户端工具，直接集成于 Gemini API 和 Enterprise 版本中。
知识工作方面，GDPval-AA v2 得分由 1349 提升至 1421。Hebbia、Harvey 等客户反馈显示，该模型在文档解析、图表数据分析及报告起草等多模态任务上表现优异。例如，利用画布功能可辅助开发 3D 工作流中的摄影纹理提取器。
结合 Google Antigravity 与 tldraw 离线编辑器，3.6 Flash 凭借强大的视觉理解能力，可构建交互式主题工作室。
安全层面，该模型出厂即配备增强版 Frontier Safety 防护，覆盖化学、生物、放射性、核（CBRN）及网络攻击滥用领域，在大幅提升抗越狱能力的同时，优化了正当用途的响应准确率。
每秒 350 Token：Gemini 3.5 Flash-Lite
3.5 Flash-Lite 定位为高吞吐、低延迟场景的首选，主打极速与低成本。其输出速度高达每秒 350 Token，定价低至输入每百万 0.3 美元、输出每百万 2.5 美元。
该模型为开发者提供了灵活的“思考等级”调节机制：在 Agent 搜索、文档批处理等场景中可调至最低以获取极致速度与低成本；在多步骤子 Agent 工作流中则可提升思考等级以胜任复杂任务。Computer Use 同样已内置集成。
相比上一代 3.1 Flash-Lite，其性能显著提升：Terminal-Bench 2.1 从 31% 升至 54%，长上下文 GDM-MRCR v2 从 60.1% 升至 72.2%，真实任务执行 GDPval-AA v2 从 642 飙升至 1140。
在多项评测中，3.5 Flash-Lite 甚至超越了上一代标准版 3 Flash：SWE-Bench Pro 得分为 54.2%（3 Flash 为 49.6%），OSWorld-Verified 得分为 74.0%（3 Flash 为 65.1%）。
应用场景方面，该模型不仅能从庞大电商数据集中高效提取产品特征，还可与 3.6 Flash 协同作为主 Agent，即时生成数十个独特的可探索网页设计概念。
专攻代码安全：Gemini 3.5 Flash Cyber
针对 AI 发现漏洞速度远超人工修复速度的现状，Google 推出基于 3.5 Flash 微调的专用模型——3.5 Flash Cyber。
该模型嵌入 CodeMender 代码安全 Agent 中，通过多 Agent 协同工作输出合并报告。在 CyberGym 主流基准测试中，其表现出前沿水平的竞争力，且单 Token 成本远低于大型模型。
鉴于该技术具有双重用途风险，Google 采取谨慎部署策略：3.5 Flash Cyber 不公开发布，仅作为限量试点项目，通过 CodeMender 向政府及受信任合作伙伴开放，旨在协助防御者抢先修复关键漏洞，同时严控滥用风险。
未来展望
关于备受期待的 Gemini 3.5 Pro，Google 表示正在与合作伙伴进行测试，将在准备就绪后广泛开放。此外，团队已启动 Gemini 4 的预训练，官方称此为迄今最具野心的一次预训练运行。
参考资料：
- Google AI Studio Official Updates
- Google Blog: Gemini Models and Research
- DeepMind Model Evaluation Reports