google

Gemini 3.8 Flash

Gemini 3.8 Flash to multimodalny model AI od Google oferujący 1M kontekstu, 64K wyjścia i możliwości agentowego kodowania za 0,75 USD za milion tokenów...

MultimodalnyWysoka prędkośćGoogle DeepMindDługi kontekstAgentowe programowanie
google logogoogleGemini 32026-09-02
Kontekst
1Mtokenow
Maks. wyjscie
66Ktokenow
Cena wejscia
$0.75/ 1M
Cena wyjscia
$3.75/ 1M
Modalnosc:TextImageAudioVideo
Mozliwosci:WizjaNarzedziaStreamingRozumowanie
Benchmarki
GPQA
59%
GPQA: Pytania naukowe poziomu doktoranckiego. Rygorystyczny benchmark z 448 pytaniami z biologii, fizyki i chemii. Eksperci PhD osiagaja tylko 65-74% dokładnosci. Gemini 3.8 Flash uzyskal 59% w tym benchmarku.
HLE
45.4%
HLE: Rozumowanie eksperckie wysokiego poziomu. Testuje zdolnosc modelu do demonstrowania rozumowania na poziomie eksperta w specjalistycznych dziedzinach. Gemini 3.8 Flash uzyskal 45.4% w tym benchmarku.
MMLU
88.2%
MMLU: Masowe wielozadaniowe rozumienie jezyka. Kompleksowy benchmark z 16 000 pytan z 57 przedmiotow akademickich. Gemini 3.8 Flash uzyskal 88.2% w tym benchmarku.
MMLU Pro
76.5%
MMLU Pro: MMLU Edycja Profesjonalna. Ulepszona wersja MMLU z 12 032 pytaniami i trudniejszym formatem 10 opcji. Gemini 3.8 Flash uzyskal 76.5% w tym benchmarku.
SimpleQA
42%
SimpleQA: Benchmark dokładnosci faktycznej. Testuje zdolnosc modelu do udzielania dokladnych, faktycznych odpowiedzi. Gemini 3.8 Flash uzyskal 42% w tym benchmarku.
IFEval
87.5%
IFEval: Ocena przestrzegania instrukcji. Mierzy jak dobrze model przestrzega konkretnych instrukcji i ograniczen. Gemini 3.8 Flash uzyskal 87.5% w tym benchmarku.
AIME 2025
82%
AIME 2025: Amerykanski Zaproszeniowy Egzamin Matematyczny. Zadania matematyczne poziomu konkursowego z prestizowego egzaminu AIME. Gemini 3.8 Flash uzyskal 82% w tym benchmarku.
MATH
78%
MATH: Rozwiazywanie problemow matematycznych. Kompleksowy benchmark matematyczny testujacy rozwiazywanie problemow z algebry, geometrii, analizy. Gemini 3.8 Flash uzyskal 78% w tym benchmarku.
GSM8k
94%
GSM8k: Matematyka szkoly podstawowej 8K. 8 500 zadan matematycznych poziomu szkoly podstawowej. Gemini 3.8 Flash uzyskal 94% w tym benchmarku.
MGSM
91%
MGSM: Wielojezyczna matematyka szkolna. Benchmark GSM8k przetlumaczony na 10 jezykow. Gemini 3.8 Flash uzyskal 91% w tym benchmarku.
MathVista
68%
MathVista: Matematyczne rozumowanie wizualne. Testuje zdolnosc rozwiazywania problemow matematycznych z elementami wizualnymi. Gemini 3.8 Flash uzyskal 68% w tym benchmarku.
SWE-Bench
49%
SWE-Bench: Benchmark inzynierii oprogramowania. Modele AI probuja rozwiazac prawdziwe problemy GitHub w projektach Python. Gemini 3.8 Flash uzyskal 49% w tym benchmarku.
HumanEval
85%
HumanEval: Zadania programistyczne Python. 164 zadania programistyczne, gdzie modele musza generowac poprawne implementacje funkcji Python. Gemini 3.8 Flash uzyskal 85% w tym benchmarku.
LiveCodeBench
65%
LiveCodeBench: Benchmark programowania na zywo. Testuje umiejetnosci programowania na ciagle aktualizowanych, rzeczywistych wyzwaniach. Gemini 3.8 Flash uzyskal 65% w tym benchmarku.
MMMU
69.5%
MMMU: Rozumienie multimodalne. Benchmark rozumienia multimodalnego z 30 przedmiotow uniwersyteckich. Gemini 3.8 Flash uzyskal 69.5% w tym benchmarku.
MMMU Pro
52%
MMMU Pro: MMMU Edycja Profesjonalna. Ulepszona wersja MMMU z trudniejszymi pytaniami. Gemini 3.8 Flash uzyskal 52% w tym benchmarku.
ChartQA
86%
ChartQA: Pytania i odpowiedzi o wykresach. Testuje zdolnosc rozumienia i analizowania informacji z wykresow i diagramow. Gemini 3.8 Flash uzyskal 86% w tym benchmarku.
DocVQA
93.5%
DocVQA: Wizualne pytania o dokumentach. Testuje zdolnosc wydobywania informacji z obrazow dokumentow. Gemini 3.8 Flash uzyskal 93.5% w tym benchmarku.
Terminal-Bench
89.4%
Terminal-Bench: Zadania terminal/CLI. Testuje zdolnosc wykonywania operacji wiersza polecen. Gemini 3.8 Flash uzyskal 89.4% w tym benchmarku.
ARC-AGI
4%
ARC-AGI: Abstrakcja i rozumowanie. Testuje plynna inteligencje poprzez nowe lamiglowki rozpoznawania wzorow. Gemini 3.8 Flash uzyskal 4% w tym benchmarku.

O Gemini 3.8 Flash

Dowiedz sie o mozliwosciach Gemini 3.8 Flash, funkcjach i jak moze pomoc Ci osiagnac lepsze wyniki.

Przegląd modelu

Gemini 3.8 Flash to wysoce wydajny, multimodalny model Google DeepMind wydany we wrześniu 2026 roku. Zbudowany w oparciu o sprzęt Tensor Processing Unit od Google, system natywnie przetwarza tekst, dźwięk, obrazy w wysokiej rozdzielczości oraz strumienie wideo o długości do dwóch godzin w ramach jednego context window mieszczącego 1 048 576 tokenów. Pojemność wyjściowa sięga 65 536 tokenów na żądanie. Model wprowadza konfigurowalne budżety wnioskowania obejmujące parametry niskie, średnie i wysokie, co pozwala inżynierom zbalansować opóźnienie wykonania z zużyciem tokenów.

Wykonanie agentowe i architektura

Model jest ukierunkowany na długofalowe zadania związane z kodowaniem i kontrolą terminala. Zamiast kończyć pracę po jednym przebiegu generowania, Gemini 3.8 Flash obsługuje rekurencyjne pętle wykonywania i autonomiczną interakcję z narzędziami. Proces treningowy kładł nacisk na operacje na kontenerach, interfejsy wiersza poleceń oraz obciążenia związane z obroną cybernetyczną. Trening ten przekłada się na niższe wskaźniki błędów w zestawach testowych oraz autokorektę podczas kompilacji na żywo w środowiskach takich jak Google Antigravity.

Obciążenia produkcyjne i ugruntowanie (grounding)

Deweloperi wdrażają Gemini 3.8 Flash w aplikacjach wrażliwych na opóźnienia, które wymagają deterministycznego korzystania z narzędzi. Natywne integracje łączą model bezpośrednio z ugruntowaniem w wyszukiwarce Google Search oraz danymi Google Maps bez konieczności stosowania oddzielnych potoków wyszukiwania (retrieval pipelines). Choć wiodące modele klasy frontier zachowują przewagę w otwartych zadaniach kreatywnych, 3.8 Flash zapewnia porównywalne wyniki ewaluacji kodu przy niższej cenie inferencji.

Gemini 3.8 Flash

Przypadki uzycia dla Gemini 3.8 Flash

Odkryj rozne sposoby wykorzystania Gemini 3.8 Flash do osiagniecia swietnych wynikow.

Autonomiczna konserwacja terminala

Wykonuje refaktoryzację wielu plików, uruchamia zestawy testów w środowiskach kontenerowych i autonomicznie łata błędy wykonania.

Wysokoobjętościowa ingestizacja wideo

Analizuje surowe dwugodzinne nagrania wideo i strumienie audio bezpośrednio w oknie 1M tokenów bez zewnętrznych potoków wstępnego przetwarzania.

Ekstrakcja raportów finansowych

Przetwarza obszerne dokumenty finansowe i złożone pliki PDF z grafiką w celu obliczenia wskaźników bilansowych i zapisu do zweryfikowanego formatu JSON.

Szybkie prototypowanie interfejsów użytkownika

Tworzy kompletne aplikacje webowe, interaktywne pulpity nawigacyjne SVG oraz symulacje WebGL w mniej niż piętnaście sekund.

Defensywna walidacja bezpieczeństwa

Skanuje repozytoria kodu źródłowego w celu wykrycia podatności logicznych, śledzenia skażonych zmiennych i generowania kandydatów na łatki regresyjne.

Orkiestracja agentów o niskich opóźnieniach

Służy jako szybki planista akcji w hierarchicznych konfiguracjach z wieloma agentami, wywołując zewnętrzne narzędzia ugruntowane przez Google Search.

Mocne strony

Ograniczenia

Ekonomia programowania agentowego: Osiągnął 73,7% w DeepSWE v1.1 i 89,4% w Terminal-Bench 2.1 przy promocyjnym koszcie 0,75 USD za milion tokenów wejściowych.
Wysokie zużycie tokenów przy głębokim myśleniu: Wysokie konfiguracje rozumowania wykonują rozszerzone pętle wewnętrzne, które zwiększają liczbę generowanych tokenów nawet o 30% w porównaniu do 3.7 Flash.
Natywna wielomodalność z długim kontekstem: Przetwarza do 1 048 576 tokenów połączonego audio, wideo i tekstu bez zewnętrznych potoków ekstrakcji klatek.
Niższa dokładność w złożonych benchmarkach terminalowych: Zdobywa 19,1% w Terminal-Bench 4.0, ustępując większym modelom klasy frontier, takim jak Claude Opus 5, w złożonych zadaniach kontenerowych.
Konfigurowalne budżety wnioskowania: Zapewnia niski, średni i wysoki poziom myślenia, dzięki czemu deweloperi mogą na żądanie regulować opóźnienia i głęboką analizę tokenów.
Niewielkie zyski w zakresie wnioskowania egzaminacyjnego: Ogólne wnioskowanie naukowe wykazało minimalny wzrost, uzyskując 45,4% w teście Humanity's Last Exam w porównaniu do 45,7% w 3.7 Flash.
Ugruntowana integracja z narzędziami: Łączy się natywnie z API Google Search i Google Maps, zapewniając weryfikowalne odpowiedzi oparte na faktach z niskim wskaźnikiem halucynacji.
Planowana podwyżka stawek: Ceny promocyjne wygasają 31 grudnia 2026 r., podwajając koszty do 1,50 USD za wejście i 7,50 USD za wyjście na milion tokenów.

Szybki start API

google/gemini-3.8-flash

Zobacz dokumentacje
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();

Zainstaluj SDK i zacznij wykonywac wywolania API w kilka minut.

Co mowia ludzie o Gemini 3.8 Flash

Zobacz, co spolecznosc mysli o Gemini 3.8 Flash

Gemini 3.8 Flash to kolejny skok w możliwościach agentowych... nasz trzeci zaktualizowany model Flash w zaledwie 6 tygodni.
Logan Kilpatrick
twitter
Prędkość w połączeniu z faktem, że ten model radzi sobie naprawdę dobrze z geografią i umiejętnościami geoprzestrzennymi, jest niesamowita.
MapDev
hackernews
Gemini 3.8 Flash jest na szczycie benchmarku Redactle LLM... przeprowadza też ewaluacje taniej i szybciej niż prawie wszystkie inne modele.
PuzzleSolver
reddit
Używam antigravity na co dzień do pracy. W ciągu ostatniego roku przeszliśmy od zajmującego całe minuty czasu oczekiwania do generowania niemal idealnej pracy w 10 sekund.
SaaSBuilder
hackernews
Gemini Flash 3.8 pokonuje Opus 5 przy 15-krotnie niższej cenie w czterech samodzielnych zadaniach fizycznych w three.js.
GraphicsCoder
twitter
Okno kontekstowe o wielkości 1M obsługujące wideo bezpośrednio, bez wcześniejszego konwertowania na obrazy, oszczędza mnóstwo pracy inżynieryjnej.
VideoAIPro
reddit

Filmy o Gemini 3.8 Flash

Ogladaj samouczki, recenzje i dyskusje o 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.

Wiecej niz tylko prompty

Przyspiesz swoj workflow z automatyzacja AI

Automatio laczy moc agentow AI, automatyzacji web i inteligentnych integracji, aby pomoc Ci osiagnac wiecej w krotszym czasie.

Agenci AI
Automatyzacja web
Inteligentne workflow

Porady Pro dla Gemini 3.8 Flash

Wskazówki ekspertów, aby w pełni wykorzystać Gemini 3.8 Flash.

Wybieraj poziomy myślenia jawnie

Skonfiguruj poziom wysiłku myślenia (thinking effort) na niski dla transformacji danych strukturalnych lub wysoki do debugowania w terminalu, aby kontrolować zużycie tokenów.

Włącz buforowanie kontekstu

Aktywuj buforowanie kontekstu w Gemini API dla promptów powyżej 32 000 tokenów, aby obniżyć koszty wejściowe nawet o 75 procent.

Ugruntuj zapytania za pomocą narzędzi natywnych

Zadeklaruj narzędzia Google Search i Maps bezpośrednio w żądaniu, aby pobierać zweryfikowane fakty z rzeczywistego świata i aktualne dane.

Dostarczaj bezpośrednią informację zwrotną z kompilatora

Przekierowuj wyjście kompilatora i modułu uruchamiającego testy z powrotem do modelu, aby mógł naprawiać błędy składniowe i logiczne w pętli.

Opinie

Co mowia nasi uzytkownicy

Dolacz do tysiecy zadowolonych uzytkownikow, ktorzy przeksztalcili swoj workflow

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.

Powiazane 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

Często Zadawane Pytania o Gemini 3.8 Flash

Znajdź odpowiedzi na częste pytania o Gemini 3.8 Flash