Gemini 3.5 Flash – Google 推出的一代 AI 大模型

1. Gemini 3.5 Flash是什么

Gemini 3.5 Flash 是 Google 推出的新一代 AI 大模型，以“前沿智能+行动能力”为核心定位，标志着 Google 在高效推理与 Agent 能力融合上的重大突破。该模型在 Terminal-Bench 2.1 编码基准上取得 76.2% 的得分，在 GDPval-AA 代理任务中达到 1656 Elo，在 MCP Atlas 上获得 83.6%，三项关键指标均超越前代旗舰 Gemini 3.1 Pro。其输出速度达到前沿模型平均水平的 4 倍，而成本仅为不到一半，并原生支持 100 万 Token 的多模态上下文窗口。目前，Gemini 3.5 Flash 已全球上线至 Gemini App 与 Search AI Mode，面向消费者、开发者和企业用户同步开放。

技术定位与领域： 属于自然语言处理与多模态 AI 大模型领域，定位于高效推理型 Agent 模型。与传统大语言模型侧重通用对话能力不同，Gemini 3.5 Flash 专注于在极低延迟下执行复杂编码、工具调用和多步推理任务，是面向 Agent 时代设计的“行动型”模型。

研发背景： 由 Google DeepMind 团队基于 Gemini 3.5 系列全新架构开发。研发动机源于对 Agent 应用场景中“推理速度与成本”瓶颈的深刻洞察——传统前沿模型虽然能力强，但推理延迟高、成本昂贵，难以支撑大规模 Agent 部署。通过先进的蒸馏技术与动态推理预算分配机制，Google 成功在保持接近 Pro 级能力的同时，大幅降低计算开销。

核心价值： 解决了 Agent 场景中长期存在的“能力-速度-成本”三角矛盾。模型在保持顶级编码与工具调用能力的同时，实现了 289 tokens/秒的极速推理，API 定价仅为 $1.50/$9.00 每百万 Token（输入/输出），比 Claude Opus 4.7、GPT-5.5 等竞品便宜一半以上。Google 估算，头部 Cloud 客户将 80% 的前沿工作负载迁移至 3.5 Flash 后，每年可节省超 10 亿美元。

技术特点： 核心技术优势包括：基于蒸馏压缩的轻量化架构，实现接近 Pro 级能力但体积大幅减小；引入动态推理预算分配机制（thinking_level 参数），根据任务类型自动分配计算资源；采用原生多模态统一编码器，将文本、图像、音视频嵌入同一语义空间；支持 100 万 Token 的超长上下文窗口，可一次性处理整本长篇小说或百页法律合同。

2. 主要功能

• 极速推理与生成： 输出速度达到 289 tokens/秒，是其他前沿模型的 4 倍。经 Antigravity 内部联合优化后，在特定 Agent 工作流中可实现 12 倍的端到端提升，显著降低多轮 Agent 调用的感知延迟，使实时交互体验接近自然对话。

• 顶级编码与 Agent 能力： 在 Terminal-Bench 2.1（76.2%）、SWE-Bench Pro（55.1%）、MCP Atlas（83.6%）和 Toolathlon（56.5%）等关键基准上全面超越 Gemini 3.1 Pro。MCP Atlas 得分 83.6%，是目前该基准上的最佳成绩，体现了模型在复杂工具编排与多步推理上的领先优势。

• 多模态长上下文理解： 原生支持 100 万 Token 输入窗口，可统一处理文本、图像、视频、音频及 PDF 等多种模态数据。CharXiv Reasoning 得分 84.2%，MMMU-Pro 达 83.6%，在跨模态推理任务上表现优异，特别适合法律文档审核、长视频内容分析等场景。

• 子代理协作编排： 通过 Antigravity 2.0 框架部署并行子代理，支持大规模 Agent 协同工作。官方演示中，93 个 subagent 在 12 小时内以不到 1000 美元的成本完成了完整操作系统的开发，展示了模型在大规模 Agent 编排上的实用价值。

• 动态推理级别控制： 引入 thinking_level 参数，支持标准（standard）和扩展（extended）两种模式。用户可按任务需求切换思维深度：代码生成与工具调用默认使用 low 档位优化速度，复杂推理任务可选择 high 档位获得更深度的分析。

• 全平台生态覆盖： 已接入 Gemini App、Search AI Mode、Antigravity 2.0、AI Studio、Android Studio 等 Google 全系产品。消费者、开发者和企业用户三端同步可用，降低了部署和使用的技术门槛。

3. 如何使用

1. 选择接入平台： 根据使用场景选择合适的接入方式。消费者可通过 Gemini App 或 Google Search AI Mode 直接使用；开发者推荐使用 Google AI Studio 或 Antigravity 2.0 桌面应用；企业用户可通过 Vertex AI 进行大规模部署。

2. 更新 API 模型标识： 若已使用旧版预览 API，需将代码中的模型名称从旧版预览标识替换为正式版标识 gemini-3.5-flash。注意检查 API 版本兼容性，确保 SDK 已更新至最新版本。

3. 配置推理级别（thinking_level）： 根据任务类型设置 thinking_level 参数以优化性能。代码生成与工具调用任务推荐使用 low 档位以最大化速度；通用对话任务使用 medium 档位平衡速度与质量；复杂推理任务使用 high 档位获得深度分析能力。

4. 移除采样参数覆盖： 建议删除手动设置的 temperature、top_p、top_k 等采样参数默认值，让模型使用内部优化配置。Gemini 3.5 Flash 已针对不同任务类型优化了默认参数，手动覆盖可能影响推理效果。

5. 注意功能迁移例外： 若工作流依赖 Computer Use 浏览器控制功能，需继续使用 gemini-3-flash-preview 版本。Gemini 3.5 Flash 暂不支持该功能，迁移前需确认功能兼容性。

6. 性能调优建议： 对于高并发 Agent 场景，建议使用 Antigravity 2.0 的并行子代理功能，利用模型的低延迟特性实现多任务并行处理。同时注意监控 Token 消耗，合理设置上下文窗口大小以优化成本。

4. 优缺点分析

5. 同类工具对比

选型建议：
对于追求极致速度和成本效益的 Agent 应用场景，Gemini 3.5 Flash 是最优选择。其在 MCP Atlas 和 Terminal-Bench 2.1 上的领先表现，结合 4 倍的速度优势和不到一半的成本，使其成为大规模 Agent 部署的首选。特别适合需要频繁调用模型进行编码、工具操作和多步推理的任务。

对于需要最强复杂推理能力的场景，GPT-5.5 在 GDPval-AA 等综合代理基准上表现更优。如果团队已经深度绑定 Google 生态（如使用 Google Cloud、Android Studio 等），Gemini 3.5 Flash 的全平台集成能力将带来显著的开发效率提升。而对于依赖 Claude 生态或需要 Computer Use 功能的用户，Claude Opus 4.7 仍是必要选择。

6. 编辑点评

Gemini 3.5 Flash 的推出，标志着 AI 大模型从“通用对话”向“高效行动”的关键转变。从技术创新性来看，模型在蒸馏压缩架构上的突破值得关注——通过先进的蒸馏技术将 Gemini 3.1 Pro 的能力压缩到更小的模型体积中，同时实现了 4 倍的速度提升，这在业界尚属首次。动态推理预算分配机制（thinking_level 参数）更是巧妙解决了“速度-质量”权衡问题，让用户能根据任务需求灵活调整计算资源分配。

从实用价值分析，Gemini 3.5 Flash 在 Agent 场景中的表现尤为突出。MCP Atlas 83.6% 的得分和 93 个子代理并行协作的演示，证明了模型在复杂工具编排和大规模 Agent 协作上的实用能力。对于企业级 Agent 自动化、金融文档智能审核、实时编程助手等场景，模型的速度优势和成本效益将带来显著的效率提升。

适用人群定位方面，该模型最适配三类用户：一是需要高频调用 AI 进行编码和工具操作的开发者；二是需要大规模部署 Agent 自动化系统的企业；三是需要处理超长文档或多模态内容的专业人士。对于普通对话场景，Gemini 3.5 Flash 的能力可能超出需求，反而推荐使用更轻量的模型。

未来发展潜力巨大。随着 Agent 应用场景的爆发式增长，对高效推理模型的需求将持续上升。Google 在模型压缩和动态推理预算分配上的技术积累，有望在后续版本中进一步优化。建议关注 Antigravity 2.0 框架的更新，以及 Computer Use 功能的回归时间表。

7. 应用场景

• 实时 AI 编程助手： 低延迟特性使其特别适合 IDE 自动补全、代码审查与交互式调试场景。Antigravity 2.0 已将其设为默认模型，开发者可在编码过程中获得近乎实时的代码建议和错误检测，显著提升开发效率。

• 企业级 Agent 自动化： 部署并行子代理处理多周工作流，如 Xero 用于自动管理 1099 税表供应商识别与信息收集。通过 Antigravity 2.0 框架，企业可将复杂的业务自动化流程拆解为多个子代理并行执行，大幅缩短处理周期。

• 金融文档智能审核： Macquarie Bank 使用 Gemini 3.5 Flash 推理 100 页以上的复杂金融文档，加速客户入职与合规审核流程。模型的多模态长上下文能力使其能一次性处理整份合同，提取关键条款并生成审核报告。

• 多模态发票与 OCR 处理： Ramp 利用模型的多模态理解能力与历史模式推理，实现复杂发票的智能化识别与分类。模型不仅能提取文字信息，还能理解发票结构、识别异常模式，大幅提升财务处理的自动化水平。

• 长视频内容分析： 利用 100 万 Token 上下文窗口，可一次性处理整段长视频内容，提取关键信息、生成摘要或进行语义搜索。适用于影视内容审核、教育培训视频分析等场景。

• 学术研究与文献综述： 研究人员可使用模型处理整本学术专著或大量论文，进行跨文档的语义分析和知识整合。模型的多模态能力使其能同时分析文本、图表和公式，提升文献综述效率。

8. 常见问题FAQ

Q：Gemini 3.5 Flash 与 Gemini 3.1 Pro 相比，主要优势是什么？
A：主要优势体现在速度、成本和 Agent 能力三个维度。输出速度是 3.1 Pro 的 2 倍以上（289 vs 135 tokens/秒），API 定价更低，且在 Terminal-Bench 2.1、MCP Atlas 等关键 Agent 基准上全面超越。但 3.1 Pro 在某些复杂推理任务上可能仍有优势。

Q：是否支持本地部署？
A：目前 Gemini 3.5 Flash 主要通过 Google 云端 API 提供服务，暂不支持本地部署。用户可通过 Gemini App、Google AI Studio、Antigravity 2.0 等平台接入。对于需要本地部署的场景，建议关注 Google 后续的开源计划。

Q：thinking_level 参数如何选择？
A：推荐根据任务类型选择：代码生成与工具调用使用 low 档位以最大化速度；通用对话任务使用 medium 档位平衡速度与质量；复杂推理任务使用 high 档位获得深度分析。如果不确定，建议从 medium 开始尝试。

Q：100 万 Token 上下文窗口的实际使用效果如何？
A：在实际测试中，模型能有效处理 100 万 Token 的输入，但在长上下文场景下，推理速度会有所下降。建议根据实际需求合理设置上下文窗口大小，对于超长文档，可考虑分段处理以获得更好的性能表现。

Q：为什么需要移除采样参数默认值？
A：Gemini 3.5 Flash 已针对不同任务类型优化了内部采样参数配置。手动设置 temperature、top_p、top_k 等参数可能会覆盖模型的优化配置，导致推理效果下降。建议让模型使用默认配置，仅在特定场景下进行微调。

Q：Computer Use 功能何时会支持？
A：Google 尚未公布 Computer Use 功能的回归时间表。依赖该功能的用户需继续使用 gemini-3-flash-preview 版本。建议关注 Google AI 官方博客和 API 更新日志，获取最新功能发布信息。

9. 项目地址

• 项目官网： https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5/#gemini-3-5-flash
• Google AI Studio： https://aistudio.google.com/
• Gemini API 文档： https://ai.google.dev/gemini-api/docs/models#gemini-3-5-flash
• Antigravity 2.0： https://antigravity.google/