Gemini 3.5 Flash：Google 官方后续发布中的效率与能力对照

一句话结论

Google 的后续发布把 Gemini 3.5 Flash 作为 3.6 Flash 的基线：3.6 在 DeepSWE、MLE Bench、OSWorld-Verified 和 GDPval-AA v2 上超过 3.5，但这些是官方对照，不能替代对 3.5 自身任务集的独立复测。

适用场景

• 适合的任务：了解 3.5 Flash 在 Google 后续版本中的基线位置，尤其是编码、电脑使用、知识工作和 Agent 成本效率的版本比较。

• 不适合的任务：把 3.6 对 3.5 的差值当作跨模型绝对排名，或忽略思考档位、工具和 harness。

• 适用的模型版本：Gemini 3.5 Flash（作为 3.6 Flash 的官方基线）。

• 适用的客户端、Agent 或 API：Google Gemini API/企业 Agent 场景；文章称 3.6 的 computer use 可作为 API 内置客户端工具，3.5 的具体接入限制需另查模型页。

• 推荐的推理档位和参数：原文未公开每项对照的完整 thinking level、采样参数或运行次数；无法核实的参数不应补写。

测试环境

• 对照：Gemini 3.6 Flash vs Gemini 3.5 Flash。

• 来源：Google 官方发布材料，引用 Artificial Analysis Index、Datacurve DeepSWE、MLE Bench、OSWorld-Verified、GDPval-AA v2。

• 环境细节：文章未公开全部测试输入、样本量、随机种子、工具 harness 或置信区间。

输入/配置

• 文章将 3.6 Flash 描述为基于 3.5 Flash 的反馈迭代版本，并强调更少 output tokens、更少 reasoning steps 和 tool calls。

• 3.6 Flash 公布价格为输入 $1.50/百万、输出 $7.50/百万；这是 3.6 价格，不应误记为 3.5 的当前价格。

• 3.5 Flash 的模型页规格另列为 1,048,576 输入 token、65,536 输出 token、支持思考、函数调用、代码执行、搜索 grounding 和预览版 computer use。

结果数据

结论

官方对照支持“3.6 相对 3.5 更高效且质量更好”的版本升级判断，尤其是在编码、ML 研究、电脑使用和知识工作上；但它只告诉我们 3.5 的相对基线，不足以判断 3.5 是否适合某个具体生产任务。

局限

• 所有数字来自 Google 官方发布，第三方链接被引用但页面没有给出完整原始实验记录。

• 不同 benchmark 的输入、工具、推理档位、运行次数和评分实现未在文章中完整公开。

• 3.5 与 3.6 的价格、模型 ID、上下文和工具可用性可能随时间或套餐改变；应以目标 API 的当前模型页为准。

• 3.6 的优势不能反向推导 3.5 与其他厂商模型的绝对排名。

复现步骤

1. 固定 gemini-3.5-flash 模型版本、thinking level、上下文、工具和输出上限。

2. 在同一代码仓库/电脑环境上运行 DeepSWE、MLE Bench、OSWorld 类任务，至少重复多次并记录成功率、token、工具调用和总耗时。

3. 用与 3.6 相同的 harness 复测，避免把版本升级和测试框架升级混在一起。

4. 将官方差值作为参考区间，另报告自己的置信区间、失败类型和成本。

来源摘录或观察（仅做合规短引）

Google 将 3.5 Flash 描述为 3.6 Flash 的直接反馈基线，并指出 3.6 “takes fewer reasoning steps and tool calls”。这能指导版本迁移评估，但不是 3.5 单独的端到端验收。