Introduction
Google DeepMind a dévoilé trois nouveaux modèles Gemini : le Gemini 3.6 Flash, le Gemini 3.5 Flash-Lite et le Gemini 3.5 Flash Cyber.
Cependant, le Gemini 3.5 Pro, très attendu par de nombreux développeurs, n'est pas arrivé comme prévu.
Google indique que le 3.5 Pro est encore en phase de test avec des partenaires et sera largement déployé une fois prêt. Parallèlement, l'entreprise confirme avoir lancé les travaux sur le Gemini 4 via ce qu'elle appelle son « entraînement préalable le plus ambitieux à ce jour ».
Google a lancé le Gemini 3.6 Flash, le Gemini 3.5 Flash-Lite et le Gemini 3.5 Flash Cyber.
Cette publication a rapidement suscité la controverse au sein de la communauté des développeurs. Plusieurs utilisateurs précoces ont critiqué le Gemini 3.6 Flash pour sa faible qualité de sortie front-end, son incohérence en raisonnement spatial et des résultats de codage décevants par rapport aux modèles concurrents de pointe.
L'intensité de ces critiques dépasse largement ce que les preuves disponibles peuvent étayer. Des plaintes légitimes existent concernant l'utilisation réelle, mais les propres tests de référence de Google ainsi que les tests indépendants d'Artificial Analysis dressent un tableau plus nuancé : le Gemini 3.6 Flash montre des améliorations par rapport au 3.5 Flash dans plusieurs évaluations de codage, d'utilisation informatique, de contexte long et de travail de connaissance, tout en conservant le même score global de l'indice d'intelligence Artificial Analysis.
Cet article suit la structure du rapport original tout en distinguant les données de référence officielles des réactions de la communauté.
Le Gemini 3.6 Flash essuie des critiques dès son lancement
Google positionne le Gemini 3.6 Flash comme le modèle phare pour les agents IA en environnement de production.
Ce modèle est désormais largement disponible, prenant en charge les entrées texte, image, vidéo, audio et PDF, avec une fenêtre de contexte de 1 048 576 tokens d'entrée et jusqu'à 65 536 tokens de sortie. Il prend en charge des fonctionnalités telles que l'exécution de code, l'utilisation d'ordinateur, l'appel de fonctions, la recherche de fichiers, la sortie structurée, l'ancrage de recherche, le contexte URL et le raisonnement par réflexion.
Google indique que son objectif principal n'est pas seulement d'atteindre une intelligence de référence plus élevée. L'accent est mis sur l'accomplissement des tâches avec moins de tokens de sortie, moins d'étapes de raisonnement, une latence plus faible et un prix par token de sortie inférieur à ceux du Gemini 3.5 Flash.
Néanmoins, certains premiers résultats de tests publics sont loin d'être positifs.
La génération front-end reçoit un retour précoce sévère
Le rapport original met en avant un test de développeur où le Gemini 3.6 Flash a été invité à effectuer une tâche de génération front-end en deux étapes.
Le développeur a décrit le résultat comme exceptionnellement mauvais, critiquant la structure fragmentée des composants d'application générés, leur logique incohérente et leur interaction peu fiable.
Un test précoce de la communauté utilisant le Gemini 3.6 Flash pour générer une expérience front-end interactive.
D'autres développeurs ayant testé le modèle sur des bases de code existantes ont également signalé des problèmes similaires. Les plaintes incluent le non-respect des contraintes du système de conception, des modifications inattendues de l'interface utilisateur et des résultats jugés inférieurs à ceux générés par les anciens modèles Gemini Pro.
Ces observations sont importantes car le codage front-end combine plusieurs compétences :
- Comprendre une base de code existante
- Respecter les contraintes de conception
- Générer du code valide
- Préserver le comportement existant
- Créer des mises en page visuellement cohérentes
- Gérer des modifications en plusieurs étapes sans casser les composants fonctionnels
Un modèle peut obtenir un score élevé dans les tests de programmation, mais rester peu fiable dans un travail front-end réel.
Parallèlement, les démonstrations individuelles ne sont pas des tests de référence contrôlés. La qualité de l'invite, le cadre de l'agent, la structure de la base de code, le niveau de réflexion, les autorisations d'accès aux outils et le nombre d'itérations autorisé peuvent tous modifier considérablement les résultats.
Les résultats de l'arène front-end ne soutiennent pas encore une affirmation simple de « meilleur »
Le rapport source indique qu'en codage front-end, le Gemini 3.6 Flash n'est pas aussi performant que des modèles tels que le Claude Fable 5, le GPT-5.6 Sol et le Meta Muse Spark 1.1.
Le classement en direct de l'arène WebDev est constamment mis à jour, donc les positions peuvent changer à mesure que de nouveaux votes arrivent. Au moment de la préparation de cet article, le Kimi K3 occupait temporairement la première place, suivi du Claude Fable 5 et du GPT-5.6 Sol.
Étant donné que le Gemini 3.6 Flash n'a été lancé que le 21 juillet, les captures d'écran statiques et les instantanés précoces du classement ne doivent pas être considérés comme des classements permanents.
Une conclusion plus utile est que, bien que Google affirme que le modèle est plus fort en codage, ce nouveau modèle Flash ne s'est pas immédiatement imposé comme un leader incontesté du front-end.
Le raisonnement spatial suscite également des réactions négatives
Le rapport source se tourne ensuite vers le raisonnement spatial.
Un développeur a documenté les tests du Gemini 3.6 Flash sur les relations de base de position et d'orientation, signalant un nombre d'erreurs supérieur à celui du Gemini 3.5 Flash.
Cet utilisateur a d'abord suspecté que la sortie plus faible était due à l'absence de sélection d'un niveau de réflexion élevé. D'autres utilisateurs ont ensuite essayé des paramètres de raisonnement plus élevés, mais ont tout de même rapporté des impressions mitigées.
Les plaintes incluent des relations spatiales incorrectes et des scènes visuelles incohérentes.
Ces tests représentent à nouveau des observations de la communauté, et non des évaluations standardisées. Ils sont utiles en tant qu'exemples de frictions dans le monde réel, mais ne doivent pas être généralisés comme une affirmation de régression universelle du modèle en raisonnement spatial.
La documentation officielle de Google décrit le Gemini 3.6 Flash comme étant spécialement conçu pour les tâches multimodales et spatiales. Des tests visuels indépendants ont également révélé des avantages dans plusieurs catégories d'images et de vidéos, bien que pas dans toutes les tâches visuelles par rapport au 3.5 Flash.
CursorBench montre des améliorations par rapport au 3.5 Flash, mais pas une position de leader de pointe
Le rapport source mentionne également le CursorBench, un benchmark pour le travail d'ingénierie logicielle réel dans l'environnement Cursor.
Une capture d'écran largement diffusée compare le Gemini 3.6 Flash à des modèles tels que Cursor Composer 2.5, Claude Fable 5, GPT-5.6 Sol, Grok 4.5 et Claude Sonnet 5.
Dans la capture d’écran partagée par la source, CursorBench place Gemini 3.6 Flash derrière plusieurs modèles de codage ayant obtenu des scores plus élevés.
La page actuelle de CursorBench affiche plusieurs niveaux de raisonnement pour Gemini 3.6 Flash. Parmi les derniers résultats publiés disponibles au moment de la rédaction :
- Gemini 3.6 Flash Medium obtient 51,2 %
- Gemini 3.5 Flash obtient 48,8 %
- Gemini 3.6 Flash Low obtient 47,4 %
Cela signifie que, dans ce benchmark, la configuration de raisonnement intermédiaire montre une amélioration par rapport à Gemini 3.5 Flash, bien qu’elle reste en retrait par rapport à de nombreux modèles de codage plus performants.
C’est aussi un bon exemple qui montre que l’évaluation des modèles doit être mise en contexte.
L’affirmation selon laquelle « Gemini 3.6 Flash est moins performant que ses concurrents » peut être vraie pour un benchmark et un ensemble de comparaison spécifiques ; en même temps, « Gemini 3.6 Flash est amélioré par rapport à 3.5 Flash » peut également être vrai.
Les benchmarks internes de Google montrent des progrès réels
Les résultats d’évaluation publiés par Google dressent un tableau bien plus positif que les réactions les plus sévères de la communauté.
L’entreprise rapporte des améliorations par rapport à Gemini 3.5 Flash dans les domaines suivants : codage, ingénierie machine, utilisation informatique, travail de connaissance, raisonnement graphique et tâches à long contexte.
Tableau de benchmark publié par Google en juillet 2026, comparant Gemini 3.6 Flash à plusieurs modèles concurrents.
Parmi les résultats sélectionnés rapportés par Google :
| 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 Raisonnement, sans outil | 85,2 % | 84,2 % |
| GDM-MRCR v2, 128K | 91,8 % | 77,3 % |
| GDM-MRCR v2, 1M | 54,0 % | 26,6 % |
Google indique également que, sur l’Artificial Analysis Index, Gemini 3.6 Flash consomme 17 % de tokens de sortie en moins que Gemini 3.5 Flash, et que, sur certaines charges de travail DeepSWE, la consommation de tokens peut être réduite jusqu’à 65 %.
Les prix du nouveau modèle sont les suivants :
- 1,50 $ par million de tokens d’entrée
- 7,50 $ par million de tokens de sortie
Gemini 3.5 Flash a le même prix d’entrée affiché, mais son prix de sortie est plus élevé, à 9,00 $, dans la tarification de Google.
Comparaison de démarrage.
Pour les charges de travail d’agents, cette distinction est importante, car le coût dépend non seulement de la qualité du benchmark, mais aussi du nombre de tokens de raisonnement et du nombre de cycles d’outils utilisés par le modèle pour accomplir la tâche.
Artificial Analysis attribue le même score d’intelligence à 3.6 Flash qu’à 3.5 Flash
Les tests tiers aboutissent à une conclusion plus modérée.
Artificial Analysis attribue à Gemini 3.6 Flash (mode de raisonnement élevé) un indice d’intelligence de 50.
C’est le même score que celui de Gemini 3.5 Flash.
Artificial Analysis constate qu’il n’y a pas d’amélioration du score global de l’indice d’intelligence entre 3.5 Flash et 3.6 Flash.
Ce résultat explique une partie de la déception.
Les développeurs qui ne regardent que le numéro du modèle pouvaient s’attendre à un bond significatif de l’intelligence globale. Au contraire, Artificial Analysis constate que, lorsqu’on mesure les améliorations en termes d’efficacité et de temps d’achèvement des tâches, l’intelligence globale est à peu près la même.
Ses tests montrent que le débit de Gemini 3.6 Flash est d’environ 251 tokens de sortie par seconde, ce qui en fait l’un des modèles les plus rapides de la comparaison.
Artificial Analysis rapporte également que le temps par tâche de Gemini 3.6 Flash et de Gemini 3.5 Flash-Lite est environ deux fois plus court que celui de leurs prédécesseurs.
Par conséquent, l’amélioration principale est plus précisément décrite comme suit :
Intelligence globale similaire, accomplissement plus rapide des tâches, moins de tokens de sortie, et coût par tâche inférieur pour de nombreuses charges de travail.
Ce n'est pas aussi spectaculaire qu'une avancée majeure en matière d'intelligence artificielle, mais c'est tout de même important pour les agents de production à haute capacité.
Le rapport qualité-prix est plus subtil que ne le laissent entendre les plaintes en ligne
Certains utilisateurs critiquent Gemini 3.6 Flash pour son coût plus élevé que celui de modèles concurrents obtenant de meilleurs scores aux tests d'intelligence.
Cette source met en lumière les préoccupations concernant le compromis coût/intelligence de Gemini 3.6 Flash.
Le prix au jeton annoncé ne dit pas tout.
Un modèle qui utilise moins d'étapes de raisonnement ou génère moins de jetons peut parfois accomplir une tâche à moindre coût, même si son prix au jeton annoncé n'est pas le plus bas.
À l'inverse, un modèle moins cher qui nécessite des tentatives répétées ou des générations plus longues peut finir par coûter plus cher en utilisation réelle.
Creez un site vitrine et genere des leads en quelques minutes
Decrivez votre idee une fois, et We0 AI peut generer un site vitrine, des pages et un CMS, puis vous aider a attirer clients et trafic apres le lancement.
Une génération de projet complète pour une inscription gratuite
Idéal pour essayer un flux de génération complet et voir rapidement une première ébauche de projet.
Pour les développeurs, la meilleure mesure est souvent le coût par tâche réussie, mesuré sur la base de leurs propres charges de travail.
À propos
La date de limite des connaissances nécessite davantage de preuves
L'article source cite également un utilisateur affirmant que Gemini 3.6 Flash semble ignorer de nombreux événements de 2025 et 2026, malgré une date de mise à jour des connaissances affichée plus récente.
Cet utilisateur conclut que les connaissances réelles du modèle semblent s'arrêter vers janvier 2025.
Il convient d'aborder ce test avec prudence.
L'incapacité d'un modèle de langage à se souvenir d'un événement ne prouve pas en soi une date limite spécifique pour ses données d'entraînement. Cela peut être dû à divers facteurs : comportement de récupération, erreur de raisonnement, formulation de la requête, filtres de sécurité, couverture d'entraînement incomplète ou incertitude.
La documentation publique du modèle de Google ne fournit pas suffisamment d'informations pour confirmer de manière indépendante la date limite spécifique alléguée dans les tests sur les réseaux sociaux.
Pour les informations actuelles, les développeurs devraient utiliser la recherche Google comme source ou s'appuyer sur d'autres sources vérifiées, plutôt que de supposer que la mémoire interne du modèle est complète jusqu'à une date spécifique.
Gemini 3.5 Flash-Lite : l'accent sur la vitesse
Google a également publié Gemini 3.5 Flash-Lite, conçu pour les charges de travail d'agents à haut débit et faible latence.
Une agence d'analyse en intelligence artificielle a mesuré la vitesse de ce modèle à environ 350 jetons par seconde.
Les prix API annoncés par Google sont les suivants :
- 0,30 $ par million de jetons d'entrée
- 2,50 $ par million de jetons de sortie
Cela le rend bien moins cher que Gemini 3.6 Flash.
Ce modèle est adapté aux charges de travail suivantes :
- Recherche par agent
- Traitement de documents
- Extraction de données à haut débit
- Traduction
- Génération de résumés
- Exécution de sous-agents
Google indique que Flash-Lite prend également en charge des niveaux de réflexion configurables et des fonctionnalités d'utilisation de l'ordinateur intégrées.
Sa comparaison officielle montre des améliorations significatives par rapport à Gemini 3.1 Flash-Lite, notamment :
- Benchmark terminal 2.1 : 54% contre 31%
- GDM-MRCR v2 : 72,2% contre 60,1%
- GDPval-AA v2 : 1140 contre 642
Il surpasse même l'ancien modèle Gemini 3 Flash sur plusieurs benchmarks d'agents.
Les premiers rapports suggéraient que la vitesse ne sert à rien si les réponses sont erronées. En principe, c'est juste, mais les preuves des benchmarks ne soutiennent pas l'idée que Flash-Lite est simplement un modèle « plus rapide mais moins bon ».
L'objectif déclaré de Google est différent : utiliser un modèle plus petit pour les charges de travail à haut débit qui ne nécessitent pas les capacités complètes d'un modèle de pointe.
Gemini 3.5 Flash Cyber : l'accent sur la recherche de vulnérabilités
Le troisième nouveau modèle est Gemini 3.5 Flash Cyber.
Il est basé sur Gemini 3.5 Flash et a été affiné pour les travaux de cybersécurité, tels que :
- La recherche de vulnérabilités logicielles
- La validation de problèmes de sécurité
- La génération de correctifs
- Le support de l'analyse défensive automatisée
Google indique que ce modèle est utilisé en interne dans CodeMender, où plusieurs agents Flash Cyber peuvent collaborer et fusionner leurs découvertes en un seul rapport.
Contrairement à Gemini 3.6 Flash et Flash-Lite, Flash Cyber n'est pas publié en tant que modèle public général.
Google explique qu'en raison des risques de double usage liés à la découverte automatisée de vulnérabilités, il sera proposé aux gouvernements et aux partenaires de confiance via le programme pilote CodeMender à accès restreint.
Une annonce séparée de Google DeepMind indique que le modèle vise à rendre la découverte et la correction de vulnérabilités à grande échelle moins coûteuses qu'avec des modèles de pointe plus volumineux.
Gemini 3.5 Pro n'est pas encore prêt
Pour de nombreux développeurs, la plus grande nouvelle est le modèle qui n'a pas été publié. Google a déclaré :
Gemini 3.5 Pro est actuellement testé avec des partenaires et sera largement ouvert au public dès qu'il sera prêt.
Cela confirme un retard du modèle phare par rapport aux attentes antérieures. Des médias comme Reuters ont rapporté que Gemini 3.5 Pro devait sortir en juin, les performances en codage étant l'un des domaines ayant causé le retard. L'annonce de Google le 21 juillet n'a pas donné de nouvelle date de sortie publique, mais a plutôt souligné son souhait de publier le modèle lorsqu'il répondra à ses normes de qualité.
Ceci est crucial pour la sortie de la 3.6 Flash. Ce nouveau modèle Flash n'est pas un remplacement de Gemini 3.5 Pro ; il occupe une position différente dans la gamme : c'est un modèle orienté production, optimisé pour le coût, la vitesse, les tâches multimodales et l'exécution autonome.
Gemini 4 a lancé son pré-entraînement le plus vaste
Parallèlement, Google a confirmé avoir commencé à entraîner la prochaine génération de Gemini. Google décrit Gemini 4 comme le projet de pré-entraînement le plus ambitieux à ce jour.
Google indique que son travail de pré-entraînement de Gemini 4 est déjà en cours.
Cela crée une chronologie de produits inhabituelle :
- Gemini 3.6 Flash est désormais généralement disponible.
- Gemini 3.5 Flash-Lite est désormais généralement disponible.
- Gemini 3.5 Flash Cyber entre en déploiement limité.
- Gemini 3.5 Pro est toujours en phase de test avec des partenaires.
- Le pré-entraînement de Gemini 4 a commencé.
L'article source interprète cela comme Google précipitant les numéros de version alors que son modèle Pro phare n'est pas encore finalisé. Cette interprétation est spéculative. Les grandes organisations d'IA commencent souvent à entraîner les modèles des générations futures avant même que tous les produits de la génération actuelle n'aient terminé leur processus de sortie.
Le pré-entraînement, le post-entraînement, l’évaluation de la sécurité, l’intégration produit et le déploiement des services peuvent être menés en parallèle.
Néanmoins, le report du lancement de la version Pro a manifestement accru la pression sur Google, car le codage et les workflows autonomes sont devenus un domaine de compétition majeur entre OpenAI, Anthropic, Moonshot, xAI, Meta et d’autres fournisseurs de modèles.
Gemini 3.6 Flash est-il vraiment le pire modèle de Google ?
Les preuves actuelles ne soutiennent pas cette conclusion. Trois phénomènes indépendants se produisent simultanément.
- Certains développeurs précoces n’apprécient effectivement pas le modèle
Les retours négatifs sur le front-end et les tests de raisonnement spatial proviennent de rapports utilisateurs réels. Ces signalements méritent attention, car les benchmarks ne reflètent pas entièrement la qualité en production.
- Les données de Google montrent des améliorations significatives par rapport à Gemini 3.5 Flash
Le modèle enregistre des progrès sur DeepSWE, MLE-Bench, OSWorld, GDPval et les évaluations de contexte long, tout en utilisant moins de tokens de sortie.
- Les indicateurs d’intelligence synthétique tiers restent quasiment inchangés
Artificial Analysis attribue à Gemini 3.6 Flash un score d’indice d’intelligence identique à celui de Gemini 3.5 Flash. Cela soutient l’idée que cette version se concentre principalement sur des gains d’efficacité, sans constituer un bond majeur en matière d’intelligence brute.
Pour les développeurs, la bonne question n’est pas de savoir si le modèle mérite une étiquette accrocheuse.
La question plus pertinente est : la combinaison de vitesse, coût, qualité et fiabilité est-elle adaptée à un cas d’usage spécifique ?
Gemini 3.6 Flash peut ne pas convenir à un workflow front-end, mais être un excellent choix pour des agents multimodaux à haut débit. Ces deux situations ne sont pas contradictoires.
Questions fréquentes
Qu’est-ce que Gemini 3.6 Flash ?
Gemini 3.6 Flash est le modèle multimodal de Google destiné à la production, adapté à la programmation, au travail cognitif, à l’utilisation d’ordinateurs et aux workflows d’agents. Il prend en charge une fenêtre de contexte de plus d’un million de tokens d’entrée et est accessible via l’API Gemini ainsi que d’autres produits Google.
Gemini 3.6 Flash est-il moins performant que Gemini 3.5 Flash ?
Globalement, non. Artificial Analysis leur attribue le même indice d’intelligence, mais Google rapporte des améliorations sur plusieurs benchmarks de programmation, d’utilisation d’ordinateurs, de travail cognitif et de contexte long, tout en utilisant moins de tokens de sortie.
Pourquoi les développeurs critiquent-ils Gemini 3.6 Flash ?
Certains premiers utilisateurs signalent une génération front-end faible, des erreurs fréquentes d’édition d’interface utilisateur et une incohérence dans le raisonnement spatial. Il s’agit de tests ponctuels, et non de benchmarks contrôlés, donc les résultats peuvent varier selon les prompts, les bases de code, les outils et les niveaux de réflexion.
Quel est le prix de Gemini 3.6 Flash ?
Google propose Gemini 3.6 Flash à 1,50 $ par million de tokens d’entrée et 7,50 $ par million de tokens de sortie. Les prix peuvent évoluer ; les développeurs doivent consulter la documentation officielle de l’API Gemini pour confirmer les tarifs actuels.
Quelle est la vitesse de Gemini 3.5 Flash-Lite ?
Artificial Analysis mesure Gemini 3.5 Flash-Lite à environ 350 tokens de sortie par seconde. Google l’a conçu pour des tâches à haut débit et faible latence, comme le traitement de documents et la recherche par agent.
Qu’est-ce que Gemini 3.5 Flash Cyber ?
Gemini 3.5 Flash Cyber est un modèle spécialisé en cybersécurité basé sur Gemini 3.5 Flash. Google prévoit de le proposer via CodeMender aux gouvernements et partenaires de confiance, sans le publier en tant qu’API publique générale.
Quand Gemini 3.5 Pro sera-t-il publié ?
Google n’a pas encore annoncé de nouvelle date de sortie. L’entreprise indique que Gemini 3.5 Pro est testé avec des partenaires et sera largement diffusé dès qu’il sera prêt.
Google entraîne-t-il déjà Gemini 4 ?
Oui. Google a déclaré avoir lancé le programme de pré-entraînement le plus ambitieux à ce jour pour Gemini
4. La société n’a pas encore communiqué de date de sortie publique pour Gemini 4.
Outils connexes
- Google AI Studio : Environnement de test basé sur navigateur pour les modèles Gemini et le développement via l’API Gemini.
- API Gemini : Documentation officielle des fonctionnalités, limites et identifiants de modèle de Gemini 3.6 Flash.
- Gemini : Interface grand public de Google pour utiliser les modèles Gemini actuels.
- Vertex AI : Plateforme d’entreprise Google Cloud pour déployer et gérer les modèles Gemini.
- CursorBench : Plateforme de benchmarking de Cursor pour évaluer la compréhension du code, l’édition, le débogage et les tâches d’ingénierie logicielle intelligente.
- Artificial Analysis : Tests indépendants couvrant le niveau d’intelligence, la vitesse, la latence, les prix et l’utilisation des tokens.
- CodeMender : Environnement d’agent sécurisé de Google DeepMind basé sur Gemini 3.5 Flash Cyber.
Liens associés
- Google officiel : Présentation de Gemini 3.6 Flash, 3.5 Flash-Lite et 3.5 Flash Cyber : Annonce officielle, tarifs, résultats de benchmarks et détails de disponibilité.
- Documentation développeur de Gemini 3.6 Flash : Limites officielles, modalités prises en charge, outils et détails de l’API.
- Guide des derniers modèles Gemini de Google : Guide officiel de migration et d’utilisation de Gemini 3.6 Flash et Gemini 3.5 Flash-Lite.
- Analyse de Gemini 3.6 Flash par Artificial Analysis : Mesures indépendantes du niveau d’intelligence, de la vitesse, de la latence et des prix.
- Évaluation de la publication par Artificial Analysis : Comparaison détaillée de Gemini 3.6 Flash et Gemini 3.5 Flash-Lite avec les générations précédentes.
- CursorBench : Résultats actuels des benchmarks des agents de codage pour Gemini 3.6 Flash et les modèles concurrents.
- Google DeepMind : Gemini 3.5 Flash Cyber et CodeMender : Présentation de l’environnement d’agent sécurisé de DeepMind.
Publication Flash Cyber : Modèle de cybersécurité, intégration CodeMender et déploiement restreint — informations officielles.
Résumé
La série Gemini publiée par Google en juillet comprend Gemini 3.6 Flash, Gemini 3.5 Flash-Lite et Gemini 3.5 Flash Cyber, tandis que Gemini 3.5 Pro est encore en phase de test auprès des partenaires.
Les premiers développeurs ont réagi de manière extrêmement négative à Gemini 3.6 Flash lors des tests front-end et de raisonnement spatial, et ce modèle n’a pas dominé les benchmarks de codage les plus exigeants. Cependant, les résultats de test publiés par Google montrent des améliorations notables par rapport à Gemini 3.5 Flash sur plusieurs tâches importantes, tandis qu’Artificial Analysis confirme que le modèle conserve un score d’intelligence globale équivalent, avec une vitesse et une efficacité améliorées.
Gemini 3.5 Flash-Lite est conçu pour les tâches à haut débit, Flash Cyber se concentre sur la sécurité défensive, et Google a déjà entamé le pré-entraînement de Gemini 4.
L’interprétation la plus juste n’est pas que Gemini 3.6 Flash soit le « pire modèle » de Google, mais qu’il s’agit d’une publication centrée sur l’efficacité — sa réaction réelle sur le marché précoce est bien plus nuancée que ce que les benchmarks officiels de Google laissent paraître.
