Google DeepMind prezentuje model Gemini 3.7 Flash
Zaledwie trzy tygodnie po debiucie poprzedniej wersji, firma Google DeepMind zaprezentowała swój najnowszy model językowy — Gemini 3.7 Flash. Według deklaracji inżynierów firmy, jest to dotychczas najinteligentniejszy model bazowy przeznaczony do rozwiązywania problemów programistycznych, wsparcia prac badawczych oraz napędzania zautomatyzowanych agentów.
Zmiany objęły optymalizację pod kątem specjalistycznego tworzenia oprogramowania oraz zadań opartych o zaawansowane analizy wiedzy (m.in. w finansach i biosciences). Twórcy akcentują w nowej wersji wyższą dokładność za pierwszym podejściem (first-pass code accuracy) w generowaniu kodu gotowego do pracy w środowiskach produkcyjnych. Dla środowisk webowych wprowadzono skuteczniejsze mapowanie referencyjnych plików graficznych na działający kod, w tym lepszą wierność projektom wyjściowym (design adherence).
Wzrost wydajności w benchmarkach
Najnowsza architektura notuje znaczące skoki wydajności względem swojego bezpośredniego poprzednika. Przewaga ta widoczna jest w szczególności w testach mierzących samodzielność modelu przy debugowaniu i analizie skomplikowanych dokumentów.
Porównanie skuteczności nowej generacji z modelem Gemini 3.6 Flash w mierzalnych procentowo benchmarkach prezentuje się następująco:
| Benchmark | Gemini 3.7 Flash | Gemini 3.6 Flash |
|---|---|---|
| FrontierCode 1.1 Main | 43.6% | 34.4% |
| DeepSWE v1.1 | 65.3% | 49.0% |
| GDP.pdf | 34.0% | 22.0% |
| AutomationBench | 30.4% | 17.0% |
Dane: deepmind.google/blog
W oddzielnym teście sprawdzającym poprawność budowy interfejsów frontendowych — WebDev Arena — Gemini 3.7 Flash również wyprzedził starszą wersję, osiągając Elo score na poziomie 1588 punktów wobec wcześniejszych 1538.
Integracje wieloagentowe i asystent Gemini Spark
Cechą wyróżniającą nową wersję jest stabilność w utrzymywaniu pętli zapytań i orkiestracji pobocznych procesów. System efektywniej zarządza użyciem narzędzi (tool calls) oraz podchodzi metodyczniej do planowania wieloetapowego (multi-step planning). Na poparcie tych twierdzeń pokazano eksperymentalne instancje, w których model operował jako element struktury łączonej — m.in. 3 agent graph loop wykorzystany do przyspieszenia uczenia w robotyce. W innych demonstracjach łączono Gemini 3.7 Flash z silnikiem Nano Banana przy dynamicznym tworzeniu zasobów dla gier 3D oraz wspierano się możliwościami modułu Gemini Omni do generowania interaktywnych komponentów wizualnych.
Wdrożenie Gemini 3.7 Flash to również aktualizacja popularnych produktów konsumenckich od dzisiaj. Asystent Gemini Spark, pełniący rolę osobistego, działającego w trybie 24/7 agenta dla użytkowników planów Google AI Pro i Ultra, zaczął wykorzystywać nowy model do poprawy obsługi wieloskładnikowych procesów z użyciem programów z rodziny Google Workspace (takich jak przegląd statusów, szkicowanie maili czy analizowanie plików źródłowych).
Cennik promocyjny
Jednocześnie wprowadzono znaczne cięcia w kosztach integracji technologii po stronie API. Do końca roku twórcy mogą korzystać z promocyjnej wyceny zapytań wynoszącej $0.75/1M input tokens oraz $3.75/1M output tokens, co redukuje pierwotny koszt używania wariantu 3.6 Flash o połowę.
