Η Google φέρνει πρώτα το Gemini 3.5 Flash και όχι το Pro, και το συνδέει με το εργαλειακό πλαίσιο πρακτόρων Antigravity

Το Flash πριν το Pro είναι μια σκόπιμη σειρά κυκλοφορίας

Η συνήθης πρακτική στις κυκλοφορίες μοντέλων αιχμής ήταν να προηγείται η ναυαρχίδα: το μεγαλύτερο, πιο ικανό και πιο ακριβό μοντέλο, με την πιο φθηνή παραλλαγή να ακολουθεί εβδομάδες μετά. Η Google αντέστρεψε αυτή τη λογική εδώ. Το Gemini 3.5 ξεκινά με το 3.5 Flash, γενικά διαθέσιμο από σήμερα, ενώ το 3.5 Pro περιγράφεται ως «ήδη σε εσωτερική χρήση», με κυκλοφορία «τον επόμενο μήνα».

Αυτή η επιλογή αποκαλύπτει τι θεωρεί η Google ως τον περιορισμό. Για πρακτορικές διαδικασίες που διαχέονται σε πολλές κλήσεις υποπρακτόρων και εκτείνονται σε μεγάλη χρονική διάρκεια, το κόστος ανά token και η καθυστέρηση καθορίζουν την οικονομία πολύ περισσότερο από την οριακή ποιότητα μιας μεμονωμένης απάντησης. Κάνοντας το ταχύ, φθηνό μοντέλο τον πρωταγωνιστή, η Google στέλνει το μήνυμα ότι η μονάδα αξίας είναι η ολοκληρωμένη πολυβηματική εργασία, όχι η επιδεξιότητα μιας απάντησης.

Αυτό επιτρέπει επίσης στην Google να διατυπώσει έναν συγκεκριμένο συγκριτικό ισχυρισμό: το 3.5 Flash υπερτερεί του προηγούμενης γενιάς 3.1 Pro στα Terminal-Bench 2.1 (76,2%), GDPval-AA (1656 Elo) και MCP Atlas (83,6%). Το να ξεπεράσεις τη δική σου προηγούμενη ναυαρχίδα με το νέο μεσαίο μοντέλο σου είναι μια πιο καθαρή αφήγηση από το να ξεπεράσεις έναν ανταγωνιστή, και δικαιολογεί την προτεραιότητα στο Flash.

Οι δοκιμές αξιολόγησης που επιλέχθηκαν είναι δοκιμές πρακτόρων

Δείτε τι αναφέρει η Google: Terminal-Bench, MCP Atlas, GDPval-AA και CharXiv Reasoning (84,2%). Δεν είναι βαθμολογίες γενικών γνώσεων ή ποιότητας συνομιλίας. Το Terminal-Bench μετρά αν ένα μοντέλο μπορεί να λειτουργήσει σε ένα κέλυφος (shell) μέσα από πολλαπλά βήματα· το MCP Atlas αφορά την κλήση εργαλείων μέσω του Model Context Protocol· το GDPval-AA είναι διαμορφωμένο γύρω από οικονομικά αξιοποιήσιμη εργασία. Η ίδια η επιλογή των δοκιμών αποτελεί έναν ισχυρισμό για τον σκοπό του μοντέλου.

Το στοιχείο ταχύτητας —«4 φορές ταχύτερο από άλλα μοντέλα αιχμής» σε παραγόμενα tokens ανά δευτερόλεπτο— παρουσιάζεται ως ο ενισχυτικός παράγοντας και όχι ως ξεχωριστό χαρακτηριστικό. Η προσέγγιση της Google είναι ότι όταν μια ροή εργασίας απαιτεί από έναν πράκτορα να σχεδιάσει, να εκτελέσει μια κλήση εργαλείου, να διαβάσει το αποτέλεσμα και να επαναλάβει δεκάδες φορές, η απόδοση πολλαπλασιάζεται. Ένα πλεονέκτημα ταχύτητας 4x σε μία κλήση μετατρέπεται σε πολύ μεγαλύτερο πλεονέκτημα σε πραγματικό χρόνο σε μια εργασία μεγάλης διάρκειας.

Η βαθμολογία στο MCP Atlas αξίζει ιδιαίτερη αναφορά για τις ομάδες που χτίζουν πάνω σε αυτό. Η αξιόπιστη κλήση εργαλείων είναι η κρίσιμη ικανότητα για κάθε πράκτορα που αγγίζει πραγματικά συστήματα, και η αποτυχία της είναι ιδιαίτερα προβληματική. Ένα 83,6% είναι ένας αριθμός που πρέπει να επιβεβαιωθεί στην πράξη, όχι απλώς να γίνει αποδεκτός από μια ανακοίνωση κυκλοφορίας.

Το εργαλειακό πλαίσιο κάνει εξίσου σημαντική δουλειά με το μοντέλο

Σχεδόν κάθε επίδειξη δυνατοτήτων στην ανακοίνωση εξαρτάται από το Antigravity, την «πλατφόρμα ανάπτυξης με προτεραιότητα στους πράκτορες» της Google και το συναφές εργαλειακό πλαίσιο της. Τα παραδείγματα —δύο πράκτορες που συνθέτουν την εργασία AlphaZero και προγραμματίζουν ένα παιχνίδι σε έξι ώρες, ένας βρόχος αυτοβελτίωσης δημιουργού-παίκτη, η μετάβαση παλαιού κώδικα σε Next.js, η ανάπτυξη υποπρακτόρων για κατηγοριοποίηση αδόμητων στοιχείων— περιγράφονται όλα ως ενέργειες που κάνει το 3.5 Flash «με τη δύναμη του» ή «αξιοποιώντας» το Antigravity.

Σε συνδυασμό με το ενημερωμένο εργαλειακό πλαίσιο Antigravity, το 3.5 Flash μετατρέπεται σε μια ισχυρή μηχανή για την ανάπτυξη συνεργατικών υποπρακτόρων που αντιμετωπίζουν προβλήματα σε κλίμακα, για τις πιο απαιτητικές περιπτώσεις χρήσης.Montana Labs

Αυτό έχει σημασία επειδή θολώνει τη διαχωριστική γραμμή μεταξύ των δυνατοτήτων του μοντέλου και όσων παρέχει ο περιβάλλων ενορχηστρωτικός μηχανισμός. Ο συντονισμός υποπρακτόρων, η διατήρηση συμφραζομένων και η πολυβηματική επίβλεψη είναι ιδιότητες τόσο του εργαλειακού πλαισίου όσο και των βαρών του μοντέλου. Η Google σημειώνει επίσης ότι ο πράκτορας λειτουργεί «υπό επίβλεψη» και «υπό την καθοδήγησή σας» — μια σιωπηλή παραδοχή ότι η ανεπίβλεπτη αυτονομία μεγάλης διάρκειας δεν είναι ακόμη ο ισχυρισμός που διατυπώνεται.

Επώνυμα εταιρικά πιλοτικά προγράμματα καθορίζουν τις στοχευόμενες εργασίες

Η λίστα συνεργατών είναι ασυνήθιστα συγκεκριμένη ως προς το είδος της εργασίας που επιδιώκει η Google: η Shopify εκτελεί παράλληλους υποπράκτορες για προβλέψεις ανάπτυξης εμπόρων, η Macquarie Bank επεξεργάζεται λογικά έγγραφα ένταξης άνω των 100 σελίδων, η Salesforce ενσωματώνει το Flash στο Agentforce για πολυγυρισματικές κλήσεις εργαλείων, η Ramp κάνει OCR τιμολογίων σε συνδυασμό με ιστορική συλλογιστική, η Xero συλλέγει αυτόνομα δεδομένα φορολογικών εντύπων 1099 σε ροές εργασίας πολλών εβδομάδων, και η Databricks διαγιγνώσκει προβλήματα δεδομένων σε μεγάλα σύνολα δεδομένων.

Το κοινό στοιχείο είναι η αυτοματοποίηση εντατικής χρήσης εγγράφων και πολλών βημάτων σε λειτουργίες γραφείου στον χρηματοοικονομικό τομέα και στις επιχειρησιακές λειτουργίες — η «κοπιαστική και σύνθετη εργασία» που η Google λέει ότι καταγράφηκε σε συνεργασία με εταίρους κατά την ανάπτυξη της σειράς. Πρόκειται για εργασίες που ορίζονται από μεγάλη χρονική διάρκεια και ευαισθησία στο κόστος, γεγονός που εξηγεί ακριβώς γιατί έχει στρατηγικό νόημα η προτεραιότητα σε ένα ταχύ, φθηνό μοντέλο. Η καταναλωτική πλευρά —το Gemini Spark ως προσωπικός πράκτορας 24/7, με το Flash να γίνεται προεπιλογή σε όλη την εφαρμογή Gemini και στη λειτουργία Search AI Mode— εξαπλώνει το ίδιο μοντέλο σε δισεκατομμύρια χρήστες ταυτόχρονα.

Τι πραγματικά πουλάει η Google εδώ

Η συγκεκριμένη προέκταση αυτής της κυκλοφορίας είναι ότι η Google αναπροσανατολίζει το φθηνότερο επίπεδο της ως το προεπιλεγμένο υπόστρωμα για πρακτορική εργασία, στοιχηματίζοντας ότι το μεγαλύτερο μέρος της οικονομικής αξίας βρίσκεται σε εργασίες υψηλού όγκου και πολλαπλών βημάτων, όπου η απόδοση και η τιμή υπερισχύουν της οριακής ποιότητας απάντησης. Το μοντέλο Pro συνεχίζει να υπάρχει και θα κυκλοφορήσει τον επόμενο μήνα, αλλά η κυκλοφορία είναι δομημένη έτσι ώστε το ταχύ μοντέλο να είναι εκείνο που συναντούν πρώτα επιχειρήσεις και καταναλωτές.

Για τις ομάδες που αξιολογούν αυτό, τα πρακτικά ερωτήματα είναι: πόσο από την επιδεικνυόμενη ικανότητα διατηρείται εκτός του εργαλειακού πλαισίου Antigravity και μέσω του αμιγούς Gemini API, και αν η αξιοπιστία στην κλήση εργαλείων και σε εργασίες μεγάλης διάρκειας διατηρείται στις δικές σας ροές εργασίας και όχι μόνο σε επιμελημένες επιδείξεις. Οι αριθμοί δοκιμών αξιολόγησης και τα επώνυμα πιλοτικά προγράμματα αποτελούν αφετηρία για αυτή τη δοκιμή, όχι υποκατάστατο της — ειδικά για τις περιπτώσεις χρήσης στον χρηματοοικονομικό τομέα και στην επεξεργασία εγγράφων που η Google επιδιώκει ρητά, όπου μια εσφαλμένη αυτόνομη ενέργεια είναι δαπανηρό να ανατραπεί.