A Gemini 3.6 Flash a Google DeepMind új, kifejezetten ágens-alapú munkafolyamatokra hangolt modellje, amelyet 2026. július 21-én jelentettek be két testvérmodellel együtt. A bejelentés lényege egyszerű, de a döntéshozók számára súlyos: ugyanazt a munkát olcsóbban végzi el.
A csomag három modellből áll. A hatékony igásló Gemini 3.6 Flash mellett érkezett a szupergyors Gemini 3.5 Flash-Lite és a kizárólag kormányzati partnereknek szánt, kiberbiztonságra szakosodott Gemini 3.5 Flash Cyber. Zászlóshajó Pro-modell viszont most nem jött.
Ha egy dolgot érdemes megjegyezni: a legnagyobb újdonság nem a nyers képesség, hanem a token-gazdaságosság. A VentureBeat mérése szerint hosszú távú fejlesztési feladatoknál a modell akár 65%-kal csökkentheti az ágensek token-költségét.
Miért fontos a Gemini 3.6 Flash a fejlesztőknek?
A Flash-széria mindig a „középút” modellje volt: elég okos a valódi munkához, de elég olcsó ahhoz, hogy tömegesen futtasd. A Gemini 3.6 Flash ezt a logikát viszi tovább, most már kifejezetten az önállóan dolgozó AI-ágensek gazdaságtanára optimalizálva.
Az ágensek ugyanis nem egyetlen választ adnak. Egy feladatot sok lépésre bontanak, mindegyik lépés tokent éget, és a költség lépésről lépésre halmozódik. Itt minden megspórolt token valódi pénz.
„A produkciós AI-ágenseket építő fejlesztőknek magasabb token-hatékonyságra, alacsonyabb késleltetésre és megbízhatóbb teljesítményre van szükségük. A Flash-szériánk pontosan a hatékonyság és a minőség metszéspontjára készült.” — Tulsee Doshi, a Google DeepMind termékmenedzsment-igazgatója.
A célterület világos: fejlett kódolás, összetett tudásalapú irodai munka és multimodális elemzés, például dokumentumok és grafikonok értelmezése. Ez az a három terület, ahol a vállalati ágensek ma a legtöbb pénzt égetik el.
Mi új a Gemini 3.6 Flash-ben?
A legfontosabb változás a token-hatékonyság. Az Artificial Analysis Index adatai szerint a modell átlagosan 17%-kal kevesebb output tokent fogyaszt, mint az elődje, a Gemini 3.5 Flash.
Ez a szám hosszú, több lépcsős feladatoknál felszalad. A DeepSWE szoftverfejlesztési benchmarkon a megtakarítás elérheti a 65%-ot, mert a modell kevesebb felesleges lépéssel és rövidebb válaszokkal jut el a célig. Egyszerűen kevesebbet „gondolkodik hangosan”.
Új natív képesség a számítógép-használat (computer use). Ez mostantól beépített kliensoldali eszközként érhető el a Gemini API-ban és a Gemini Enterprise-ban, vagyis az ágens közvetlenül kezelhet felületeket anélkül, hogy külön megkerülő megoldást kellene köré építeni.
A token-gazdaságosság kettős: nem csak az ár-lista alacsonyabb, hanem a modell strukturáltabban és tömörebben is válaszol. A nagyüzemi ágens-folyamatoknál ez a kettő együtt hatványozottan csökkenti a számlát.
Hogyan teljesít a Gemini 3.6 Flash a benchmarkokon?
A Google saját, a Gemini 3.5 Flash-sel összevető méréseiben a fejlődés jól látszik. A leglátványosabb ugrás az ágens- és mérnöki feladatoknál van, tehát pont ott, ahol a modellt pozicionálják.
- DeepSWE (kódfolyamatok automatizálása): 49% vs. 37%
- MLE Bench (gépi tanulási mérnöki feladatok): 63,9% vs. 49,7%
- OSWorld-Verified (számítógép-használat ágensekkel): 83,0% vs. 78,4%
- GDPval-AA v2 (tudásalapú munka): 1421 pont vs. 1349 pont
Az MLE Bench közel 14 százalékpontos javulása különösen fontos, mert ez a gépi tanulási mérnöki munka gyakorlati méréshez áll a legközelebb. A GDPval-AA v2 pedig azt jelzi, hogy a modell nem csak kódban, hanem klasszikus tudásmunkában is előrelépett.
Fontos a fair kép kedvéért: ezek a Google saját közlésén alapuló számok. Független, hosszú távú éles használat kell majd ahhoz, hogy lássuk, a 65%-os megtakarítás a valós vállalati workflow-kban is tartható-e.
Gemini 3.5 Flash-Lite: a sebességbajnok
A második modell, a Gemini 3.5 Flash-Lite más problémára válasz: az alacsony késleltetésre és a nagy átmenő forgalomra. Ide tartozik a valós idejű ágens-keresés vagy a nagy volumenű számlafeldolgozás.
A számok itt is konkrétak. Az Artificial Analysis mérése szerint a modell 350 output tokent generál másodpercenként, ami kétszer gyorsabb, mint a korábbi generációs Gemini 3.1 Flash-Lite.
A benchmarkokon is javult: a SWE-Bench Pro teszten 54,2% vs. 49,6%, az OSWorld-Verified teszten pedig 74,0% vs. 65,1% az elődhöz képest. Bizonyos fejlesztői méréseken a Flash-Lite még a drágább Gemini 3 Flash modellt is lekörözi, ami a sebesség-ár arány szempontjából komoly érv.
Mennyibe kerül és hol érhető el?
Az árazás a bejelentés lelke. A Gemini 3.6 Flash input tokene változatlanul 1,50 dollár / 1 millió token, az output viszont 9,00 dollárról 7,50 dollárra csökkent millió tokenenként. Ez önmagában is közvetlen költségcsökkenés minden ágens-futtatásnál.
Gemini 3.6 Flash: 1,50 dollár input / 7,50 dollár output millió tokenenként. Gemini 3.5 Flash-Lite: 0,30 dollár input / 2,50 dollár output millió tokenenként.
A Flash-Lite tehát nagyságrenddel olcsóbb, ha a feladat elbírja a kisebb modellt. A gyakorlatban ez azt jelenti, hogy a fejlesztők a feladat nehézsége szerint válogathatnak a két modell között — a nehezén megy a 3.6 Flash, a tömegmunkán a Flash-Lite.
A harmadik modell, a Gemini 3.5 Flash Cyber viszont nem mindenkinek szól. Szoftveres sebezhetőségek keresésére és javítására tervezték, a Google CodeMender kódvédelmi ágensével együttműködve, és a CyberGym teszten a kategóriája élvonalába került. A kettős felhasználású jellege miatt azonban kizárólag kormányzatok és minősített partnerek férhetnek hozzá egy zárt, korlátozott hozzáférésű pilot programban.
Ez a korlátozás nem egyedi. A Google lépése egy vonalba illik az Anthropic Project Glasswing és az OpenAI korlátozott kiadásaival: a piac vezetői egyre óvatosabbak a kódgenerálásra és hálózati támadásra is alkalmas modellek szabadon engedésével.
Mit jelent ez az AI-piacnak?
A bejelentés időzítése beszédes. Az AI-szektor legnagyobb validált fájdalompontja ma a költség: a token-alapú elszámolás mellett a nagy volumenű ágens-használat gyorsan elszáll. A Google azzal, hogy nem a képességet, hanem a hatékonyságot helyezte a bejelentés középpontjába, pontosan erre a piaci feszültségre reagál.
A verseny iránya is látszik. Miközben a rivális laborok gyakran a legnagyobb, legdrágább zászlóshajó modellel villantanak, a Google most tudatosan a „középmezőnyt” erősítette, ahol a valódi produkciós volumen zajlik. Ez a lépés a token-árversenyt élesíti az egész piacon.
A zárt megközelítés viszont ára is van. A Gemini modellek továbbra is teljesen zártak, a fejlesztők kizárólag a Google és partnerei API-jain keresztül férnek hozzájuk, szemben a nyílt alternatívákkal. Aki a beszállítói függetlenséget értékeli, annak ez továbbra is mérlegelendő szempont marad.
Kinek érdemes váltania a Gemini 3.6 Flash-re?
A legegyértelműbb célközönség az, aki már ma nagy volumenben futtat AI-ágenseket. Ha a havi számládban a token-költség érdemi tétel, a 17-65%-os megtakarítás közvetlenül a pénztárcádat érinti.
Aki hosszú, több lépcsős kódolási vagy mérnöki folyamatokat automatizál, szintén nyer: itt a legnagyobb a token-megtakarítás, és a benchmarkok is itt ugranak a legtöbbet. A számítógép-használat natív támogatása pedig egyszerűsíti az ágens-architektúrát.
Óvatosabbnak azoknak érdemes lenniük, akik zászlóshajó-szintű képességre várnak. A Gemini 3.5 Pro ugyanis még nem érkezett meg. Logan Kilpatrick, a Google munkatársa az X-en megerősítette, hogy a Pro jelenleg partnerekkel tesztel, és amint elkészül, mindenki számára elérhetővé teszik. A Google DeepMind közben már elindította a Gemini 4 következő generációs modellcsalád legambiciózusabb előtanítási futását.
Mit jelent ez a döntéshozóknak? 5 következtetés
- A token-ár lett a fő versenytér: a nyers képesség helyett egyre inkább az számít, mennyi tokenből oldja meg a modell ugyanazt a feladatot. Ezt mérd a szolgáltatóknál.
- Rétegezd a modellhasználatot: a nehéz feladatokra a 3.6 Flash, a nagy volumenű tömegmunkára a nagyságrenddel olcsóbb Flash-Lite — a keverés csökkenti a számlát.
- Az ágensek költsége a lépések számától függ: a rövidebb, strukturáltabb válaszok hatványozottan spórolnak. Kérj benchmarkot valós, több lépcsős feladatra, ne csak egyszeri promptra.
- A Gemini továbbra is zárt rendszer: a hozzáférés kizárólag a Google és partnerei API-jain megy, szemben a nyílt alternatívákkal. Ez rugalmasságot ad, de beszállítói függőséget is jelent.
- Ne tervezz még a Pro-ra: a zászlóshajó modell hiánya azt jelenti, hogy csúcskategóriás feladatra egyelőre máshonnan kell megoldást keresni.
A Gemini 3.6 Flash a hatékonyság-versenyt élesíti
A Google új Flash-modelljei nem egy látványos képesség-ugrásról szólnak, hanem arról, hogy az AI-ágensek futtatása fenntarthatóvá váljon nagy méretekben. A VentureBeat találó hasonlata szerint a korai nagy modellek üzemanyag-éhes tehervonatok voltak; az új Flash-széria inkább egy fürge, hiperhatékony kézbesítő-flotta.
A tanulság a döntéshozóknak egyértelmű: 2026-ban az AI-stratégia egyik legfontosabb kérdése már nem az, hogy „mit tud a modell”, hanem az, hogy „mennyibe kerül, amíg elvégzi a munkát”. A Gemini 3.6 Flash pontosan erre a kérdésre ad új választ.
Kapcsolódó elemzésünkben részletesen összehasonlítjuk a piac legolcsóbb modelljeit: Legjobb olcsó AI modellek 2026: DeepSeek, Qwen, Gemini Flash és GLM árakkal. A Google korábbi olcsó modelljeiről szóló cikkünk pedig itt olvasható: Nano Banana 2 Lite és Gemini Omni Flash. A friss modell-elemzésekért iratkozz fel az AI Hírek hírlevelére.