Google DeepMind hat drei neue Gemini-Modelle veröffentlicht: **Gemini 3.6 Flash**, **Gemini 3.5 Flash-Lite** und **Gemini 3.5 Flash Cyber**....
Google DeepMind hat drei neue Gemini-Modelle veröffentlicht: Gemini 3.6 Flash, Gemini 3.5 Flash-Lite und Gemini 3.5 Flash Cyber.
Das von vielen Entwicklern erwartete Gemini 3.5 Pro blieb jedoch aus.
Google erklärte, dass 3.5 Pro weiterhin mit Partnern getestet werde und nach Fertigstellung breit veröffentlicht werde. Gleichzeitig bestätigte das Unternehmen, dass die Arbeit an Gemini 4 mit dem "bisher ambitioniertesten Pre-Training-Durchlauf" begonnen habe.
Google hat Gemini 3.6 Flash, Gemini 3.5 Flash-Lite und Gemini 3.5 Flash Cyber herausgebracht.
Diese Veröffentlichung löste in der Entwickler-Community schnell Kontroversen aus. Mehrere Early Adopter kritisierten Gemini 3.6 Flash für schwache Frontend-Ausgaben, inkonsistentes räumliches Denken und enttäuschende Codierleistung im Vergleich zu konkurrierenden Spitzenmodellen.
Die Heftigkeit dieser Kritik übersteigt das, was die vorhandenen Belege stützen. Es gibt zwar berechtigte frühe Nutzerbeschwerden, aber Googles eigene Benchmark-Ergebnisse sowie unabhängige Tests von Artificial Analysis zeichnen ein komplexeres Bild: Gemini 3.6 Flash verbessert sich gegenüber 3.5 Flash in mehreren Bewertungen zu Codierung, Computernutzung, langen Kontexten und Wissensarbeit, während es den gleichen Gesamtwert im Artificial Analysis Intelligence Index beibehält.
Dieser Artikel folgt der Struktur des Originalberichts und trennt gleichzeitig die offiziellen Benchmark-Daten von den Community-Reaktionen.
Google positioniert Gemini 3.6 Flash als Arbeitspferd für KI-Agenten in Produktionsumgebungen.
Das Modell ist nun weit verbreitet verfügbar und unterstützt Text-, Bild-, Video-, Audio- und PDF-Eingaben mit einem Kontextfenster von 1.048.576 Eingabe-Tokens und maximal 65.536 Ausgabe-Tokens. Es unterstützt Funktionen wie Codeausführung, Computernutzung, Funktionsaufrufe, Dateisuche, strukturierte Ausgaben, Suchanbindung, URL-Kontext und Gedankenkette.
Google betont, dass das Hauptziel nicht nur eine höhere Benchmark-Intelligenz sei. Der Fokus liege darauf, Aufgaben mit weniger Ausgabe-Tokens, weniger Denkschritten, niedrigerer Latenz und einem niedrigeren Preis pro Ausgabe-Token als Gemini 3.5 Flash zu erledigen.
Trotzdem waren einige der ersten öffentlichen Testergebnisse alles andere als positiv.
Der Originalbericht hob einen Entwicklertest hervor, bei dem Gemini 3.6 Flash gebeten wurde, eine Zwei-Shot-Frontend-Generierungsaufgabe zu erledigen.
Der Entwickler beschrieb das Ergebnis als außergewöhnlich schlecht und kritisierte die fragmentierte Struktur der generierten App-Komponenten, inkonsistente Logik und unzuverlässige Interaktionen.
Ein früher Community-Test generierte ein interaktives Frontend-Erlebnis mit Gemini 3.6 Flash.
Andere Entwickler berichteten von ähnlichen Problemen, nachdem sie das Modell an bestehenden Codebasen getestet hatten. Zu den Beschwerden gehörten die Missachtung von Design-System-Einschränkungen, unerwartete UI-Änderungen und Ergebnisse, die schlechter aussahen als die von früheren Gemini Pro-Modellen generierten Oberflächen.
Diese Beobachtungen sind wichtig, weil Frontend-Codierung mehrere Fähigkeiten gleichzeitig kombiniert:
Ein Modell kann in Codier-Benchmarks hohe Punktzahlen erzielen, sich aber in der tatsächlichen Frontend-Arbeit dennoch unzuverlässig anfühlen.
Gleichzeitig sind Einzelfälle keine kontrollierten Benchmarks. Die Qualität der Eingabeaufforderungen, das Agenten-Framework, die Codebasis-Struktur, das Denkniveau, der Werkzeugzugriff und die Anzahl der erlaubten Iterationen können die Ergebnisse erheblich verändern.
Der Quellbericht wies darauf hin, dass Gemini 3.6 Flash im Frontend-Codieren hinter Modellen wie Claude Fable 5, GPT-5.6 Sol und Meta Muse Spark 1.1 zurückblieb.
Das WebDev Live Arena-Ranking wird ständig aktualisiert, daher können sich die Platzierungen mit weiteren Abstimmungen ändern. Zum Zeitpunkt der Erstellung dieses Artikels lag Kimi K3 vorläufig an der Spitze, gefolgt von Claude Fable 5 und GPT-5.6 Sol.
Da Gemini 3.6 Flash erst am 21. Juli veröffentlicht wurde, sollten statische Screenshots und frühe Ranking-Schnappschüsse nicht als dauerhafte Platzierungen betrachtet werden.
Eine nützlichere Schlussfolgerung ist, dass dieses neue Flash-Modell, obwohl Google es als stärker im Codieren bezeichnet, sich nicht sofort als klarer Frontend-Führer etablierte.
Der Quellbericht wandte sich dann dem räumlichen Denken zu.
Ein Entwickler dokumentierte Tests von Gemini 3.6 Flash zu grundlegenden Positions- und Richtungsbeziehungen und berichtete von mehr Fehlern als bei Gemini 3.5 Flash.
Der Benutzer vermutete zunächst, dass die schwächere Ausgabe auf die Nichtauswahl eines hohen Denkniveaus zurückzuführen sei. Andere Benutzer versuchten dann höhere Denkeinstellungen, berichteten aber weiterhin von gemischten ersten Eindrücken.
Zu den Beschwerden gehörten falsche räumliche Beziehungen und inkonsistente visuelle Szenen.
Auch diese Tests stellen wieder Community-Beobachtungen dar, keine standardisierten Bewertungen. Sie sind als Beispiele für reale Reibungspunkte nützlich, sollten aber nicht zu einer Verallgemeinerung verallgemeinert werden, dass das Modell in Bezug auf räumliches Denken allgemein zurückgefallen sei.
Googles offizielle Dokumentation beschreibt Gemini 3.6 Flash als speziell für multimodale und räumliche Aufgaben konzipiert. Unabhängige visuelle Tests fanden auch Stärken in mehreren Bild- und Videokategorien, obwohl es nicht bei allen visuellen Aufgaben besser war als 3.5 Flash.
Der Quellbericht wies auch auf CursorBench hin, einen Test für reale Softwareentwicklungsarbeit in der Cursor-Umgebung.
Ein weit verbreiteter Screenshot verglich Gemini 3.6 Flash mit Modellen wie Cursor Composer 2.5, Claude Fable 5, GPT-5.6 Sol, Grok 4.5 und Claude Sonnet 5.
![Das Bild ist ein Screenshot eines Tweets, der ein Diagramm mit CursorBench 3.2-Werten zeigt. Die Werte verschiedener Modelle werden durch Punkte in unterschiedlichen Farben dargestellt, wie z.B. Grok 4.5, GPT-5.6 Sol, Opus 4.0.]
Gemini 3.6 Flash wird im Diagramm als blauer Punkt dargestellt und erzielt niedrigere Werte als andere Modelle. Unter dem Tweet kommentiert ein Nutzer: „Das heißt also, Gemini 3.6 Flash ist schlechter als Composer 2.5, ganz zu schweigen von Grok 4.5“, und weist darauf hin, dass Gemini 3.6 Flash nun in Cursor verfügbar ist. Dieses Bild steht im Zusammenhang mit dem Dokumentkontext und dient zur Veranschaulichung der CursorBench-Testergebnisse, die zeigen, dass Gemini 3.6 Flash in diesem Test schlechter abschneidet als einige Modelle.
In dem von der Quelle geteilten Screenshot platziert CursorBench Gemini 3.6 Flash hinter mehreren Codierungsmodellen mit höheren Punktzahlen.
Die aktuelle CursorBench-Seite zeigt mehrere Reasoning-Stufen von Gemini 3.6 Flash. In den zum Zeitpunkt der Erstellung dieses Textes verfügbaren, zuletzt veröffentlichten Ergebnissen:
Dies bedeutet, dass die mittlere Reasoning-Konfiguration in diesem Benchmark im Vergleich zu Gemini 3.5 Flash eine Verbesserung darstellt, auch wenn sie weiterhin hinter vielen stärkeren Codierungsmodellen zurückbleibt.
Dies ist auch ein gutes Beispiel dafür, dass die Modellbewertung im Kontext betrachtet werden muss.
Die Aussage „Gemini 3.6 Flash ist schlechter als die Konkurrenz“ kann für bestimmte Benchmarks und Vergleichssets zutreffend sein; gleichzeitig kann auch „Gemini 3.6 Flash ist im Vergleich zu 3.5 Flash verbessert“ zutreffend sein.
Die von Google veröffentlichten Bewertungen zeichnen ein positiveres Bild als die schärfsten Reaktionen der Community.
Das Unternehmen berichtet von Verbesserungen im Vergleich zu Gemini 3.5 Flash in den Bereichen Codierung, Machine Learning Engineering, Computer Use, Wissensarbeit, Diagramm-Reasoning und Long-Context-Aufgaben.
Die von Google im Juli 2026 veröffentlichte Benchmark-Tabelle vergleicht Gemini 3.6 Flash mit mehreren Konkurrenzmodellen.
Zu den von Google berichteten ausgewählten Ergebnissen gehören:
| Benchmark | Gemini 3.6 Flash | Gemini 3.5 Flash |
|---|---|---|
| SWE-Bench Pro | 58,7 % | 55,1 % |
| DeepSWE v1.1 | 49 % | 37 % |
| Terminal-Bench 2.1 | 78,0 % | 76,2 % |
| MLE-Bench | 63,9 % | 49,7 % |
| GDPval-AA v2 | 1421 | 1349 |
| OSWorld-Verified | 83,0 % | 78,4 % |
| CharXiv Reasoning, ohne Tools | 85,2 % | 84,2 % |
| GDM-MRCR v2, 128K | 91,8 % | 77,3 % |
| GDM-MRCR v2, 1M | 54,0 % | 26,6 % |
Google gibt außerdem an, dass Gemini 3.6 Flash im Artificial Analysis Index 17 % weniger Ausgabe-Token als Gemini 3.5 Flash verbraucht und bei bestimmten DeepSWE-Workloads der Token-Verbrauch um bis zu 65 % reduziert werden kann.
Die Preisgestaltung für das neue Modell lautet:
Gemini 3.5 Flash hat den gleichen gelisteten Eingabepreis, aber bei Google beträgt der Ausgabepreis mit 9,00 USD mehr.
Vergleich gestartet.
Für agentische Workloads ist dieser Unterschied wichtig, da die Kosten nicht nur von der Benchmark-Qualität abhängen, sondern auch von der Anzahl der Reasoning-Token und Tool-Schleifen, die das Modell zur Erledigung der Aufgabe benötigt.
Tests von Drittanbietern kommen zu einem zurückhaltenderen Urteil.
Artificial Analysis vergibt für Gemini 3.6 Flash (High-Reasoning-Modus) einen Intelligence Index Score von 50.
Dies entspricht der Punktzahl von Gemini 3.5 Flash.
Artificial Analysis stellt fest, dass es vom 3.5 Flash zum 3.6 Flash keine Verbesserung des Gesamt-Intelligence-Index-Scores gibt.
Dieses Ergebnis erklärt einen Teil der Enttäuschung.
Entwickler, die nur die Modellnummer betrachten, könnten einen deutlichen Sprung in der allgemeinen Intelligenz erwartet haben. Stattdessen findet Artificial Analysis heraus, dass die allgemeine Intelligenz bei der Messung von Verbesserungen der Effizienz und der Zeit zur Aufgabenerledigung weitgehend gleich ist.
Die Tests zeigen, dass Gemini 3.6 Flash eine Rate von etwa 251 Ausgabe-Token pro Sekunde erreicht, was es zu einem der schnellsten Modelle im Vergleich macht.
Artificial Analysis berichtet außerdem, dass die Zeit pro Aufgabe sowohl für Gemini 3.6 Flash als auch für Gemini 3.5 Flash-Lite im Vergleich zum Vorgänger etwa halbiert wurde.
Daher lassen sich die wichtigsten Verbesserungen treffender beschreiben als:
Ähnliche allgemeine Intelligenz, schnellere Ausführung, weniger Ausgabe-Token, geringere Kosten pro erledigter Aufgabe bei vielen Workloads.
Dies ist weniger auffällig als ein großer Durchbruch in der Intelligenz, aber dennoch bedeutsam für produktionsreife Agenten mit hohem Volumen.
Einige Nutzer kritisieren, dass Gemini 3.6 Flash teurer sei als einige Konkurrenzmodelle, die in Intelligenz-Benchmarks höhere Punktzahlen erzielen.
Diese Quelle weist auf Bedenken hinsichtlich des Kosten-Nutzen-Verhältnisses von Gemini 3.6 Flash hin.
Die ursprüngliche Preisgestaltung pro Token erzählt nicht die ganze Geschichte.
Ein Modell, das weniger Inferenzschritte oder weniger Ausgabe-Token verwendet, kann eine Aufgabe manchmal günstiger erledigen, selbst wenn seine veröffentlichten Token-Preise nicht die niedrigsten sind.
Umgekehrt kann ein günstigeres Modell, das wiederholte Versuche oder längere Generierungen erfordert, im tatsächlichen Gebrauch teurer werden.
Eine bessere Messgröße für Entwickler ist in der Regel die Kosten pro erfolgreicher Aufgabe, gemessen an der eigenen Arbeitslast.
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Der Quellartikel zitiert auch einen Nutzer, der behauptet, Gemini 3.6 Flash wisse nichts über viele Ereignisse in den Jahren 2025 und 2026, obwohl es oberflächlich ein aktualisiertes Wissensdatum anzeigt.
Der Nutzer kommt zu dem Schluss, dass das tatsächliche Wissen des Modells scheinbar um Januar 2025 endet.
Wir sollten bei diesem Test vorsichtig sein.
Die Tatsache, dass ein Sprachmodell sich an ein Ereignis nicht erinnern kann, beweist an sich keinen bestimmten Stichtag seiner Trainingsdaten. Gründe hierfür können Retrieval-Verhalten, Inferenzfehler, Formulierung des Prompts, Sicherheitsfilter, unvollständige Trainingsabdeckung oder Unsicherheit sein.
Die öffentlichen Modelldokumentationen von Google liefern nicht genügend Informationen, um das in den Social-Media-Tests behauptete spezifische Stichtag unabhängig zu bestätigen.
Für aktuelle Informationen sollten Entwickler die Google-Suche oder andere verifizierte Retrieval-Quellen nutzen, anstatt davon auszugehen, dass das interne Gedächtnis des Modells bis zu einem bestimmten Datum vollständig ist.
Google hat auch Gemini 3.5 Flash-Lite veröffentlicht, das speziell für Agenten-Workloads mit hohem Durchsatz und niedriger Latenz entwickelt wurde.
Die KI-Analysefirma hat eine Geschwindigkeit von etwa 350 Token pro Sekunde für das Modell gemessen.
Die von Google angegebenen API-Preise sind:
Dies macht es deutlich günstiger als Gemini 3.6 Flash.
Das Modell eignet sich für folgende Workloads:
Google gibt an, dass Flash-Lite auch konfigurierbare Denkstufen und integrierte Computer-Use-Funktionen unterstützt.
Die offiziellen Vergleiche zeigen erhebliche Verbesserungen im Vergleich zu Gemini 3.1 Flash-Lite, darunter:
Es übertrifft in mehreren Agenten-Benchmarks sogar das ältere Gemini 3 Flash.
Die ersten Berichte meinten, dass Geschwindigkeit nichts nützt, wenn die Antwort falsch ist. Als allgemeines Prinzip ist das fair, aber die Benchmark-Daten unterstützen die einfache Einstufung von Flash-Lite als „schneller, aber schlechter" nicht.
Googles erklärtes Ziel ist ein anderes: kleinere Modelle in Workloads mit hohem Durchsatz zu verwenden, die nicht die volle Spitzenintelligenz benötigen.
Das dritte neue Modell ist Gemini 3.5 Flash Cyber.
Es basiert auf Gemini 3.5 Flash und wurde für Cybersicherheitsaufgaben feinabgestimmt, wie zum Beispiel:
Google gibt an, dass das Modell intern in CodeMender verwendet wird, wo mehrere Flash-Cyber-Agenten zusammenarbeiten und ihre Erkenntnisse in einem Bericht zusammenführen.
Im Gegensatz zu Gemini 3.6 Flash und Flash-Lite wird Flash Cyber nicht als allgemeines öffentliches Modell veröffentlicht.
Google sagt, dass es aufgrund der Dual-Use-Risiken der automatisierten Schwachstellensuche das Modell nur über den eingeschränkt zugänglichen CodeMender-Pilot an Regierungen und vertrauenswürdige Partner bereitstellt.
In einer separaten Ankündigung von Google DeepMind heißt es, das Modell sei darauf ausgelegt, die großflächige Fehlersuche und -behebung kostengünstiger zu machen als die Verwendung größerer Spitzenmodelle.
Für viele Entwickler sind die größten Neuigkeiten das Modell, das nicht veröffentlicht wurde. Google sagt:
Gemini 3.5 Pro wird derzeit mit Partnern getestet und der breiten Öffentlichkeit zugänglich gemacht, sobald es bereit ist.
Dies bestätigt eine Verzögerung des Flaggschiffmodells im Vergleich zu früheren Erwartungen. Medien wie Reuters berichteten, dass Gemini 3.5 Pro ursprünglich für Juni angekündigt war und die Codierungsleistung einer der Bereiche war, die zu Verzögerungen führten. In der Ankündigung vom 21. Juli nannte Google kein neues öffentliches Veröffentlichungsdatum, sondern betonte, dass man das Modell veröffentlichen wolle, wenn es seine Qualitätsstandards erfülle.
Dies ist entscheidend für die Veröffentlichung von 3.6 Flash. Dieses neue Flash-Modell ist kein Ersatz für Gemini 3.5 Pro, es nimmt eine andere Position in der Produktlinie ein: Es ist ein produktionsorientiertes Modell, optimiert für Kosten, Geschwindigkeit, multimodale Aufgaben und autonome Ausführung.
In der Zwischenzeit hat Google bestätigt, dass es mit dem Training der nächsten Generation von Gemini begonnen hat. Google beschreibt Gemini 4 als das bisher ambitionierteste Pre-Training-Projekt.
Google gibt an, dass die Arbeit am Pre-Training von Gemini 4 bereits im Gange ist.
Dies ergibt eine ungewöhnliche Produkt-Zeitleiste:
Die Quellen interpretieren dies als Googles Eile, die Versionsnummer voranzutreiben, obwohl das Flaggschiff-Pro-Modell noch nicht fertig ist. Diese Interpretation ist spekulativ. Große KI-Organisationen beginnen oft mit dem Training zukünftiger Modellgenerationen, bevor alle Produkte der aktuellen Generation den Veröffentlichungsprozess abgeschlossen haben.
Vorabtraining, Posttraining, Sicherheitsbewertung, Produktintegration und Dienstbereitstellung können parallel durchgeführt werden.
Dennoch hat die verzögerte Veröffentlichung der Pro-Version offensichtlich den Druck auf Google erhöht, da Codierung und autonome Workflows zu den Hauptwettbewerbsbereichen von OpenAI, Anthropic, Moonshot, xAI, Meta und anderen Modellanbietern geworden sind.
Die vorliegenden Beweise stützen diese Schlussfolgerung nicht. Derzeit geschehen drei unabhängige Dinge gleichzeitig.
Die negativen Ergebnisse bei Frontend- und räumlichem Denken stammen von echten Nutzerberichten. Diese Berichte sind ernst zu nehmen, da Benchmarks die Produktionsqualität nicht vollständig widerspiegeln können.
Das Modell verbesserte sich bei DeepSWE, MLE-Bench, OSWorld, GDPval und Langkontext-Bewertungen, während es gleichzeitig weniger Ausgabe-Token verwendete.
Artificial Analysis bewertet 3.6 Flash mit
Der Intelligenzindex-Score ist derselbe wie bei 3.5 Flash. Dies stützt die Ansicht, dass diese Veröffentlichung hauptsächlich auf Effizienzsteigerungen abzielt, nicht auf einen großen Sprung in der Rohintelligenz.
Für Entwickler ist die richtige Frage nicht, ob das Modell ein auffälliges Etikett verdient.
Die angemessenere Frage ist: Ist die Kombination aus Geschwindigkeit, Kosten, Qualität und Zuverlässigkeit für den spezifischen Anwendungsfall geeignet?
Gemini 3.6 Flash mag für einen Frontend-Workflow ungeeignet sein, aber für einen hochvolumigen, multimodalen Agenten eine gute Wahl darstellen. Beide Fälle schließen sich nicht gegenseitig aus.
Gemini 3.6 Flash ist Googles produktionsorientiertes multimodales Modell für Programmierung, Wissensarbeit, Computernutzung und Agenten-Workflows. Es unterstützt ein Kontextfenster von über 1 Million Eingabe-Token und ist über die Gemini API und andere Google-Produkte öffentlich nutzbar.
Im Großen und Ganzen nicht. Artificial Analysis vergibt für beide denselben Intelligenzindex-Score, aber Google berichtet, dass 3.6 Flash bei mehreren Benchmarks für Programmierung, Computernutzung, Wissensarbeit und Langkontext verbessert wurde, während gleichzeitig weniger Ausgabe-Token verwendet werden.
Einige frühe Nutzer berichten von schwachen Frontend-Generierungsfähigkeiten, fehleranfälligen UI-Bearbeitungen und inkonsistentem räumlichem Denken. Dies sind Einzeltests und keine kontrollierten Benchmarks, daher können die Ergebnisse je nach Prompt, Codebasis, Werkzeug und Denkebene variieren.
Google bepreist Gemini 3.6 Flash mit 1,50 USD pro Million Eingabe-Token und 7,50 USD pro Million Ausgabe-Token. Die Preise können sich ändern, Entwickler sollten die offiziellen Dokumentationen der Gemini API auf aktuelle Tarife prüfen.
Artificial Analysis misst Gemini 3.5 Flash-Lite mit etwa 350 Ausgabe-Token pro Sekunde. Google hat es für Aufgaben mit hohem Durchsatz und niedriger Latenz wie Dokumentenverarbeitung und Agentensuche konzipiert.
Gemini 3.5 Flash Cyber ist ein auf Cybersicherheit spezialisiertes Modell, das auf Gemini 3.5 Flash basiert. Google plant, es über CodeMender an Regierungen und vertrauenswürdige Partner bereitzustellen, nicht als allgemeines öffentliches API-Modell zu veröffentlichen.
Google hat noch kein neues Veröffentlichungsdatum bekannt gegeben. Das Unternehmen gab an, dass Gemini 3.5 Pro derzeit mit Partnern getestet wird und breit veröffentlicht wird, sobald es bereit ist.
Ja. Google hat mitgeteilt, dass das bisher ambitionierteste Vorabtrainingsprogramm für Gemini 4 gestartet wurde. Das Unternehmen hat noch kein öffentliches Veröffentlichungsdatum für Gemini 4 bekannt gegeben.
CursorBench: Cursors Benchmark-Plattform zur Bewertung von Codebasis-Verständnis, Bearbeitung, Debugging und intelligenten Softwareentwicklungsaufgaben.
Flash Cyber veröffentlicht](https://deepmind.google/blog/introducing-gemini-3-5-flash-cyber/): Cybersicherheitsmodell, CodeMender-Integration und offizielle Erläuterungen zur eingeschränkten Bereitstellung.
Die von Google im Juli veröffentlichte Gemini-Serie umfasst Gemini 3.6 Flash, Gemini 3.5 Flash-Lite und Gemini 3.5 Flash Cyber, während Gemini 3.5 Pro sich weiterhin in der Partner-Testphase befindet.
Frühe Entwickler reagierten außergewöhnlich negativ auf Gemini 3.6 Flash in Tests zur Frontend- und räumlichen Argumentation, und das Modell führte nicht bei den anspruchsvollsten Programmier-Benchmarks. Dennoch zeigen die von Google veröffentlichten Testergebnisse, dass das Modell bei mehreren wichtigen Aufgaben im Vergleich zu Gemini 3.5 Flash deutliche Verbesserungen aufweist, und Artificial Analysis bestätigt, dass es bei gleichbleibender allgemeiner Intelligenz-Bewertung eine bessere Geschwindigkeit und Effizienz bietet.
Gemini 3.5 Flash-Lite ist auf Durchsatzaufgaben mit hohem Volumen ausgelegt, Flash Cyber konzentriert sich auf den defensiven Sicherheitsbereich, und Google hat bereits mit dem Vortraining von Gemini 4 begonnen.
Die treffendste Interpretation ist nicht, dass Gemini 3.6 Flash Googles „schlechtestes Modell“ ist, sondern eine auf Effizienz fokussierte Veröffentlichung – die tatsächliche frühe Marktreaktion ist weitaus komplexer als das, was Googles offizielle Benchmarks zeigen.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
