رونمایی گوگل از جمینای ۳.۸ فلش و نسخه سایبری

گوگل از Gemini 3.8 Flash رونمایی کرد؛ جهش هوش مصنوعی در کدنویسی و امنیت سایبری

مدل‌های جدید Gemini 3.8 Flash و Flash Cyber چیست؟ بنچمارک‌ها، قیمت API، توانمندی سایبری و برنامه Fairwind

گوگل تنها سه هفته پس از معرفی نسخه قبلی، از مدل‌های جدید Gemini 3.8 Flash و Gemini 3.8 Flash Cyber رونمایی کرد. این عرضه که سومین به‌روزرسانی خانواده Flash در طول شش هفته محسوب می‌شود، تمرکز ویژه‌ای بر استدلال چندمرحله‌ای، انجام وظایف ایجنت‌محور و مهندسی نرم‌افزار بلندمدت دارد. مدل Gemini 3.8 Flash با حفظ قیمت اسمی ۰.۷۵ دلار برای ورودی و ۳.۷۵ دلار برای خروجی تا پایان سال ۲۰۲۶ عرضه شده و به توسعه‌دهندگان اجازه می‌دهد با تنظیم سطح تلاش (Effort Level)، تعادلی میان هزینه و کیفیت ایجاد کنند. این مدل در بنچمارک‌های مهندسی مانند DeepSWE v1.1 و ارزیابی‌های مالی و حقوقی درخشان ظاهر شده است. در سوی دیگر، Gemini 3.8 Flash Cyber به عنوان ابزاری دفاعی برای شناسایی آسیب‌پذیری‌ها و تولید وصله‌های امنیتی (Patches) توسعه یافته و در بنچمارک CyberGym با ثبت امتیاز ۸۶.۲٪ از رقبایی چون GPT-5.5-Cyber و Mythos 5 پیشی گرفته است. گوگل دسترسی به مدل سایبری را به‌منظور جلوگیری از سوءاستفاده، محدود به سازمان‌های تأییدشده در قالب برنامه Fairwind و چارچوب CodeMender کرده است.

گوگل از جمینای ۳.۸ فلش و نسخه سایبری آن رونمایی کرد؛ جهشی در کدنویسی و امنیت با همان قیمت قبلی

معرفی Gemini 3.8 Flash Cyber؛ مدل اختصاصی گوگل برای کشف خودکار باگ‌ها و تولید وصله‌های امنیتی

گوگل تنها سه هفته پس از معرفی جمینای ۳.۷ فلش، نسل جدید مدل‌های سبک خود را معرفی کرده است؛ مدلی که این‌بار تمرکز اصلی آن نه صرفاً روی پاسخ‌گویی سریع، بلکه روی استدلال چندمرحله‌ای، اجرای وظایف طولانی‌مدت و عملکرد ایجنت‌محور قرار گرفته است. هم‌زمان با نسخه عمومی، گوگل مدل اختصاصی Gemini 3.8 Flash Cyber را نیز معرفی کرده که برای شناسایی و اصلاح خودکار آسیب‌پذیری‌های نرم‌افزاری توسعه یافته است.

این اتفاق از یک جهت نیز قابل توجه است: جمینای ۳.۸ سومین عرضه از خانواده Flash در تنها شش هفته محسوب می‌شود و گوگل تلاش دارد با حفظ سرعت و هزینه پایین خانواده Flash، فاصله آن را با مدل‌های بزرگ‌تر و گران‌تر در وظایف حرفه‌ای کاهش دهد. خود گوگل جمینای ۳.۸ فلش را بهترین مدل خود برای استدلال و کدنویسی تا امروز توصیف می‌کند.

جمینای ۳.۸ فلش؛ مدلی که قرار است «بیشتر فکر کند»

تفاوت مهم جمینای ۳.۸ فلش با نسل قبلی صرفاً در افزایش قدرت خام مدل نیست. گوگل در طراحی این نسخه روی چیزی تمرکز کرده که برای نسل جدید سیستم‌های هوش مصنوعی اهمیت زیادی دارد: توانایی ادامه‌دادن یک فرایند پیچیده و چندمرحله‌ای بدون نیاز به دخالت مداوم کاربر.

این مدل برای وظایف ایجنت‌محور طراحی شده است؛ یعنی به‌جای اینکه صرفاً یک پاسخ متنی تولید کند، می‌تواند مسئله را به چند مرحله تقسیم کند، از ابزارهای مختلف استفاده کند، نتیجه هر مرحله را بررسی کند و در صورت نیاز دوباره سراغ ابزارها برود. گوگل می‌گوید این مدل در وظایف پیچیده عملاً «سخت‌تر کار می‌کند»؛ به این معنا که ممکن است برای رسیدن به پاسخ دقیق‌تر، مراحل استدلال بیشتری انجام دهد و فراخوانی ابزارها را تکرار کند.

این رویکرد البته یک هزینه هم دارد. قیمت اسمی هر توکن نسبت به جمینای ۳.۷ فلش تغییری نکرده، اما مدل ممکن است برای حل یک مسئله پیچیده توکن‌های بیشتری مصرف کند. بنابراین هزینه هر میلیون توکن ثابت مانده، اما هزینه نهایی یک وظیفه خاص الزاماً ثابت نیست. گوگل برای کنترل این موضوع امکان تعیین سطح تلاش یا effort level را در اختیار توسعه‌دهندگان قرار داده است تا میان کیفیت، هزینه پردازشی و تأخیر تعادل برقرار کنند.

قیمت معرفی جمینای ۳.۸ فلش همچنان ۰.۷۵ دلار برای هر یک میلیون توکن ورودی و ۳.۷۵ دلار برای هر یک میلیون توکن خروجی است. البته این قیمت تبلیغاتی تا پایان سال ۲۰۲۶ معتبر خواهد بود و از اول ژانویه ۲۰۲۷ به‌ترتیب به ۱.۵ و ۷.۵ دلار افزایش پیدا می‌کند.

تمرکز جدی روی مهندسی نرم‌افزار

یکی از مهم‌ترین عرصه‌هایی که جمینای ۳.۸ فلش در آن ارتقا یافته، مهندسی نرم‌افزار است. گوگل مدل جدید را برای پروژه‌هایی طراحی کرده که ممکن است یک پاسخ ساده یا تولید چند خط کد برای آن‌ها کافی نباشد و مدل باید ساعت‌ها یا در چندین مرحله روی یک مسئله کار کند.

در آزمون DeepSWE v1.1 که روی مهندسی نرم‌افزار بلندمدت و حل مستقل مسائل پیچیده تمرکز دارد، جمینای ۳.۸ فلش توانسته از بسیاری از مدل‌های بزرگ‌تر و پیشرفته‌تر عبور کند. نکته مهم این است که گوگل این عملکرد را با تأکید بر نسبت توانایی به هزینه ارائه می‌کند؛ یعنی مدل Flash قرار نیست صرفاً با افزایش اندازه مدل به نتیجه برسد، بلکه هدف آن ارائه عملکرد نزدیک به مدل‌های Frontier با هزینه پایین‌تر است.

گوگل همچنین مدل را در حوزه‌هایی خارج از برنامه‌نویسی سنتی آزمایش کرده است. در Vals Finance Agent V2 برای وظایف مالی و Harvey’s Legal Agent Benchmark برای وظایف حقوقی، جمینای ۳.۸ فلش نسبت به نسخه ۳.۷ عملکرد بهتری داشته است. این مدل در آزمون HLE-Verified که مجموعه‌ای از مسائل دشوار در علوم، علوم انسانی و حوزه‌های حرفه‌ای را شامل می‌شود نیز به امتیاز ۵۴.۹ درصد رسیده است.

به همین دلیل، مسیر توسعه این مدل را می‌توان فراتر از یک مدل «سریع برای چت» دانست. گوگل در واقع می‌خواهد Flash را به مدلی تبدیل کند که بتواند بخش قابل توجهی از کارهای واقعی یک کاربر یا سازمان را به‌صورت مستقل انجام دهد؛ از تحلیل داده و تحقیق گرفته تا برنامه‌نویسی، ساخت رابط کاربری و اجرای فرایندهای چندمرحله‌ای.

گوگل برای نمایش این قابلیت‌ها نمونه‌هایی از کارهایی را ارائه کرده که جمینای ۳.۸ فلش انجام داده است؛ از جمله ساخت یک بازی سه‌بعدی با یک دستور ساده، ایجاد نسخه قابل‌اجرای DOS از Google Maps و ساخت ابزارهای تعاملی برای نمایش داده‌های جغرافیایی و تشریح ساختار سخت‌افزار.

اما اتفاق مهم‌تر، Gemini 3.8 Flash Cyber است

در کنار نسخه استاندارد، گوگل محصولی را معرفی کرده که از نظر کاربرد شاید حتی مهم‌تر باشد: Gemini 3.8 Flash Cyber.

این مدل به‌طور اختصاصی برای دفاع سایبری توسعه یافته و تمرکز آن روی دو وظیفه اصلی است: پیدا کردن آسیب‌پذیری‌ها و اصلاح آن‌ها. گوگل برخلاف برخی کاربردهای تهاجمی هوش مصنوعی، تأکید کرده که در طراحی این مدل اولویت را به توانایی مدافعان برای کشف و رفع نقص‌های امنیتی داده است.

در بنچمارک CyberGym، جمینای ۳.۸ فلش سایبر به امتیاز ۸۶.۲ درصد در معیار Pass@1 رسیده است؛ رقمی که طبق داده‌های منتشرشده توسط Google DeepMind بالاتر از GPT-5.5-Cyber با ۸۵.۶ درصد، Mythos 5 با ۸۳.۸ درصد، GPT-5.6 Sol با ۸۳.۶ درصد و Gemini 3.5 Flash Cyber با ۷۷.۵ درصد قرار می‌گیرد.

در یک آزمون داخلی دیگر که برخلاف CyberGym تنها به C و C++ محدود نیست و کدهایی را در ۲۰ زبان برنامه‌نویسی بررسی می‌کند، مدل به نرخ موفقیت ۷۱ درصد رسیده است؛ درحالی‌که جمینای ۳.۷ فلش ۵۸.۹ درصد و نسخه ۳.۵ فلش سایبر ۴۶.۶ درصد ثبت کرده بودند.

از پیدا کردن باگ تا نوشتن وصله امنیتی

نکته جالب‌تر این است که گوگل تنها به کشف آسیب‌پذیری بسنده نکرده است. Gemini 3.8 Flash Cyber برای تولید و اعتبارسنجی وصله‌های امنیتی نیز آموزش دیده است.

در آزمون CWE-Bench، این مدل به نرخ موفقیت ۴۷.۲ درصد در Pass@1 رسیده است؛ عددی که اندکی پایین‌تر از Fable 5 با ۴۷.۸ درصد قرار دارد، اما گوگل تأکید می‌کند هزینه اجرای آن به شکل محسوسی کمتر است.

این تفاوت از منظر تجاری و عملی اهمیت زیادی دارد. اگر یک مدل هوش مصنوعی بتواند در یک محیط سازمانی آسیب‌پذیری را پیدا کند، کد مربوطه را بررسی کند، یک وصله تولید کند و سپس آن وصله را اعتبارسنجی کند، نقش آن از یک ابزار کمکی برای برنامه‌نویس به یک عامل امنیتی خودکار نزدیک می‌شود.

گوگل حتی نمونه‌هایی از استفاده واقعی این مدل در زیرساخت‌های خودش ارائه کرده است. تیم امنیت Chrome گزارش کرده که Gemini 3.8 Flash Cyber توانسته ۲.۶ برابر بیشتر از بهترین مدل‌های تجاری بزرگ، وصله‌های صحیح و قابل‌کامپایل برای آسیب‌پذیری‌های Chrome تولید کند. همچنین تیم Cloud Vulnerability Research گوگل با کمک این مدل یک آسیب‌پذیری بحرانی و ریشه‌ای را در کمتر از دو ساعت پیدا کرده؛ درحالی‌که گوگل می‌گوید کشف چنین نقصی در شرایط معمول می‌تواند ماه‌ها زمان ببرد.

گوگل چرا دسترسی به نسخه سایبری را محدود کرده است؟

با وجود این توانایی‌ها، گوگل Gemini 3.8 Flash Cyber را مانند نسخه عادی در اختیار عموم قرار نداده است. این مدل از طریق برنامه‌ای به نام Fairwind در اختیار مجموعه‌ای از دولت‌ها، اپراتورهای زیرساخت‌های حیاتی، شرکت‌های امنیتی و نگهدارندگان نرم‌افزار قرار می‌گیرد که از نظر گوگل قابل اعتماد هستند.

این محدودیت اتفاقی نیست. همان قابلیتی که به یک مدافع اجازه می‌دهد آسیب‌پذیری را سریع‌تر پیدا کند، در صورت استفاده نادرست می‌تواند برای مهاجمان نیز ارزشمند باشد. به همین دلیل گوگل تلاش کرده میان قدرت مدل و ریسک انتشار آن تعادل ایجاد کند.

Fairwind در کنار Gemini 3.8 Flash Cyber از CodeMender نیز استفاده می‌کند؛ چارچوبی که برای خودکارسازی فرایند پیدا کردن، بررسی و اصلاح آسیب‌پذیری‌های نرم‌افزاری طراحی شده است. گوگل می‌گوید این ترکیب می‌تواند به مدافعان اجازه دهد وصله‌های آماده استقرار را بسیار سریع‌تر تولید کنند.

در همین راستا، مدل‌های جمینای ۳.۸ با سازوکارهای حفاظتی برای جلوگیری از سوءاستفاده در حوزه‌های شیمیایی، زیستی، رادیولوژیکی، هسته‌ای و حملات سایبری مخرب عرضه شده‌اند. گوگل همچنین از بهبود مقاومت مدل‌ها در برابر Prompt Injection خبر داده است؛ مسئله‌ای که برای سیستم‌های ایجنت‌محور اهمیت ویژه‌ای دارد، زیرا این مدل‌ها برخلاف چت‌بات‌های ساده می‌توانند با ابزارها و محیط‌های خارجی تعامل داشته باشند.

یک تغییر مهم در استراتژی مدل‌های Flash

معرفی جمینای ۳.۸ فلش را نمی‌توان صرفاً یک به‌روزرسانی دیگر در خانواده Gemini دانست. گوگل در این نسل بیش از گذشته روی این ایده سرمایه‌گذاری کرده که مدل کوچک‌تر و ارزان‌تر، اگر بتواند از ابزارها به‌درستی استفاده کند و زمان بیشتری برای حل مسئله صرف کند، می‌تواند در بسیاری از کارهای حرفه‌ای با مدل‌های بسیار بزرگ‌تر رقابت کند.

این رویکرد به‌خصوص برای بازار ایجنت‌های هوش مصنوعی اهمیت دارد. در یک چت معمولی، افزایش چند برابری هزینه پردازش ممکن است قابل قبول باشد؛ اما وقتی مدل قرار است در طول روز هزاران وظیفه را به‌صورت خودکار انجام دهد، هزینه هر عملیات به یکی از مهم‌ترین عوامل تصمیم‌گیری تبدیل می‌شود.

جمینای ۳.۸ فلش دقیقاً در چنین نقطه‌ای قرار گرفته است: مدلی سریع و نسبتاً ارزان که تلاش می‌کند با استفاده بیشتر از استدلال، ابزارها و چرخه‌های بازبینی، عملکرد خود را به مدل‌های Frontier نزدیک کند. البته خود گوگل نیز تأکید دارد که برای کارهایی که اولویت اصلی در آن‌ها کمینه‌کردن مصرف منابع است، می‌توان سطح تلاش مدل را کاهش داد یا همچنان از جمینای ۳.۷ فلش استفاده کرد.

در حال حاضر، جمینای ۳.۸ فلش برای توسعه‌دهندگان از طریق Gemini API و Google AI Studio در دسترس است و کاربران سازمانی نیز می‌توانند از آن در Gemini Enterprise استفاده کنند. کاربران عادی دارای اشتراک Google AI Pro و Ultra نیز به این مدل در اپلیکیشن Gemini، حالت AI در جست‌وجوی گوگل و Gemini در Google Sheets دسترسی دارند. نسخه Cyber اما همچنان تحت برنامه Fairwind و برای کاربران تأییدشده ارائه می‌شود.

جمع‌بندی : 

معرفی مدل‌های Gemini 3.8 Flash و Gemini 3.8 Flash Cyber توسط گوگل نشان‌دهنده بلوغ نسل جدید مدل‌های سبک اما فوق‌العاده هوشمند است. تمرکز بر استدلال ایجنتی، ثبات قیمت ورودی و ارتقای چشمگیر در حوزه دفاع سایبری و ترمیم باگ‌ها، این مدل‌ها را به یکی از کاربردی‌ترین ابزارها برای توسعه‌دهندگان و متخصصان امنیت تبدیل کرده است. این گام گوگل نشان می‌دهد که آینده رقابت هوش مصنوعی تنها در اندازه مدل‌ها نیست، بلکه در کارایی عملیاتی و مقرون‌به‌صرفه بودن آن‌هاست.

———————————————————————————

• نکات کلیدی:

• رونمایی هم‌زمان از مدل‌های Gemini 3.8 Flash و Gemini 3.8 Flash Cyber توسط گوگل.

• تمرکز ویژه بر استدلال ایجنت‌محور چندمرحله‌ای و حل خودکار مسائل پیچیده مهندسی نرم‌افزار.

• تثبیت قیمت اسمی API در ۰.۷۵ دلار ورودی و ۳.۷۵ دلار خروجی به ازای هر میلیون توکن تا پایان ۲۰۲۶.

• دستیابی Gemini 3.8 Flash Cyber به امتیاز ۸۶.۲٪ در بنچمارک دفاع سایبری CyberGym.

• امکان کشف سریع آسیب‌پذیری‌ها و تولید وصله‌های امنیتی قابل‌کامپایل در زیرساخت‌های واقعی مانند مرورگر Chrome.

• محدودسازی دسترسی نسخه سایبری تحت برنامه Fairwind برای دولت‌ها و اپراتورهای زیرساخت حیاتی.

• نکات تکمیلی:

• امکان شخصی‌سازی هزینه و زمان پردازش توسط توسعه‌دهندگان از طریق قابلیت تعیین Effort Level.

• کاهش زمان کشف آسیب‌پذیری‌های ریشه‌ای در زیرساخت‌های ابری گوگل از چند ماه به کمتر از دو ساعت.

• افزایش نرخ موفقیت مدل سایبری به ۷۱٪ در بررسی کدهای نوشته‌شده به ۲۰ زبان برنامه‌نویسی مختلف.

• نتیجه گیری:

عرضه جمینای ۳.۸ فلش و نسخه سایبری آن گامی کلیدی در راستای کاربردی‌سازی هوش مصنوعی ایجنتی با هزینه‌های مقرون‌به‌صرفه است. گوگل با ارائه ابزار خودکار کشف و ترمیم آسیب‌پذیری‌ها تحت کنترل‌های امنیتی دقیق، استانداردی جدید در توسعه نرم‌افزار ایمن و پردازش‌های هوشمند سازمانی تعریف کرده است.

• پرسش‌های تحقیقاتی بیشتر:

• محدودسازی دسترسی به Gemini 3.8 Flash Cyber تحت برنامه Fairwind تا چه حد می‌تواند مانع از مهندسی معکوس و سوءاستفاده مهاجمان سایبری شود؟

• اتکای روزافزون توسعه‌دهندگان به مدل‌های ایجنتی برای نوشتن و ترمیم خودکار کدها، چه نقشی در تغییر پروتکل‌های تست ایمنی نرم‌افزار در سازمان‌های بزرگ خواهد داشت؟

• افزایش دوبرابری قیمت API این مدل از ابتدای سال ۲۰۲۷ چه تأثیری بر استراتژی مالی استارتاپ‌های متکی بر ایجنت‌های هوشمند خواهد گذاشت؟

• رقابت میان مدل‌های سبک و کم‌هزینه (مانند Flash) با مدل‌های غول‌پیکر Frontier، آینده اقتصاد هوش مصنوعی را به کدام سمت سوق می‌دهد؟

• سخن پایانی نویسنده :

به عنوان یک فعال و پژوهشگر حوزه فناوری در ایران، دیدن سرعت خیره‌کننده به‌روزرسانی مدل‌های سبک مانند Gemini 3.8 Flash هم الهام‌بخش است و هم یادآور اهمیت زیرساخت‌های ایمن. در کشوری که بسیاری از کسب‌وکارهای نوپا و توسعه‌دهندگان مستقل با محدودیت‌های مالی و عدم دسترسی آسان به APIهای بین‌المللی مواجه هستند، وجود مدل‌های مقرون‌به‌صرفه و ایجنت‌محور می‌تواند یک فرصت طلایی برای توسعه سریع پروژه‌ها باشد. از طرف دیگر، معرفی Gemini 3.8 Flash Cyber نشان می‌دهد که امنیت زیرساخت‌ها و وب‌سایت‌های ایرانی دیگر تنها با روش‌های سنتی قابل دفاع نیست و متخصصان امنیت داخلی باید هرچه سریع‌تر خود را به ابزارها و دانش دفاع سایبری مبتنی بر هوش مصنوعی مجهز کنند تا در برابر تهدیدات خودکار نسل جدید آسیب‌پذیر نمانند.

منبع : Google Blog — Gemini 3.8 Flash و 3.8 Flash Cyber

منبع : Google DeepMind — Gemini 3.8 Flash

منبع : Model Card رسمی Gemini 3.8 Flash — Google DeepMind

منبع : معرفی رسمی Fairwind — Google

 

در مجله سایبرلایف بخوانید