AiHariIni.id - Google resmi merilis dua model AI baru dalam jajaran Gemini Flash, yakni Gemini 3.6 Flash dan Gemini 3.5 Flash-Lite, yang dirancang untuk memangkas biaya dan mempercepat respons AI agent di lingkungan bisnis. Pembaruan ini menyasar kebutuhan yang selama ini jadi tantangan tersembunyi di balik penerapan AI agent skala besar: setiap token tambahan yang dihasilkan model saat bernalar berarti tambahan biaya dan waktu tunggu, apalagi jika proses tersebut berjalan ribuan kali dalam satu jam.
Kenapa Efisiensi Token Jadi Perhatian Utama?
Selama ini, kemampuan model AI kerap dinilai semata dari seberapa besar parameternya atau seberapa pintar ia bernalar. Namun bagi tim yang membangun AI agent untuk berjalan otomatis di balik layar — bukan sekadar chatbot yang menunggu perintah manusia — kecepatan proses dan efisiensi biaya justru menjadi prioritas yang lebih menentukan dibanding sekadar ukuran model.
Untuk menjawab kebutuhan itu, Google membagi tiga model barunya berdasarkan fungsi spesifik: Gemini 3.6 Flash untuk tugas coding dan penalaran multimodal, Gemini 3.5 Flash-Lite untuk pekerjaan volume tinggi dengan latensi rendah, serta varian terbatas Gemini 3.5 Flash Cyber yang dikhususkan untuk perbaikan celah keamanan siber.
Gemini 3.6 Flash: Lebih Sedikit Token, Performa Lebih Tinggi
Dokumentasi resmi Google untuk Gemini 3.6 Flash menonjolkan satu angka utama: model ini menghasilkan 17 persen lebih sedikit token output dibanding versi 3.5 Flash sebelumnya, berdasarkan pengukuran Artificial Analysis Index. Pada sejumlah pengujian sintetis tertentu, termasuk benchmark Datacurve DeepSWE, penurunan penggunaan token bahkan tercatat mencapai 65 persen.
Dari sisi harga, model ini dibanderol 1,50 dolar AS per satu juta token input dan 7,50 dolar AS per satu juta token output — menempatkannya untuk kebutuhan proses penalaran yang berjalan terus-menerus, bukan sekadar dipakai sesekali.
Soal performa, Google mengklaim beberapa peningkatan signifikan:
- Pada benchmark DeepSWE, tingkat keberhasilan Gemini 3.6 Flash tercatat 49 persen, naik dari 37 persen pada model sebelumnya.
- Pada MLE Bench, skor meningkat dari 49,7 persen menjadi 63,9 persen.
- Pada GDPval-AA v2, pengujian yang dirancang mengukur kemampuan kerja nyata alih-alih sekadar soal coding, skornya naik dari 1.349 menjadi 1.421.
Sudah Dipakai Figma, Harvey, dan Hebbia
Perusahaan desain Figma disebut telah mengintegrasikan Gemini 3.6 Flash ke infrastruktur prototyping mereka. Menurut Direktur Product Engineering Figma, Matt Colyer, model ini mempercepat proses iterasi desain bagi developer tanpa mengorbankan kualitas hasil akhir.
Sementara itu, platform teknologi hukum Harvey dan alat riset Hebbia memanfaatkan model ini untuk memproses dokumen multimodal — mulai dari membaca berkas keuangan mentah, memahami struktur dokumen, menginterpretasi grafik yang tertanam di dalamnya, hingga menyusun draf laporan yang siap ditinjau manusia.
Google turut menanamkan tool computer-use langsung ke Gemini API dan platform Gemini Enterprise, sehingga developer tidak perlu lagi membangun software perantara khusus agar model bisa mengoperasikan sistem operasi secara langsung. Skor OSWorld-Verified milik model ini pun naik dari 78,4 persen menjadi 83,0 persen, disertai klaim peningkatan perlindungan terhadap potensi penyalahgunaan senjata kimia, biologi, radiologi, dan nuklir tanpa menambah tingkat penolakan pada permintaan yang wajar.
Gemini 3.5 Flash-Lite: Andalan untuk Tugas Volume Tinggi
Berbeda dari 3.6 Flash yang fokus pada kedalaman penalaran, Gemini 3.5 Flash-Lite menyasar kebutuhan pemrosesan dokumen dan pencarian berbasis agent dalam volume besar. Artificial Analysis Index mencatat kecepatan model ini mencapai 350 token output per detik — yang menurut Google merupakan yang tercepat di seluruh jajaran model 3.5.
Harganya jauh lebih murah, yakni 0,3 dolar AS per satu juta token input dan 2,5 dolar AS per satu juta token output, sehingga tim engineering bisa mengarahkan permintaan sederhana bervolume tinggi ke tingkat penalaran minimal, sambil menyimpan kapasitas penalaran lebih tinggi untuk tugas multi-langkah yang lebih kompleks.
Pada pengujian GDM-MRCR v2 untuk konteks panjang, Gemini 3.5 Flash-Lite mencatat tingkat keberhasilan 72,2 persen, naik dari 60,1 persen pada model sebelumnya. Skor GDPval-AA v2-nya bahkan hampir dua kali lipat, dari 642 menjadi 1.140. Model ini turut dibekali tool computer-use bawaan yang sama seperti Gemini 3.6 Flash.
Google turut mengungkap bahwa Gemini 3.5 Pro masih dalam tahap pengujian bersama mitra sebelum resmi dirilis, sementara proses pre-training untuk arsitektur Gemini 4 dikabarkan sudah berjalan.
Gemini 3.5 Flash Cyber: Model Terbatas untuk Tambal Celah Keamanan
Di tengah maraknya alat pemindai kerentanan otomatis yang kini bisa menemukan celah keamanan lebih cepat dibanding kecepatan tim keamanan menambalnya, Google menghadirkan Gemini 3.5 Flash Cyber sebagai jawaban atas kesenjangan tersebut. Model ini dirancang khusus untuk memvalidasi dan memperbaiki kerentanan kode, dengan performa pada benchmark CyberGym yang diklaim setara model-model kelas atas — meski Google belum merilis detail angkanya secara terbuka seperti model konsumen lainnya.
Distribusi model ini sengaja dibatasi hanya untuk pemerintah dan mitra terverifikasi lewat program percontohan, sebagai langkah pengamanan agar model tidak disalahgunakan untuk menghasilkan kode eksploitasi. Di dalam sistem keamanan CodeMender milik Google, beberapa instance Gemini 3.5 Flash Cyber dijalankan secara paralel untuk saling memeriksa temuan satu sama lain, sebelum akhirnya menghasilkan satu laporan perbaikan yang tetap harus disetujui peninjau manusia.
Cara Mengakses Model-Model Baru Ini
Tim engineering yang ingin mengintegrasikan model-model ini bisa mengaksesnya lewat Gemini API melalui Google AI Studio, Android Studio, maupun Gemini Enterprise Agent Platform. Bagi pengguna umum, Gemini 3.6 Flash dan 3.5 Flash-Lite juga sudah bisa dicoba langsung lewat aplikasi Gemini, dengan 3.5 Flash-Lite turut mulai digulirkan ke fitur Google Search.
Peluncuran ini menegaskan arah strategi Google saat ini: alih-alih hanya mengejar model dengan kemampuan penalaran paling canggih, perusahaan juga menaruh perhatian besar pada efisiensi biaya dan kecepatan — dua faktor yang semakin krusial seiring makin banyak perusahaan mengandalkan AI agent untuk berjalan otomatis dalam skala besar di lingkungan produksi mereka.
