Gemini 3.6 Flash · 官方来源 · 厂商自报
Google DeepMind 模型卡给出 Gemini 3.6 Flash 的 1M 输入、64K 输出和多模态输入基线，并显示长上下文 GDM-MRCR 仅 54.0%。
模型卡给出 Gemini 3.6 Flash 的可复核版本基线：1M 输入、64K 输出、原生文本/图片/音频/视频输入；它在 OSWorld-Verified、CharXiv 和 128K GDM-MRCR 具备优势，但 SWE-Bench Pro、DeepSWE 和 GDPval 仍明显受任务类型与对手影响，并且 1M 长上下文的 GDM-MRCR 仅为 54.0%。
适合的任务：多模态文件理解、计算机使用、长文档检索、图表综合和中等复杂度的代码/Agent 循环。
不适合的任务：认为 1M context 等于 1M 长度下稳定高召回、无监督运行高风险工具，或把官方 benchmark 横表视为同一 harness 的公平竞赛。
适用的模型版本：Gemini 3.6 Flash，模型卡发布 July 2026。
适用的客户端、Agent 或 API：Gemini API、Google AI Studio 和模型卡所描述的 Agent 工具路径。
推荐的推理档位和参数：模型卡未公开完整 temperature/prompt 配置；思考配置应回到官方 Gemini 3 开发者指南核对。
模型卡说明评估覆盖 reasoning、coding、agentic、multimodal 和 long-context，并将结果与 Gemini 3.5 Flash、Gemini 3.1 Pro、GPT-5.6 Luna、Grok 4.5 和 Claude Sonnet 5 并列展示；具体方法链接指向 DeepMind 的 evals methodology 页面。
输入：文本、图片、音频、视频；context window up to 1M。
输出：文本，最大 64K tokens。
价格（模型卡表格）：输入 $1.50/1M，输出 $7.50/1M，无缓存输入价格。
模型依赖：基于 Gemini 3.5 Flash；knowledge cutoff 为 2026 年 3 月。
工具/任务：表格包含 Terminal-bench 的 Terminus-2 harness、OSWorld-Verified computer use、GDM-MRCR 长上下文等不同类型设置。
| 基准 | Gemini 3.6 Flash | Gemini 3.5 Flash | 观察 |
|---|---|---|---|
| SWE-Bench Pro | 58.7% | 55.1% | 有提升，但低于表中 GPT-5.6 Luna 62.7%、Grok 4.5 64.7%、Claude Sonnet 5 63.2% |
| DeepSWE v1.1 | 49% | 37% | 长程软件工程提升明显 |
| Terminal-Bench 2.1 | 78.0% | 76.2% | 使用 Terminus-2 harness |
| MLE-Bench | 63.9% | 49.7% | 机器学习工程提升 |
| GDPval-AA v2 | 1421 | 1349 | 知识工作 Elo |
| OSWorld-Verified | 83.0% | 78.4% | 表中 Gemini 3.6 Flash 最高 |
| CharXiv（无工具） | 85.2% | 84.2% | 图表推理 |
| CharXiv（有工具） | 89.4% | 84.9% | 工具版更高 |
| GDM-MRCR v2（128K） | 91.8% | 77.3% | 长上下文提升 |
| GDM-MRCR v2（1M pointwise） | 54.0% | 26.6% | 1M 长度下显著低于 128K |
模型卡把“擅长 Agent 与多模态”拆成了具体边界：OSWorld、CharXiv 和 128K 检索表现强，SWE/DeepSWE 处在有竞争力但非全面领先的位置；1M 宣传容量不能替代在真实长度上的 recall 回归。生产路由可优先给它文档、图表、视频和 computer-use 子任务，并为高难代码保留升级路径。
表中各 benchmark 的 harness、工具、重复次数和评分方法不完全相同，不能做简单横向平均。
模型卡结果是 Google 发布的评测结果；尚未说明独立第三方复现。
模型卡说明可能随模型改进而更新，且知识截止日期会造成时效性差异。
已知限制包括 hallucination、偶发 slowness/timeout、知识截止和安全策略误拒；高风险任务需要人工审查。
记录模型卡版本、发布日期、knowledge cutoff 和完整表格；将 128K 与 1M GDM-MRCR 分开。
在相同模型 ID 和 API 版本中准备 128K、300K、600K、接近 1M 的检索集，计算 needle recall、引用准确率、延迟和成本。
用同一工具 schema 运行 SWE/Agent、OSWorld 风格和多模态文档任务，记录完整轨迹与失败原因。
对所有官方数字标注“官方结果”，直到独立 harness 复现后再升级证据等级。
模型卡明确列出 “1M (pointwise) 54.0%” 与 128K 91.8% 两个长上下文读数；宣传 context window 时必须同时展示这两个边界。
本文中的数字、任务集、推理档位和客户端条件只在所列来源及采集时点内成立。不同版本、不同 harness 或不同提供商的数据不能直接并排比较；未公开的参数保持未知。
需要复测时，请固定模型版本、提供商或客户端、推理档位、工具、任务集版本、样本数和采集日期，并记录失败、重试与人工修正。完整方法和复现步骤见下方来源笔记。
Google DeepMind · Google DeepMind · 原文发布日期 2026-07-21 · 本站编辑日期 2026-09-20
打开原始来源Gemini 3.6 Flash
下载 Tabbit 客户端后检查模型可用性
