Indlæser kataloget…
Indlæser kataloget…
Googles ræsonneringsoptimerede model i Flash-klassen til hurtig kodning, agentiske opgaver og ræsonnering i flere trin med et multimodalt kontekstvindue på en million tokens.
Oversigt. Gemini 3.8 Flash er Googles ræsonneringsoptimerede model i Flash-klassen, udgivet i september 2026 som efterfølgeren til Gemini 3.7 Flash. Den er bygget til at ligge mellem Googles Flash-Lite-modeller med høj gennemstrømning og deres Pro-frontmodeller, hvilket giver udviklere en hurtigere og billigere mulighed for softwareudvikling, agentiske arbejdsflow og ræsonnering med mange trin. Den accepterer tekst, billeder, lyd og video som inddata med et kontekstvindue på op til 1.048.576 tokens og returnerer tekst som uddata.
Vigtigste styrker. Uafhængige benchmarks fra Artificial Analysis placerer dens kodningsindeks på 74,1 og GPQA Diamond-score på 0,94, hvilket begge er stærke resultater for en model i Flash-klassen. Google rapporterer også 54,9 % på HLE-Verified, og modellen har et målbart agentisk indeks (48,5), der afspejler reel ydeevne ved brug af værktøjer i flere trin. Ræsonnering er slået til som standard med ræsonneringsniveauer, der kan konfigureres (low, medium, high), så du kan afveje svartid mod dybere ræsonnering i flere trin til sværere opgaver.
Anvendelsesområder. Brug Gemini 3.8 Flash, når du har brug for hurtig, interaktiv inferens til kodningsassistance, agentiske arbejdsflow med verktøjskald eller opgaver, der drager fordel af ræsonnering i flere trin uden den svartid, en frontmodel medfører. Dens kontekstvindue på en million tokens og indbyggede understøttelse af billeder, lyd og video som inddata gør den velegnet til analyse af store dokumenter eller multimodale behandlingskæder, hvor hastigheden i Flash-klassen er vigtig. Den understøtter også indbygget promptcaching og et indbygget websøgningsværktøj, hvilket er nyttigt til opgaver med informationssøgning eller opdateret information.
Begrænsninger. Uddata er begrænset til 64.000 tokens og er kun tekst — der er ingen generering af billeder, video eller tale. Ræsonnering kan ikke deaktiveres helt (det laveste understøttede niveau er 'low'), så hver forespørgsel medfører en vis ræsonneringsomkostning sammenlignet med Flash-modeller uden ræsonnering. Google har ikke oplyst parametertal, arkitekturdetaljer eller præcis hvor træningsdataene slutter for denne model.
Bemærkning om suverænitet. Gemini 3.8 Flash er bygget og betjenes af Google, en modelskaber med hovedkvarter i USA, så ved brug bør man antage en standardeksponering for CLOUD Act frem for suveræn håndtering kun i EU. Ingen politik om ingen træning på dine data eller tilsagn om dataplacering for endepunktet blev bekræftet i den nuværende undersøgelse.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L0 | 0,66 / 3,30€+3 betingede priser | Online |
13 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Indbygget egenskab til verktøykall er kernekravet for applikationer med funktionskald; svartiden i Flash-klassen egner sig til integration i apps med høj gennemstrømning.
Kontekstvinduet på 1 million tokens passer arkitektonisk direkte til spørgsmål og svar i lange dokumenter i én arbejdsgang.
Et kontekstvindue på 1.048.576 tokens gør det muligt at indlæse meget store dokumentsæt direkte til generering af svar baseret på kilderne uden behov for omfattende opdeling.
Indbygget understøttelse af verktøykall kombineret med et kontekstvindue på 1.048.576 tokens gør denne model velegnet til at styre behandlingskæder med flere værktøjer og store mængder data.
Understøttelse af verktøykall muliggør agentiske loops, der kan udføre handlinger, men der er ikke dokumenteret nogen benchmarks for billedforståelse eller browserbrug, der kan bekræfte styrken her.
Verktøykall muliggør opslag i backend-løsninger under chatten, og hastigheden i Flash-klassen passer godt til kravene om kort svartid i interaktiv support.
Modeller i Flash-klassen er typisk optimeret til opgaver med kort svartid og høj volumen som klassificering, selvom der ikke er offentliggjort benchmarks for præcisionen for denne variant.
Det store kontekstvindue har god plads til fulde mødereferater, og svartiden i Flash-klassen passer til opgaver med opsummering i nær-sanntid.
Verktøykall og et meget stort kontekstvindue understøtter sporing af opgaver med mange trin, selvom den som en model i Flash-klassen sandsynligvis prioriterer hastighed over dyb ræsonnering sammenlignet med sine større søskende.
Et kontekstvindue på 1 million tokens muliggør opsummering af hele dokumenter i ét kald; Flash-navnet tyder på en optimering til hastighed og forbrug frem for maksimal kvalitet.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "google/gemini-3.8-flash",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på