Gemini 3.6 Flash：Google DeepMind 模型卡的基准、输入能力与限制

一句话结论

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%。

适用场景

• 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。

测试环境

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/配置

• 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。

结果数据

结论

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。

局限

• 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。

复现步骤

1. 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。

2. 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。

3. 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。

4. 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。

来源摘录或观察（仅做合规短引）

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。