google

Gemini 3.8 Flash

Gemini 3.8 Flash adalah AI multimodal dari Google yang menawarkan context 1M, output 64K, dan kapabilitas agentic coding seharga $0,75 per juta input token.

MultimodalKecepatan TinggiGoogle DeepMindLong ContextAgentic Coding
google logogoogleGemini 32026-09-02
Konteks
1Mtoken
Output maks.
66Ktoken
Harga input
$0.75/ 1M
Harga output
$3.75/ 1M
Modalitas:TextImageAudioVideo
Kemampuan:VisiAlatStreamingPenalaran
Benchmarks
GPQA
59%
GPQA: Tanya Jawab Sains Tingkat Doktoral. Benchmark ketat dengan 448 pertanyaan pilihan ganda dalam biologi, fisika, dan kimia yang dibuat oleh pakar domain. Para ahli PhD hanya mencapai akurasi 65-74%, sementara non-ahli hanya mendapat 34% bahkan dengan akses web tak terbatas (sehingga disebut 'tahan Google'). Gemini 3.8 Flash meraih skor 59% pada benchmark ini.
HLE
45.4%
HLE: Penalaran Keahlian Tingkat Tinggi. Menguji kemampuan model untuk mendemonstrasikan penalaran tingkat ahli di domain khusus. Mengevaluasi pemahaman mendalam tentang topik kompleks yang membutuhkan pengetahuan tingkat profesional. Gemini 3.8 Flash meraih skor 45.4% pada benchmark ini.
MMLU
88.2%
MMLU: Pemahaman Bahasa Multitugas Masif. Benchmark komprehensif dengan 16.000 pertanyaan pilihan ganda meliputi 57 mata pelajaran akademik termasuk matematika, filsafat, hukum, dan kedokteran. Menguji pengetahuan luas dan kemampuan penalaran. Gemini 3.8 Flash meraih skor 88.2% pada benchmark ini.
MMLU Pro
76.5%
MMLU Pro: MMLU Edisi Profesional. Versi MMLU yang ditingkatkan dengan 12.032 pertanyaan menggunakan format 10 pilihan yang lebih sulit. Mencakup Matematika, Fisika, Kimia, Hukum, Teknik, Ekonomi, Kesehatan, Psikologi, Bisnis, Biologi, Filsafat, dan Ilmu Komputer. Gemini 3.8 Flash meraih skor 76.5% pada benchmark ini.
SimpleQA
42%
SimpleQA: Benchmark Akurasi Faktual. Menguji kemampuan model untuk memberikan respons yang akurat dan faktual terhadap pertanyaan langsung. Mengukur keandalan dan mengurangi halusinasi dalam tugas pengambilan pengetahuan. Gemini 3.8 Flash meraih skor 42% pada benchmark ini.
IFEval
87.5%
IFEval: Evaluasi Kepatuhan Instruksi. Mengukur seberapa baik model mengikuti instruksi dan batasan tertentu. Menguji kemampuan untuk mematuhi aturan format, batas panjang, dan persyaratan eksplisit lainnya. Gemini 3.8 Flash meraih skor 87.5% pada benchmark ini.
AIME 2025
82%
AIME 2025: Ujian Matematika Undangan Amerika. Soal matematika tingkat kompetisi dari ujian AIME bergengsi yang dirancang untuk siswa SMA berbakat. Menguji pemecahan masalah matematika tingkat lanjut yang membutuhkan penalaran abstrak, bukan sekadar pencocokan pola. Gemini 3.8 Flash meraih skor 82% pada benchmark ini.
MATH
78%
MATH: Pemecahan Masalah Matematika. Benchmark matematika komprehensif yang menguji pemecahan masalah dalam aljabar, geometri, kalkulus, dan domain matematika lainnya. Membutuhkan penalaran multi-langkah dan pengetahuan matematika formal. Gemini 3.8 Flash meraih skor 78% pada benchmark ini.
GSM8k
94%
GSM8k: Matematika SD 8K. 8.500 soal cerita matematika tingkat SD yang membutuhkan penalaran multi-langkah. Menguji aritmatika dasar dan pemikiran logis melalui skenario dunia nyata seperti belanja atau perhitungan waktu. Gemini 3.8 Flash meraih skor 94% pada benchmark ini.
MGSM
91%
MGSM: Matematika SD Multibahasa. Benchmark GSM8k yang diterjemahkan ke 10 bahasa termasuk Spanyol, Prancis, Jerman, Rusia, Cina, dan Jepang. Menguji penalaran matematika dalam berbagai bahasa. Gemini 3.8 Flash meraih skor 91% pada benchmark ini.
MathVista
68%
MathVista: Penalaran Matematika Visual. Menguji kemampuan untuk menyelesaikan masalah matematika yang melibatkan elemen visual seperti grafik, diagram geometri, dan figur ilmiah. Menggabungkan pemahaman visual dengan penalaran matematika. Gemini 3.8 Flash meraih skor 68% pada benchmark ini.
SWE-Bench
49%
SWE-Bench: Benchmark Rekayasa Perangkat Lunak. Model AI mencoba menyelesaikan masalah GitHub nyata dalam proyek Python open-source dengan verifikasi manusia. Menguji keterampilan rekayasa perangkat lunak praktis pada codebase produksi. Model terbaik meningkat dari 4,4% di 2023 menjadi lebih dari 70% di 2024. Gemini 3.8 Flash meraih skor 49% pada benchmark ini.
HumanEval
85%
HumanEval: Masalah Pemrograman Python. 164 masalah pemrograman yang ditulis tangan di mana model harus menghasilkan implementasi fungsi Python yang benar. Setiap solusi diverifikasi dengan unit test. Model terbaik sekarang mencapai akurasi lebih dari 90%. Gemini 3.8 Flash meraih skor 85% pada benchmark ini.
LiveCodeBench
65%
LiveCodeBench: Benchmark Koding Langsung. Menguji kemampuan koding pada tantangan pemrograman dunia nyata yang terus diperbarui. Berbeda dengan benchmark statis, menggunakan masalah baru untuk mencegah kontaminasi data dan mengukur keterampilan koding yang sebenarnya. Gemini 3.8 Flash meraih skor 65% pada benchmark ini.
MMMU
69.5%
MMMU: Pemahaman Multimodal. Benchmark Pemahaman Multimodal Multi-disiplin Masif yang menguji model penglihatan-bahasa pada masalah tingkat universitas di 30 mata pelajaran yang membutuhkan pemahaman gambar dan pengetahuan ahli. Gemini 3.8 Flash meraih skor 69.5% pada benchmark ini.
MMMU Pro
52%
MMMU Pro: MMMU Edisi Profesional. Versi MMMU yang ditingkatkan dengan pertanyaan lebih sulit dan evaluasi lebih ketat. Menguji penalaran multimodal tingkat lanjut di tingkat profesional dan ahli. Gemini 3.8 Flash meraih skor 52% pada benchmark ini.
ChartQA
86%
ChartQA: Tanya Jawab Grafik. Menguji kemampuan untuk memahami dan bernalar tentang informasi yang disajikan dalam grafik dan diagram. Membutuhkan ekstraksi data, perbandingan nilai, dan melakukan perhitungan dari representasi visual data. Gemini 3.8 Flash meraih skor 86% pada benchmark ini.
DocVQA
93.5%
DocVQA: Tanya Jawab Visual Dokumen. Benchmark Tanya Jawab Visual Dokumen yang menguji kemampuan untuk mengekstrak dan bernalar tentang informasi dari gambar dokumen termasuk formulir, laporan, dan teks yang dipindai. Gemini 3.8 Flash meraih skor 93.5% pada benchmark ini.
Terminal-Bench
89.4%
Terminal-Bench: Tugas Terminal/CLI. Menguji kemampuan untuk melakukan operasi baris perintah, menulis skrip shell, dan menavigasi lingkungan terminal. Mengukur keterampilan administrasi sistem praktis dan alur kerja pengembangan. Gemini 3.8 Flash meraih skor 89.4% pada benchmark ini.
ARC-AGI
4%
ARC-AGI: Abstraksi dan Penalaran. Abstraction and Reasoning Corpus untuk AGI - menguji kecerdasan fluida melalui teka-teki pengenalan pola baru. Setiap tugas membutuhkan penemuan aturan yang mendasari dari contoh, mengukur kemampuan penalaran umum daripada menghafal. Gemini 3.8 Flash meraih skor 4% pada benchmark ini.

Tentang Gemini 3.8 Flash

Pelajari tentang kemampuan, fitur, dan cara menggunakan Gemini 3.8 Flash.

Ringkasan Model

Gemini 3.8 Flash adalah model multimodal berefisiensi tinggi dari Google DeepMind yang dirilis pada September 2026. Dibangun di atas perangkat keras Tensor Processing Unit milik Google, sistem ini secara native menerima teks, audio, citra resolusi tinggi, dan stream video berdurasi hingga dua jam dalam satu context window tunggal berukuran 1.048.576 token. Kapasitas output mencapai 65.536 token per request. Model ini memperkenalkan budget reasoning yang dapat dikonfigurasi melalui parameter rendah, sedang, dan tinggi, yang memungkinkan para insinyur untuk menyeimbangkan latensi eksekusi terhadap konsumsi token.

Eksekusi Agentic dan Arsitektur

Model ini menargetkan tugas coding berdurasi panjang dan kontrol terminal. Alih-alih berhenti setelah satu kali tahap output, Gemini 3.8 Flash mendukung loop eksekusi rekursif dan interaksi tool secara otonom. Pelatihan menekankan manipulasi container, command-line interface, dan beban kerja pertahanan keamanan siber. Pelatihan ini menghasilkan tingkat error yang lebih rendah pada test suite dan koreksi mandiri selama pembangunan langsung di lingkungan seperti Google Antigravity.

Beban Kerja Produksi dan Grounding

Developer mendatangi Gemini 3.8 Flash untuk aplikasi yang sensitif terhadap latensi yang memerlukan penggunaan tool deterministik. Integrasi native menghubungkan model secara langsung ke grounding Google Search dan data Google Maps tanpa pipeline pengambilan terpisah. Meskipun model frontier flagship mempertahankan keunggulan pada tugas kreatif terbuka, 3.8 Flash memberikan skor evaluasi coding yang sebanding pada harga inference yang lebih rendah.

Gemini 3.8 Flash

Kasus Penggunaan untuk Gemini 3.8 Flash

Temukan berbagai cara menggunakan Gemini 3.8 Flash untuk hasil yang luar biasa.

Pemeliharaan Terminal Otonom

Mengeksekusi refaktor multi-file, menjalankan test suite di dalam lingkungan container, dan menambal runtime error secara otonom.

Ingesti Video Bervolume Tinggi

Menganalisis rekaman video mentah berdurasi dua jam dan stream audio secara langsung dalam window 1M token tanpa pipeline preprocessing eksternal.

Ekstraksi Laporan Keuangan

Menerima dokumen keuangan yang panjang dan PDF visual yang kompleks untuk menghitung metrik neraca keuangan ke dalam format JSON yang tervalidasi.

Prototyping UI Cepat

Menghasilkan aplikasi web lengkap, dashboard SVG interaktif, dan simulasi WebGL dalam waktu kurang dari lima belas detik.

Validasi Keamanan Defensif

Memindai repositori sumber untuk mengidentifikasi kerentanan logika, melacak variabel yang tercemar, dan menghasilkan kandidat patch regresi.

Orkestrasi Agen Latensi Rendah

Berfungsi sebagai perencana aksi cepat dalam konfigurasi multi-agent hierarkis, memanggil tool eksternal yang di-grounding oleh Google Search.

Kelebihan

Keterbatasan

Ekonomis untuk Agentic Coding: Mencapai 73,7% pada DeepSWE v1.1 dan 89,4% pada Terminal-Bench 2.1 dengan biaya perkenalan $0,75 per juta input token.
Konsumsi Token Tinggi pada Deep Thinking: Konfigurasi penalaran tinggi mengeksekusi loop internal yang diperpanjang sehingga meningkatkan output token hingga 30% dibandingkan 3.7 Flash.
Multimodal Long-Context Native: Memproses hingga 1.048.576 token gabungan audio, video, dan teks tanpa pipeline ekstraksi frame eksternal.
Akurasi Lebih Rendah pada Benchmark Terminal Kompleks: Memperoleh skor 19,1% pada Terminal-Bench 4.0, tertinggal dari frontier model yang lebih besar seperti Claude Opus 5 pada tugas container yang kompleks.
Budget Reasoning yang Dapat Dikonfigurasi: Menyediakan level thinking rendah, sedang, dan tinggi sehingga developer dapat mengatur latensi dan kedalaman token sesuai kebutuhan.
Peningkatan Penalaran Ujian yang Marginal: Penalaran ilmiah umum menunjukkan pergerakan yang tidak signifikan, mencetak 45,4% pada Humanity's Last Exam dibandingkan 45,7% pada 3.7 Flash.
Integrasi Tool yang Ter-grounding: Terhubung secara native ke API Google Search dan Google Maps untuk memberikan jawaban faktual yang dapat diverifikasi dengan tingkat halusinasi rendah.
Kenaikan Rate Terjadwal: Harga perkenalan kedaluwarsa pada 31 Desember 2026, menggandakan biaya menjadi $1,50 untuk input dan $7,50 untuk output per juta token.

Mulai Cepat API

google/gemini-3.8-flash

Lihat Dokumentasi
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();

Instal SDK dan mulai melakukan panggilan API dalam hitungan menit.

Apa Kata Orang Tentang Gemini 3.8 Flash

Lihat apa yang dipikirkan komunitas tentang Gemini 3.8 Flash

Gemini 3.8 Flash adalah lompatan lain dalam kapabilitas agentic... model Flash pembaruan ke-3 kami hanya dalam waktu 6 minggu.
Logan Kilpatrick
twitter
Kecepatannya dipadukan dengan fakta bahwa model ini sangat bagus dalam geografi dan keterampilan spasial membuatnya sangat memukau.
MapDev
hackernews
Gemini 3.8 Flash berada di puncak benchmark Redactle LLM... model ini juga melakukan eval dengan lebih murah dan lebih cepat daripada hampir semua model lainnya.
PuzzleSolver
reddit
Saya menggunakan antigravity sebagai andalan untuk bekerja. Selama setahun terakhir, kami telah beralih dari yang tadinya memakan waktu beberapa menit menjadi menghasilkan pekerjaan yang hampir sempurna dalam 10 detik.
SaaSBuilder
hackernews
Gemini Flash 3.8 mengalahkan Opus 5 dengan harga 15x lebih murah pada empat tugas fisika three.js yang berdiri sendiri.
GraphicsCoder
twitter
Context window 1M yang menangani video secara langsung tanpa harus mengonversinya ke gambar terlebih dahulu menghemat banyak pekerjaan teknik.
VideoAIPro
reddit

Video Tentang Gemini 3.8 Flash

Tonton tutorial, ulasan, dan diskusi tentang Gemini 3.8 Flash

Deep SUI V1.1 Gemini 3.8 Flash coming in at 73.7%... effectively even with Claude Opus 5 which was just released

Then we have terminal bench 2.1. It got the number one score at 89.4. This is agentic terminal coding

good. So, Claude Opus 5 absolutely dominating the competition, coming in at 1824, second place 1710 for GPT 5.6 Soul, and then kind of a much less good score of 1545 for Gemini 3.8 Flash. So

According to artificial intelligence index, it's essentially at the Pareto frontier of cost versus performance

Compared to the previous Gemini flash model, this ate a lot more tokens for a given task... up to 30% increase

For token generation, you can expect up to 300 tokens per second according to the Artificial Intelligence Index.

It's really impressive that at this price you are getting Opus 5 level of intelligence

The big problem of Gemini is solved which is it is not adding too much of waste content on the website

And guys, make no mistake, this is an impressive model because every couple of weeks we are seeing new models from Gemini like 3.6, 3.7 Flash and now 3.8 Flash.

Lebih dari sekadar prompt

Tingkatkan alur kerja Anda dengan Otomatisasi AI

Automatio menggabungkan kekuatan agen AI, otomatisasi web, dan integrasi cerdas untuk membantu Anda mencapai lebih banyak dalam waktu lebih singkat.

Agen AI
Otomasi Web
Alur Kerja Cerdas

Tips Pro untuk Gemini 3.8 Flash

Tips ahli untuk memaksimalkan Gemini 3.8 Flash.

Pilih Level Thinking Secara Eksplisit

Konfigurasikan effort thinking ke tingkat rendah untuk transformasi data terstruktur atau tinggi untuk debugging terminal guna mengontrol penggunaan token.

Aktifkan Context Caching

Aktifkan context caching pada Gemini API untuk prompt di atas 32.000 token guna memangkas biaya input hingga 75 persen.

Grounding Query dengan Tool Native

Deklarasikan tool Google Search dan Maps langsung di dalam request untuk mengambil fakta dunia nyata terverifikasi dan data terbaru.

Berikan Umpan Balik Compiler Langsung

Salurkan output compiler dan test runner langsung kembali ke model agar dapat memperbaiki error sintaks dan logika dalam loop.

Testimoni

Apa Kata Pengguna Kami

Bergabunglah dengan ribuan pengguna puas yang telah mengubah alur kerja mereka

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.

Terkait 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

Pertanyaan yang Sering Diajukan tentang Gemini 3.8 Flash

Temukan jawaban untuk pertanyaan umum tentang Gemini 3.8 Flash