google

Gemini 3.8 Flash

Gemini 3.8 Flash er Googles multimodale AI, der tilbyder 1M context, 64K output og agentiske kodningsevner til $0,75 pr. million input tokens.

MultimodalHøjhastighedGoogle DeepMindLangt Context WindowAgentisk Kodning
google logogoogleGemini 32026-09-02
Kontekst
1Mtokens
Maks output
66Ktokens
Input-pris
$0.75/ 1M
Output-pris
$3.75/ 1M
Modalitet:TextImageAudioVideo
Funktioner:VisionVærktøjerStreamingRæsonnering
Benchmarks
GPQA
59%
GPQA: Spørgsmål og svar på kandidatniveau. En streng benchmark med 448 multiple choice-spørgsmål inden for biologi, fysik og kemi skabt af domæneeksperter. PhD-eksperter opnår kun 65-74% nøjagtighed, mens ikke-eksperter scorer kun 34% selv med ubegrænset webadgang (derfor 'Google-proof'). Gemini 3.8 Flash scorede 59% på denne benchmark.
HLE
45.4%
HLE: Ekspertniveau-ræsonnering. Tester en models evne til at demonstrere ekspertniveau-ræsonnering på tværs af specialiserede domæner. Evaluerer dyb forståelse af komplekse emner, der kræver professionel viden. Gemini 3.8 Flash scorede 45.4% på denne benchmark.
MMLU
88.2%
MMLU: Massiv flerfaglig sprogforståelse. En omfattende benchmark med 16.000 multiple choice-spørgsmål på tværs af 57 akademiske fag, herunder matematik, filosofi, jura og medicin. Tester bred viden og ræsonneringsevner. Gemini 3.8 Flash scorede 88.2% på denne benchmark.
MMLU Pro
76.5%
MMLU Pro: MMLU Professionel udgave. En forbedret version af MMLU med 12.032 spørgsmål i et sværere format med 10 svarmuligheder. Dækker matematik, fysik, kemi, jura, ingeniørvidenskab, økonomi, sundhed, psykologi, business, biologi, filosofi og datalogi. Gemini 3.8 Flash scorede 76.5% på denne benchmark.
SimpleQA
42%
SimpleQA: Faktuel nøjagtighedsbenchmark. Tester en models evne til at give nøjagtige, faktuelle svar på ligetil spørgsmål. Måler pålidelighed og reducerer hallucinationer i vidensindhentningstasks. Gemini 3.8 Flash scorede 42% på denne benchmark.
IFEval
87.5%
IFEval: Instruktionsfølgningsevaluering. Måler, hvor godt en model følger specifikke instruktioner og begrænsninger. Tester evnen til at overholde formateringsregler, længdegrænser og andre eksplicitte krav. Gemini 3.8 Flash scorede 87.5% på denne benchmark.
AIME 2025
82%
AIME 2025: American Invitational Math Exam. Konkurrence-niveau matematikopgaver fra den prestigefyldte AIME-eksamen designet til talentfulde gymnasieelever. Tester avanceret matematisk problemløsning, der kræver abstrakt tænkning, ikke kun mønstergenkendelse. Gemini 3.8 Flash scorede 82% på denne benchmark.
MATH
78%
MATH: Matematisk problemløsning. En omfattende matematikbenchmark, der tester problemløsning inden for algebra, geometri, calculus og andre matematiske domæner. Kræver flertrinssværsonnering og formel matematisk viden. Gemini 3.8 Flash scorede 78% på denne benchmark.
GSM8k
94%
GSM8k: Folkeskole matematik 8K. 8.500 folkeskole-niveau matematiske tekstopgaver, der kræver flertrinssræsonnering. Tester grundlæggende aritmetik og logisk tænkning gennem virkelige scenarier som shopping eller tidsberegninger. Gemini 3.8 Flash scorede 94% på denne benchmark.
MGSM
91%
MGSM: Flersproget folkeskolematematik. GSM8k-benchmarken oversat til 10 sprog, herunder spansk, fransk, tysk, russisk, kinesisk og japansk. Tester matematisk ræsonnering på tværs af forskellige sprog. Gemini 3.8 Flash scorede 91% på denne benchmark.
MathVista
68%
MathVista: Matematisk visuel ræsonnering. Tester evnen til at løse matematikopgaver, der involverer visuelle elementer som diagrammer, grafer, geometriske figurer og videnskabelige illustrationer. Kombinerer visuel forståelse med matematisk ræsonnering. Gemini 3.8 Flash scorede 68% på denne benchmark.
SWE-Bench
49%
SWE-Bench: Softwareingeniør-benchmark. AI-modeller forsøger at løse rigtige GitHub-issues i open source Python-projekter med menneskelig verifikation. Tester praktiske softwareingeniørfærdigheder på produktionskodebaser. Topmodeller gik fra 4,4% i 2023 til over 70% i 2024. Gemini 3.8 Flash scorede 49% på denne benchmark.
HumanEval
85%
HumanEval: Python-programmeringsopgaver. 164 håndskrevne programmeringsopgaver, hvor modeller skal generere korrekte Python-funktionsimplementeringer. Hver løsning verificeres mod unit tests. Topmodeller opnår nu 90%+ nøjagtighed. Gemini 3.8 Flash scorede 85% på denne benchmark.
LiveCodeBench
65%
LiveCodeBench: Live kodningsbenchmark. Tester kodningsevner på løbende opdaterede, virkelige programmeringsudfordringer. I modsætning til statiske benchmarks bruger den friske problemer for at forhindre dataforurening og måle ægte kodningsevner. Gemini 3.8 Flash scorede 65% på denne benchmark.
MMMU
69.5%
MMMU: Multimodal forståelse. Massiv multi-disciplin multimodal forståelsesbenchmark, der tester vision-sprogmodeller på universitetsniveau-problemer på tværs af 30 fag, der kræver både billedforståelse og ekspertviden. Gemini 3.8 Flash scorede 69.5% på denne benchmark.
MMMU Pro
52%
MMMU Pro: MMMU Professionel udgave. Forbedret version af MMMU med mere udfordrende spørgsmål og strengere evaluering. Tester avanceret multimodal ræsonnering på professionelt og ekspertniveau. Gemini 3.8 Flash scorede 52% på denne benchmark.
ChartQA
86%
ChartQA: Diagram-spørgsmål og svar. Tester evnen til at forstå og ræsonnere om information præsenteret i diagrammer og grafer. Kræver udtrækning af data, sammenligning af værdier og udførelse af beregninger fra visuelle datarepræsentationer. Gemini 3.8 Flash scorede 86% på denne benchmark.
DocVQA
93.5%
DocVQA: Dokument visuel Q&A. Document Visual Question Answering benchmark, der tester evnen til at udtrække og ræsonnere om information fra dokumentbilleder, herunder formularer, rapporter og scannet tekst. Gemini 3.8 Flash scorede 93.5% på denne benchmark.
Terminal-Bench
89.4%
Terminal-Bench: Terminal/CLI-opgaver. Tester evnen til at udføre kommandolinjeopgaver, skrive shell-scripts og navigere i terminalmiljøer. Måler praktiske systemadministrations- og udviklingsworkflow-færdigheder. Gemini 3.8 Flash scorede 89.4% på denne benchmark.
ARC-AGI
4%
ARC-AGI: Abstraktion og ræsonnering. Abstraction and Reasoning Corpus for AGI - tester flydende intelligens gennem nye mønstergenkendelsespuslespil. Hver opgave kræver opdagelse af den underliggende regel fra eksempler, der måler generel ræsonneringsevne snarere end memorering. Gemini 3.8 Flash scorede 4% på denne benchmark.

Om Gemini 3.8 Flash

Lær om Gemini 3.8 Flashs muligheder, funktioner og hvordan den kan hjælpe dig med at opnå bedre resultater.

Modeloversigt

Gemini 3.8 Flash er Google DeepMinds højeffektive multimodale model, som blev udgivet i september 2026. Systemet er bygget på Googles Tensor Processing Unit-hardware og indtager nativt tekst, lyd, højopløselige billeder og videostreams på op til to timers varighed inden for et enkelt context window på 1.048.576 tokens. Outputkapaciteten når op på 65.536 tokens pr. forespørgsel. Modellen introducerer konfigurerbare ræsonnementsbudgetter på tværs af lave, mellemste og høje parametre, hvilket giver ingeniører mulighed for at afveje eksekveringslatens mod token-forbrug.

Agentisk eksekvering og arkitektur

Modellen er målrettet kodningsopgaver med lang tidshorisont og terminalstyring. I stedet for at afslutte efter ét enkelt output-pass understøtter Gemini 3.8 Flash rekursive eksekveringsløkker og autonome værktøjsinteraktioner. Træningen lagde vægt på container-manipulation, kommandolinjegrænseflader og cybersikkerhedsopgaver. Denne træning resulterer i færre fejlrater på testsuites og selvkorrektion under live-byg i miljøer som Google Antigravity.

Produktionsarbejdsgange og Grounding

Udviklere implementerer Gemini 3.8 Flash til latensfølsomme applikationer, der kræver deterministisk værktøjsbrug. Native integrationer forbinder modellen direkte med Google Search-grounding og Google Maps-data uden separate hentnings-pipelines. Selvom frontier-modeller bevarer fordele ved åbne kreative opgaver, leverer 3.8 Flash sammenlignelige kodnings-evalueringsresultater til en lavere inferenspris.

Gemini 3.8 Flash

Anvendelser for Gemini 3.8 Flash

Opdag de forskellige måder, du kan bruge Gemini 3.8 Flash til at opnå gode resultater.

Autonom terminalvedligeholdelse

Udfører refaktorering af flere filer, kører testsuites inde i containeriserede miljøer og patcher runtime-fejl autonomt.

Videobehandling i høj volumen

Analyserer rå to-timers videooptagelser og lydstrømme direkte inden for sit 1M token-vindue uden eksterne forbehandlings-pipelines.

Uddragning af finansielle rapporter

Indlæser lange finansielle regnskaber og komplekse visuelle PDF'er for at beregne balancemetrikker til valideret JSON.

Hurtig UI-prototyping

Producerer komplette webapplikationer, interaktive SVG-dashboards og WebGL-simulationer på under femten sekunder.

Validering af defensiv sikkerhed

Scanner kildekodepoter for at identificere logiksårbarheder, spore inficerede variabler og generere kandidat-regressionpatches.

Lav-latens agent-orkestrering

Fungerer som den hurtige handlingsplanlægger i hierarkiske multi-agent-opsætninger og kalder eksterne værktøjer funderet af Google Search.

Styrker

Begrænsninger

Økonomi ved agentisk kodning: Opnåede 73,7 % på DeepSWE v1.1 og 89,4 % på Terminal-Bench 2.1 til en introduktionspris på $0,75 pr. million input tokens.
Højt token-forbrug ved dyb tænkning: Høje ræsonnementskonfigurationer udfører udvidede interne løkker, der øger token-output med op til 30 % i forhold til 3.7 Flash.
Nativ lang-kontekst multimodalitet: Behandler op til 1.048.576 tokens af kombineret lyd, video og tekst uden eksterne billedudtagnings-pipelines.
Lavere nøjagtighed på komplekse terminal-benchmarks: Scorer 19,1 % på Terminal-Bench 4.0, hvilket halter bagefter større frontier-modeller som Claude Opus 5 på komplekse containeropgaver.
Konfigurerbare ræsonnementsbudgetter: Tilbyder lave, mellemste og høje tænkeniveauer, så udviklere kan regulere token-latens og dybde efter behov.
Marginale forbedringer i eksamensræsonnement: Generelt videnskabeligt ræsonnement viste ubetydelig ændring med 45,4 % på Humanity's Last Exam sammenlignet med 45,7 % på 3.7 Flash.
Funderet værktøjsintegration: Opretter nativ forbindelse til Google Search- og Google Maps-API'er for at levere verificerbare faktuelle svar med lav frekvens af hallucinationer.
Planlagt prisstigning: Introduktionsprisen udløber den 31. december 2026, hvilket fordobler omkostningerne til $1,50 for input og $7,50 for output pr. million tokens.

API hurtig start

google/gemini-3.8-flash

Se dokumentation
google SDK
import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({ apiKey: process.env.GEMINI_API_KEY });

async function main() {
  const response = await ai.models.generateContent({
    model: "gemini-3.8-flash",
    contents: "Analyze this code repository structure for memory leaks.",
    config: {
      maxOutputTokens: 8192,
      thinkingConfig: { thinkingBudget: 2048 }
    }
  });
  console.log(response.text);
}

main();

Installér SDK'et og begynd at foretage API-kald på få minutter.

Hvad folk siger om Gemini 3.8 Flash

Se hvad fællesskabet mener om Gemini 3.8 Flash

Gemini 3.8 Flash er endnu et spring i agentiske evner... vores 3. opdaterede Flash-model på bare 6 uger.
Logan Kilpatrick
twitter
Hastigheden kombineret med det faktum, at den er rigtig god til geografi og geospatial kompetence, er decideret imponerende.
MapDev
hackernews
Gemini 3.8 Flash ligger øverst på Redactle LLM-benchmarken... den udfører også evals billigere og hurtigere end næsten alle andre modeller.
PuzzleSolver
reddit
Jeg bruger primært antigravity til arbejde. Over det seneste år er vi gået fra, at det tog minutter, til at den spytter næsten perfekt arbejde ud på 10 sekunder.
SaaSBuilder
hackernews
Gemini Flash 3.8 slår Opus 5 til en 15x lavere pris på fire selvstændige three.js fysikopgaver.
GraphicsCoder
twitter
At 1M context window håndterer video direkte uden at konvertere til billeder først, sparer tonsvis af ingeniørarbejde.
VideoAIPro
reddit

Videoer om Gemini 3.8 Flash

Se vejledninger, anmeldelser og diskussioner om Gemini 3.8 Flash

Deep SUI V1.1 Gemini 3.8 Flash kommer ind på 73,7 %... reelt på linje med Claude Opus 5, som netop er udkommet

Så har vi terminal bench 2.1. Den fik førstepladsen med 89,4. Det her er agentisk terminal-kodning

godt. Så Claude Opus 5 dominerer fuldstændig konkurrencen med 1824, andenpladsen er 1710 for GPT 5.6 Soul, og så en noget dårligere score på 1545 for Gemini 3.8 Flash. Så

Ifølge artificial intelligence-indekset ligger den essentielt på Pareto-grænsen mellem pris og ydeevne

Sammenlignet med den tidligere Gemini flash-model slugte denne her væsentligt flere tokens til en given opgave... op til 30 % stigning

For token-generering kan du forvente op til 300 tokens pr. sekund ifølge Artificial Intelligence Index.

Det er virkelig imponerende, at man til den pris får intelligens på Opus 5-niveau

Geminis store problem er blevet løst, idet den ikke tilføjer for meget spildindhold på websiden

Og tag ikke fejl, det her er en imponerende model, fordi vi ser nye modeller fra Gemini hver eneste uge, som 3.6, 3.7 Flash og nu 3.8 Flash.

Mere end bare prompts

Supercharg din arbejdsgang med AI-automatisering

Automatio kombinerer kraften fra AI-agenter, webautomatisering og smarte integrationer for at hjælpe dig med at udrette mere på kortere tid.

AI-agenter
Webautomatisering
Smarte arbejdsgange

Pro-tips til Gemini 3.8 Flash

Eksperttips til at hjælpe dig med at få mest muligt ud af Gemini 3.8 Flash og opnå bedre resultater.

Vælg tænkefiltre (Thinking Levels) eksplicit

Konfigurer tænkeindsatsen til lav for strukturerede datatransformationer eller høj for terminal-fejlfinding for at styre token-forbruget.

Aktiver Context Caching

Aktivér Gemini API context caching på prompts over 32.000 tokens for at reducere inputomkostningerne med op til 75 procent.

Ground forespørgsler med native værktøjer

Erklær Google Search- og Maps-værktøjer direkte i forespørgslen for at hente verificerede fakta fra den virkelige verden og nyere data.

Lever direkte compiler-feedback

Send output fra compiler og testrunner direkte tilbage til modellen, så den kan rette syntaks- og logikfejl i løkker.

Anmeldelser

Hvad vores brugere siger

Slut dig til tusindvis af tilfredse brugere, der har transformeret deres arbejdsgang

Jonathan Kogan

Jonathan Kogan

Co-Founder/CEO, rpatools.io

Automatio is one of the most used for RPA Tools both internally and externally. It saves us countless hours of work and we realized this could do the same for other startups and so we choose Automatio for most of our automation needs.

Mohammed Ibrahim

Mohammed Ibrahim

CEO, qannas.pro

I have used many tools over the past 5 years, Automatio is the Jack of All trades.. !! it could be your scraping bot in the morning and then it becomes your VA by the noon and in the evening it does your automations.. its amazing!

Ben Bressington

Ben Bressington

CTO, AiChatSolutions

Automatio is fantastic and simple to use to extract data from any website. This allowed me to replace a developer and do tasks myself as they only take a few minutes to setup and forget about it. Automatio is a game changer!

Sarah Chen

Sarah Chen

Head of Growth, ScaleUp Labs

We've tried dozens of automation tools, but Automatio stands out for its flexibility and ease of use. Our team productivity increased by 40% within the first month of adoption.

David Park

David Park

Founder, DataDriven.io

The AI-powered features in Automatio are incredible. It understands context and adapts to changes in websites automatically. No more broken scrapers!

Emily Rodriguez

Emily Rodriguez

Marketing Director, GrowthMetrics

Automatio transformed our lead generation process. What used to take our team days now happens automatically in minutes. The ROI is incredible.

Jonathan Kogan

Jonathan Kogan

Co-Founder/CEO, rpatools.io

Automatio is one of the most used for RPA Tools both internally and externally. It saves us countless hours of work and we realized this could do the same for other startups and so we choose Automatio for most of our automation needs.

Mohammed Ibrahim

Mohammed Ibrahim

CEO, qannas.pro

I have used many tools over the past 5 years, Automatio is the Jack of All trades.. !! it could be your scraping bot in the morning and then it becomes your VA by the noon and in the evening it does your automations.. its amazing!

Ben Bressington

Ben Bressington

CTO, AiChatSolutions

Automatio is fantastic and simple to use to extract data from any website. This allowed me to replace a developer and do tasks myself as they only take a few minutes to setup and forget about it. Automatio is a game changer!

Sarah Chen

Sarah Chen

Head of Growth, ScaleUp Labs

We've tried dozens of automation tools, but Automatio stands out for its flexibility and ease of use. Our team productivity increased by 40% within the first month of adoption.

David Park

David Park

Founder, DataDriven.io

The AI-powered features in Automatio are incredible. It understands context and adapts to changes in websites automatically. No more broken scrapers!

Emily Rodriguez

Emily Rodriguez

Marketing Director, GrowthMetrics

Automatio transformed our lead generation process. What used to take our team days now happens automatically in minutes. The ROI is incredible.

Relateret AI Models

deepseek

DeepSeek-V3.2-Speciale

DeepSeek

DeepSeek-V3.2-Speciale is a reasoning-first LLM featuring gold-medal math performance, DeepSeek Sparse Attention, and a 131K context window. Rivaling GPT-5...

131K context
$0.28/$0.42/1M
other

MiMo V2.5 Pro

Other

MiMo V2.5 Pro is Xiaomi's open-source 1.02T parameter MoE model featuring a 1M context window, native multimodality, and elite agentic coding performance.

1M context
$1.00/$3.00/1M
deepseek

DeepSeek-V4-Flash

DeepSeek

DeepSeek-V4-Flash is an open-weight 1M context AI model scoring 54.4% on SWE-bench at $0.14 per 1M tokens, optimized for agentic coding and reasoning.

1M context
$0.14/$0.28/1M
moonshot

Kimi K2.7 Code

Moonshot

Kimi K2.7 Code is a 1T parameter MoE model from Moonshot AI. It features a 262k context window and 30% more efficient reasoning for software engineering.

262K context
$0.95/$4.00/1M
anthropic

Claude 3.7 Sonnet

Anthropic

Claude 3.7 Sonnet is Anthropic's first hybrid reasoning model, delivering state-of-the-art coding capabilities, a 200k context window, and visible thinking.

200K context
$3.00/$15.00/1M
minimax

MiniMax M2.5

minimax

MiniMax M2.5 is a SOTA MoE model featuring a 1M context window and elite agentic coding capabilities at disruptive pricing for autonomous agents.

1M context
$0.15/$1.20/1M
google

Gemini 3.6 Flash

Google

Gemini 3.6 Flash is Google's high-speed model featuring a 17% reduction in token consumption, $1.50/M input pricing, and advanced 3D visualization.

1M context
$1.50/$7.50/1M
google

Gemini 3.5 Flash

Google

Gemini 3.5 Flash is Google's high-speed multimodal model with a 1M context window, optimized for sub-second agentic loops and complex coding tasks.

1M context
$1.50/$9.00/1M

Ofte stillede spørgsmål om Gemini 3.8 Flash

Find svar på almindelige spørgsmål om Gemini 3.8 Flash