تصور کنید یک تحلیلگر امنیتی که هرگز نمیخوابد و میلیونها خط کد را در چند ثانیه میکاود تا کوچکترین رخنه را پیدا کند. این رویای امنیتی اکنون با مدلهای جدید گوگل به واقعیت تبدیل شده است.
طبق اعلام تیم تحقیقات آسیبپذیری ابری گوگل، یک حفره بنیادی که شناسایی آن معمولاً ماهها زمان میبرد، در کمتر از دو ساعت کشف شد. این جهش خیرهکننده در سرعت، نتیجهی عرضه Gemini 3.8 Flash و برادر تخصصی آن، Gemini 3.8 Flash Cyber در ۲ سپتامبر ۲۰۲۶ است.
این سومین بهروزرسانی سری Flash در شش هفته اخیر است و تنها سه هفته پس از عرضه نسخه ۳.۷ از راه رسیده است. این تکرار سریع بهروزرسانیها نشان میدهد گوگل از مدلهای غولپیکر فاصله گرفته و به سمت مدلهای «کاربردی» یا Workhorse حرکت میکند؛ مدلهایی که اولویت آنها ایجاد حلقههای عاملمحور (Agentic Loops) است، نه صرفاً افزایش تعداد پارامترها. همانطور که در تحلیل قبلی ما دربارهی شکست «بیشینهسازی توکن» (Token Maxing) در مقیاس عاملها اشاره کردیم، گوگل اکنون بهجای افزایش اندازه مدل، بر تکرار فراخوانی ابزارها و اصلاح بازگشتی (Recursive Refinement) تمرکز کرده است تا مسائل پیچیده را حل کند. این رویکرد در ادامه استراتژی کاهش هزینههای گوگل است که پیشتر در بررسی قیمتهای رقابتی Gemini 3.7 Flash و تسهیل استقرار عاملهای هوشمند به آن پرداختیم.
زمینه و استقرار
گوگل مدل Gemini 3.8 Flash را هوشمندترین مدل کاربردی خود مینامد. این مدل در مهندسی نرمافزار، وظایف عاملمحور و استدلالهای چندمرحلهای در دامنههای تخصصی، پیشرفتهای چشمگیری نسبت به نسخه ۳.۷ داشته است. این مدل اکنون بهطور کلی در دسترس است و با شناسه gemini-3.8-flash آماده استفاده در محیطهای عملیاتی و تولید است.
برای کاربران عادی، این قابلیتها در اپلیکیشن Gemini، حالت AI در جستوجوی گوگل (AI Mode in Google Search) و همچنین Gemini در Google Sheets برای دارندگان اشتراکهای Google AI Pro یا Ultra ادغام شده است. سازمانها و شرکتها نیز میتوانند از طریق Gemini Enterprise به این مدل دسترسی پیدا کنند.
در مورد نسخه Cyber، هدف گوگل ایجاد ابزاری است که بتواند مانند یک تحلیلگر خستگیناپذیر عمل کند. دسترسی به این نسخه محدود به «مدافعان مورد اعتماد» از طریق برنامه جدید Fairwind است. این برنامه دسترسی اولویتدار را به مقامات دولتی، توسعهدهندگان و نگهدارندگان نرمافزارهای متنباز و اپراتورهای زیرساختهای حیاتی که درخواست خود را ارسال کنند، اعطا میکند.
مشخصات فنی و هزینهها
مشخصات فنی Gemini 3.8 Flash به شرح زیر است:
- پنجره زمینه (Context Window): ۱ میلیون توکن (مانند میز کاری که تعیین میکند مدل همزمان چه مقدار اطلاعات را در ذهن دارد).
- حداکثر خروجی: ۶۴,۰۰۰ توکن.
- سطوح استدلال (Reasoning Levels): تنظیمات قابل تغییر برای تلاش کم (Low)، متوسط (Medium - پیشفرض) و زیاد (High).
- قیمت تشویقی (تا ۳۱ دسامبر ۲۰۲۶): ۰.۷۵ دلار برای هر میلیون توکن ورودی / ۳.۷۵ دلار برای هر میلیون توکن خروجی.
- قیمت استاندارد (از ۱ ژانویه ۲۰۲۷): ۱.۵۰ دلار برای هر میلیون توکن ورودی / ۷.۵۰ دلار برای هر میلیون توکن خروجی.
به نقل از مستندات گوگل، این مدل گامهای استدلالی کوچکتری برمیدارد و نتایج را در اهداف چندمرحلهای دشوار بازبینی و تأیید میکند. به دلیل این طراحی، مدل ممکن است در کارهای پیچیده، بهویژه در سطوح استدلال بالا، توکنهای بیشتری مصرف کند. برای حجم کارهایی که اولویت با بهرهوری و سرعت است، توسعهدهندگان میتوانند سطح استدلال را کاهش دهند یا همچنان از Gemini 3.7 Flash استفاده کنند که بهطور کامل پشتیبانی میشود.
توسعهدهندگان میتوانند از طریق Google AI Studio، Android Studio و Google Antigravity (محیط توسعه عاملمحور گوگل) به این مدل دسترسی داشته باشند. در حال حاضر، عامل مدیریتشده در Antigravity بهطور پیشفرض روی نسخه ۳.۸ Flash اجرا میشود. نرخهای تشویقی قیمت در هر دو پلتفرم Google AI Studio و Gemini Enterprise Agent Platform اعمال میگردد.
بنچمارکها و ارزیابی عملکرد
گوگل گزارش داده که این مدل اغلب با مدلهای پیشرو (Frontier Models) که هزینه بسیار بالاتری دارند، برابری میکند. در بنچمارک مهندسی نرمافزار DeepSWE v1.1، این مدل در حل مسائل پیچیده بهصورت سرتاسری (End-to-End) از اکثر مدلهای بزرگتر پیشی گرفته است. همچنین در آزمون HLE-Verified که حوزههای STEM (علوم، فناوری، مهندسی و ریاضیات)، علوم انسانی و زمینههای حرفهای را پوشش میدهد، نمره ۵۴.۹ درصد را کسب کرده است.
بهبودهای عملکردی بیشتری در بنچمارکهای Vals Finance Agent V2 و Harvey’s Legal Agent Benchmark مشاهده شده است، جایی که Gemini 3.8 Flash از نسخه ۳.۷ و سایر مدلهای پیشرو بهتر عمل کرد. گوگل این موفقیت را مدیون آموزش در دامنههای سختگیرانه و استفاده از حلقههای عاملمحور طولانیمدت میداند که بهطور بازگشتی مدل را ارزیابی و اصلاح میکنند.
برای نسخه Cyber، نتایج بسیار تخصصیتر است:
- CyberGym: در شناسایی خودکار آسیبپذیریها، هم از 3.5 Flash Cyber و هم از مدلهای پیشرو بزرگتر پیشی گرفت.
- محکهای داخلی: نرخ موفقیت بالای ۷۰ درصد را در ۲۰ زبان برنامهنویسی مختلف ثبت کرد.
- CWE-Bench: امتیاز pass@1 معادل ۴۷.۲ درصد را به دست آورد که تقریباً با امتیاز ۴۷.۸ درصدی یکی از مدلهای پیشرو برابری میکند؛ گوگل این سطح را «عملکرد مرز پارتو» (Pareto-frontier performance) مینامد که با هزینهای بهمراتب کمتر به دست آمده است.
تأییدیه خارجی از سوی شرکت Wiz نشان داد که این مدل در بنچمارکهای تست نفوذ داخلی، بازخوانی (Recall) ۷.۵ تا ۹.۷ درصد بالاتری داشت، در حالی که هزینهاش ۲.۳ تا ۵.۲ برابر کمتر از سایر مدلهای پیشرو بود. علاوه بر این، تیم Chrome Security دریافت که این مدل ۲.۶ برابر بیشتر از بهترین مدلهای تجاری بزرگ، وصلههای (Patch) صحیح برای آسیبپذیریهای مرورگر کروم تولید میکند.
ایمنی و نردههای حفاظتی
برای جلوگیری از سوءاستفاده، گوگل Frontier Safety Framework را پیادهسازی کرده است. این چارچوب مدل را از کمک در حوزههای شیمیایی، بیولوژیکی، رادیولوژیکی، هستهای و همچنین حملات سایبری تهاجمی منع میکند. با این حال، نسخه Cyber مجموعهای از تخفیفهای امنیتی منعطفتری دارد تا تحقیقات امنیتی مشروع را تسهیل کند؛ به همین دلیل است که دسترسی به آن بهشدت کنترل میشود.
گوگل همچنین به بهبود قابلتوجه در استواری مدل در برابر «تزریق پرامپت» (Prompt Injection) اشاره کرد که توسط Gray Swan اندازهگیری شده است. این امر باعث میشود مدل در محیطهای عملیاتی در برابر تلاشهایی که برای دور زدن فیلترهای ایمنی صورت میگیرد، مقاومتر باشد.
برای مدیران کسبوکار، این حرکت ارزش پیشنهادی هوش مصنوعی را از «چتباتها» به «عاملهای خودگردان» تغییر میدهد. گوگل با کاهش هزینه استدلالهای چندمرحلهای، اجرای عاملهایی که کار خود را بازبینی کرده و روی اهداف دشوار تکرار میکنند را از نظر مالی بهصرفه کرده است.
این گذار به این معناست که مزیت رقابتی دیگر در اختیار کسی نیست که بزرگترین مدل را دارد، بلکه در اختیار کسی است که کارآمدترین حلقه عاملمحور را ساخته است. شرکتها اکنون میتوانند بدون هزینههای سرسامآور مدلهای سطح Frontier، عاملهای باهوش را برای مهندسی نرمافزار و وظایف حقوقی مستقر کنند.
باید منتظر ماند و دید که برنامه Fairwind چگونه بر پذیرش هوش مصنوعی در دولتها تأثیر میگذارد و آیا آزمایشگاههای دیگر نیز مدلهای امنیتی محدود و دامنه-محور مشابهی برای رقابت عرضه خواهند کرد یا خیر.
گام بعدی شما
- اگر توسعهدهنده هستید، مدل 3.8 Flash را در Google AI Studio تست کنید و تفاوت سطوح استدلال (Reasoning Levels) را در کارهای چندمرحلهای بسنجید.
- برای سازمانهای امنیتی، شرایط پذیرش در برنامه Fairwind را بررسی کنید تا به نسخه Cyber دسترسی یابید.
- استراتژی استقرار مدلهای خود را از چتهای ساده به سمت زنجیرههای عاملمحور بازبینی کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو