مدل‌های تازه Gemini ارزان‌تر و کارآمدتر شده‌اند

Google سه مدل تازه از خانواده Gemini را معرفی کرده است: Gemini 3.5 Flash Cyber، Gemini 3.5 Flash-Lite و Gemini 3.6 Flash. تمرکز هر سه مدل روی سرعت بیشتر، هزینه کمتر و مصرف بهینه‌تر توکن است؛ یعنی اگر از API یا Agentهای هوش مصنوعی برای کارهای پرتکرار استفاده می‌کنید، این تغییرها می‌توانند مستقیماً روی هزینه نهایی اثر بگذارند.

نکات کلیدی

• مدل‌های تازه Gemini Flash برای سرعت، بهره‌وری و کاهش هزینه توکن طراحی شده‌اند.
• Gemini 3.6 Flash در هر وظیفه ارزان‌تر شده و دقت بهتری در کدنویسی و پژوهش نشان می‌دهد.
• 3.5 Flash Cyber فعلاً برای دولت‌ها و شریک‌های مورد اعتماد عرضه می‌شود، در حالی که 3.5 Flash-Lite گزینه‌ای سریع و ارزان برای کارهای کوتاه Agentهاست.

سه مدل تازه Gemini چه تفاوتی دارند؟

Gemini ۳.۶ Flash، Gemini ۳.۵ Flash Cyber و Gemini ۳.۵ Flash-Lite هرکدام برای یک نوع استفاده هدف‌گذاری شده‌اند

Gemini 3.5 Flash Cyber برای شناسایی و رفع باگ‌های نرم‌افزاری ساخته شده است. البته این مدل در حال حاضر عمومی نیست و فقط دولت‌ها و برخی شریک‌های مورد اعتماد به آن دسترسی دارند. طبق توضیح Google، هزینه هر توکن در این مدل کمتر از مدل‌های بزرگ‌تر است و می‌تواند در رقابت امنیت سایبری با مدل‌هایی مثل Anthropic Mythos نقش داشته باشد.

Gemini 3.5 Flash-Lite سریع‌ترین و ارزان‌ترین عضو این خانواده محسوب می‌شود. این مدل برای وظایف کوتاه و زیاد، مخصوصاً در سیستم‌های بزرگ‌تر مبتنی بر Agentهای هوش مصنوعی، مناسب است؛ جایی که هر درخواست کوچک باید سریع و با هزینه پایین پردازش شود.

اما مدل اصلی این معرفی، Gemini 3.6 Flash است. Google می‌گوید این مدل تا ۱۷٪ توکن کمتر مصرف می‌کند و هزینه هر توکن آن هم نسبت به قبل پایین‌تر است. ادعای مهم‌تر این است که هزینه انجام هر وظیفه با آن از مدل‌هایی مثل GPT-5.6 Terra Max، Kimi K3 و Qwen 3.7 Max کمتر تمام می‌شود.

بهبودها فقط به هزینه محدود نیستند. طبق داده‌های منتشرشده، Gemini 3.6 Flash در کدنویسی، پردازش داده‌های مختلف و کارهای دانشی عملکرد بهتری دارد. نمونه‌های کاربردی آن می‌تواند شامل پردازش سریع‌تر اسناد مالی، مدیریت کاتالوگ و پشتیبانی مشتری در فروشگاه‌ها، یا تحلیل مجموعه‌داده‌های بزرگ در پژوهش‌های سلامت باشد.

Google همچنین به اعداد بنچمارک اشاره کرده است: دقت بهتر در ویرایش کد روی DeepSWE، با نتیجه ۴۹٪ در برابر ۳۷٪، و عملکرد بهتر در فعالیت‌های پژوهش یادگیری ماشین روی MLE Bench، با نتیجه ۶۳٫۹٪ در برابر ۴۹٫۷٪. DeepSWE دقت ویرایش کد مدل‌های هوش مصنوعی را در وظایف مهندسی نرم‌افزار می‌سنجد و MLE Bench توان مدل را در کارهایی مثل تولید کد و حل مسئله در پژوهش یادگیری ماشین ارزیابی می‌کند.

قدم بعدی برای Gemini چیست؟

درباره مدل پرچم‌دار بعدی Google هنوز اطلاعات رسمی زیادی وجود ندارد

Gemini 3.5 Pro هنوز در مرحله آزمایش با شریک‌هاست، اما انتظار می‌رود به‌زودی دسترسی گسترده‌تری پیدا کند. هم‌زمان، Google روی Gemini 4 هم کار می‌کند؛ مدلی که هنوز جزئیات رسمی زیادی از آن منتشر نشده است.

گزارش‌ها و شایعه‌های اولیه می‌گویند Gemini 4 احتمالاً هوشمندتر خواهد بود، با Context بزرگ‌تر کار می‌کند و می‌تواند متن، تصویر، صدا و ویدیو را هم‌زمان بهتر ترکیب کند. همچنین انتظار می‌رود سریع‌تر، بهینه‌تر و امن‌تر باشد. گفته می‌شود Google حتی روی تراشه‌ای ویژه برای اجرای Gemini با بهره‌وری تا ۱۰ برابر بیشتر کار می‌کند؛ حرکتی که اگر محقق شود، می‌تواند هزینه استفاده از هوش مصنوعی را برای کاربران و توسعه‌دهندگان پایین‌تر بیاورد.

این متن یک بومی‌سازی تحریری بر پایه مقاله MakeUseOf است و برای خوانندگان فارسی‌زبان بازنویسی و ساختاربندی شده است. منبع: MakeUseOf