Google 昨天一口气发了三款新模型，主菜是 Gemini 3.6 Flash。官方说它更省 Token、编程更强、价格还降了。跑分也确实涨了，编程基准提升超过三成。但 X 上的用户反馈就没这么客气了，智能水平原地踏步，中文选词一塌糊涂，性价比还不如竞品。这事有意思，值得拆开看看。
产品概述
Gemini 3.6 Flash 是 Google DeepMind 于 2026 年 7 月 21 日发布的主力模型，模型 ID 为 gemini-3.6-flash。它的定位很明确：不是一个”考高分”的旗舰，而是一个”能扛活”的生产力工具。用 Google 自己的话说，这是一匹为 Agent 工作流打磨的”主力工作马”。
它和上一代 3.5 Flash 的关系不是颠覆，而是优化，同样是 100 万 token 上下文窗口和 6.5 万 token 输出上限，同样的多模态输入（文本、图片、视频、音频、PDF），但输出 Token 消耗减少了 17%，在复杂 Agent 任务中甚至能砍掉 65% 的 Token。
跟这次一同发布的还有两款：Gemini 3.5 Flash-Lite（主打高吞吐低延迟，每秒 350 token，每百万输入 $0.3）和 Gemini 3.5 Flash Cyber（网络安全专用，仅向政府和特定合作伙伴开放）。但真正的主角，是这个降了价、提了效的 Flash。
官网：https://deepmind.google/technologies/gemini/ | API 文档：https://ai.google.dev/gemini-api/docs/models/gemini-3.6-flash
核心功能实测
前面说了这东西是为 Agent 打工的，那具体有哪些能拿得出手的本事？
编程与 Agent 执行：这次真的进步了
Gemini 3.5 Flash 最大的槽点就是代码生成不如预期。Google 这次显然在这块下了狠手。在 Agent 编程基准 DeepSWE 上，3.6 Flash 从 3.5 Flash 的 37% 提升到 49%，涨幅超过 30%。机器学习的 MLE-Bench 也从 49.7% 涨到 63.9%。
更实际的变化在”少做无用功”。3.6 Flash 在执行代码任务时减少了不必要的推理步骤和工具调用循环。Google 的测试数据显示，在同一任务中，3.6 Flash 比 3.5 Flash 少用了 55.8% 的 Token，任务评分反而从 85 分提升到了 100 分。对需要反复调用模型的 Agent 应用来说，这意味着每次任务的真实成本大幅下降。
多模态与空间推理：看得更懂了
官方着重强调了图表解读、视觉蓝图转换和多元素网页布局生成能力的提升。3.6 Flash 支持文本、图片、视频、音频和 PDF 五种输入格式，覆盖面在同类模型中属于第一梯队。Computer Use（计算机操作）功能也从实验性功能变成了内置工具，在 OSWorld-Verified 测试中得分从 78.4% 提升到 83%。
GDPval-AA v2（知识工作基准）得分从 1349 涨到 1421。法律 AI 公司 Harvey AI 实测后反馈：在资本市场和企业并购等实务场景中，3.6 Flash 的文件起草与审查表现明显优于 3.5 Flash，平均任务完成速度提升 12%。
安全机制加码
3.6 Flash 强化了对 CBRN（化学、生物、放射性、核安全）和网络攻击的防护，抵御越狱攻击的能力显著增强，同时减少了正常请求的误拒绝率。这对企业级部署是个加分项。
| 基准测试 | Gemini 3.6 Flash | Gemini 3.5 Flash | 提升幅度 |
|---|---|---|---|
| DeepSWE v1.1 | 49% | 37% | +32.4% |
| MLE-Bench | 63.9% | 49.7% | +28.6% |
| OSWorld-Verified | 83.0% | 78.4% | +5.9% |
| GDPval-AA v2 | 1421 | 1349 | +5.3% |
实际跑一遍
跑分数据看完了，但纸面参数和真实体验之间通常隔着一个”坑”。
打开 Google AI Studio，在模型选择下拉框里已经能看到 gemini-3.6-flash。切换过去后，界面跟 3.5 Flash 几乎一样，学习成本为零。先用一个编程任务试试：让它写一个 Three.js 的交互式 3D 机器人。响应速度比 3.5 Flash 略快，首次 token 大约 2.4 秒，生成速度约 170 token/秒，排在所有模型第四快。
接着试了个多模态任务：上传一张 UI 设计稿截图，让它分析布局并给出改进建议。图像识别很准，从色彩对比度到间距对齐都说到了点子上。还自动生成了一个改进版的 HTML/CSS 代码，可以直接粘贴到浏览器预览。
但槽点也有。让它生成中英文混合的技术文档时，中文选词偶尔很离谱，会把”上下文窗口”写成”情境视窗”，把”推理”翻译成”推论”。问它 2025 年的行业事件，官方标注知识截止 2026 年 3 月，但有些明显该知道的事居然答不上来。这些细节对中文用户来说不太友好。
这样用效率翻倍
基础操作不难，但真正用好它还需要几个技巧。很多人不知道还有这些进阶用法：
-
思维级别调参：3.6 Flash 默认使用 medium 思考级别，处理简单分类或抽取任务时切换到 minimal 或 low，能在几乎不损失准确率的情况下把延迟和 Token 消耗再压一截。实测文档分类任务中，minimal 模式的 Token 消耗比 medium 少 40%。 -
上下文缓存的真正威力：API 支持 prompt caching，缓存后的输入 Token 只需 $0.15/百万，是标准输入价的十分之一。对于反复使用同一系统提示词或知识库的场景，设好缓存后每次请求成本能降低 60% 以上。 -
Computer Use 的前置校验：Computer Use 目前是 Preview 状态，直接用它操控生产环境 UI 有风险。推荐先在沙箱环境跑一遍任务流程，确认每一步的截图和操作日志都正常，再切到真实环境。多花 5 分钟校验，能省下几小时的排错时间。 -
Batch 模式的隐性红利：批量处理任务（如夜间跑数据标注、文档分类）直接用 Batch API，输入 $0.75、输出 $3.75，价格是对折。对于日均万次请求的 Agent 系统，一个月能省上千美元。
赛道对比
自己会省 Token 还不够，跟同级别的对手放一起比比才知道。
当前同赛道的效率型模型主要有四个：OpenAI 的 GPT-5.6 Luna（7 月 9 日发布）、Anthropic 的 Claude Sonnet 5（6 月 30 日发布）、月之暗面的开源模型 Kimi K3（7 月 17 日发布）和智谱的 GLM-5.2（6 月 17 日发布）。各有各的打法。
| 对比维度 | Gemini 3.6 Flash | GPT-5.6 Luna | Claude Sonnet 5 | Kimi K3 |
|---|---|---|---|---|
| 定位 | Agent 主力模型 | 高效低成本 | 日常编码/办公 | 开源旗舰 |
| 输入价格（$/百万 Token） | 1.50 | 1.00 | 3.00（标准价） | 3.00 |
| 输出价格（$/百万 Token） | 7.50 | 6.00 | 15.00（标准价） | 15.00 |
| 上下文窗口 | 100 万 Token | 未公开 | 未公开 | 100 万 Token |
| 多模态输入 | 图文音视 PDF | 图文 | 图文 | 图文 |
| 开源 | 否 | 否 | 否 | 是（MIT） |
| Computer Use | 内置（Preview） | 无 | 无 | 无 |
价格上 Gemini 3.6 Flash 卡在 GPT-5.6 Luna 和 Claude Sonnet 5 之间。但 Artificial Analysis 的综合评测显示，3.6 Flash 的智能指数和 3.5 Flash 几乎一模一样，而 GPT-5.6 Luna 作为更新一代的模型，在同等甚至更低价格下提供了更强的推理能力。这才是用户吐槽的核心：如果只是为了省钱，有更便宜的选择；如果为了更强的能力，Luna 和 Sonnet 5 都明显更强。
用户反馈
跑到 X 上刷了一圈，用户的评价比参数表精彩得多。
正面声音主要来自企业开发者。Harvey AI 的法务团队说文档审查快了 12%，金融平台 Hebbia 夸它在长文档分析和报告撰写上表现稳定。确实有部分用户认可”更少 Token + 更低价格”这个组合拳，认为在批量处理场景下实打实省了钱。
但差评的比例出乎意料地高。X 用户 Balder 直接开了地图炮，说三个新模型全比 3.5 Flash 差，问题包括基础解码出错、中文选词离谱、图片视频质量下降、工具调用混乱。Artificial Analysis 的评测也证实了用户的感觉：3.6 Flash 的智能水平与 3.5 Flash 持平，在全部 155 个排名模型中排第 15，比 Meta Spark 1.1、GLM-5.2、Grok 4.5 都低。
性价比方面更尴尬。网友 Angel 算了一笔账：3.6 Flash 用起来比 GPT-5.6 Luna 贵，但能力反而更差。对于 Flash 系列以”性价比”立身的定位，这是个没法洗的黑点。Conor Dart 用 Google 自家的 Antigravity 跑 AI 游戏生成测试后直言：木头纹理变差了，大理石没变化，这又是一次翻车。
多维评分
口碑这么两极，那用专业维度给它打个分。
| 维度 | 评分 | 一句话解读 |
|---|---|---|
| 功能完整性 | ⭐⭐⭐⭐☆ | 多模态全面，Computer Use 内置，缺图/音生成 |
| 易用性 | ⭐⭐⭐⭐☆ | API 迁移简单，AI Studio 无缝切换 |
| 性价比 | ⭐⭐⭐☆☆ | 比 3.5 Flash 便宜，但被 GPT-5.6 Luna 压着打 |
| 创新性 | ⭐⭐⭐☆☆ | 效率优化而非架构突破，无重大新能力 |
| 稳定性 | ⭐⭐⭐☆☆ | 中文和工具调用有随机性问题 |
| 推荐度 | ⭐⭐⭐☆☆ | Agent 场景可试，复杂推理建议看竞品 |
| 综合评分：6.7 / 10 |
好的坏的都说清楚
优势
-
Agent 场景效率显著提升：输出 Token 减少 17%-65%，同样任务成本大幅下降 -
编程能力实打实进步：DeepSWE 涨 32%，MLE-Bench 涨 29%，代码质量更接近生产标准 -
降价的真实诚意：输出 $9 降到 $7.5，Batch 模式对折，上下文缓存 $0.15 极具竞争力 -
多模态覆盖面广：支持五种输入格式，Computer Use 直接内置
不足
-
智能水平原地踏步：与 3.5 Flash 在 Artificial Analysis 上得分相同，用户感受不到”变聪明” -
性价比被竞品反超：GPT-5.6 Luna 更便宜且更聪明，Flash 系列的性价比人设受到挑战 -
中文支持拉胯：选词错误、翻译生硬、知识库空白，对中文用户不够友好
对号入座指南
优缺点都摆在这了，那到底谁适合用？
-
Agent 应用开发者：如果你在构建需要反复调用模型的 Agent 系统，3.6 Flash 的 Token 效率提升和 Computer Use 内置功能是实打实的价值。同样的任务更少步骤、更低成本，直接反映在账单上。 -
多模态处理团队：需要同时处理文本、图片、视频、音频和 PDF 的场景，3.6 Flash 的覆盖面在同等价位中是最广的。尤其是图表解读和视觉蓝图转换，比上一代有明显进步。 -
已有 Gemini 生态的用户：如果你已经在用 3.5 Flash 的 API，迁移到 3.6 Flash 几乎零成本，改个模型 ID 就行。价格更低、效果不降，没有不换的理由。 -
不太适合的人群：如果你需要的是最强的单次推理能力，做复杂数学证明、科研分析、高难度编码、或者对中文输出质量有极高要求，3.6 Flash 不是你的菜。GPT-5.6 Sol 或 Claude Sonnet 5 会更合适。
定价方案
找到适合你的场景了？来看看钱包撑不撑得住。
Gemini 3.6 Flash 的定价分四个消费模式（截至 2026 年 7 月）：
| 消费模式 | 输入（$/百万 Token） | 输出（$/百万 Token） | 说明 |
|---|---|---|---|
| 标准（Standard） | 1.50 | 7.50 | 默认模式，适合实时请求 |
| 批量（Batch） | 0.75 | 3.75 | 对折，适合离线大批量任务 |
| 弹性（Flex） | 0.75 | 3.75 | 同为半价，非实时场景可用 |
| 优先（Priority） | 2.70 | 13.50 | 1.8 倍溢价，保证低延迟 |
| 免费版 | 免费 | 免费 | Google 用你的内容改进产品 |
上下文缓存价格额外 $0.15/百万 Token，这是多数团队低估的省钱杠杆。如果你在构建一个客服 Agent，每次请求都要带上相同的产品知识库作为上下文，设好缓存后输入成本能从 $1.5 降到 $0.15，月成本能砍掉一个数量级。Pro 提示：Batch 和 Flex 价格一样，区别是 Batch 通常在数小时内完成，Flex 在数分钟内，按紧急程度选。
你可能还想问
分数和价格都在这了，有些细节你可能还拿不准。
Q1：Gemini 3.6 Flash 和 3.5 Flash 比，到底聪明了多少？
A1：跑分涨了，但”聪明程度”基本没变。 Artificial Analysis 评测显示两个版本的智能指数相同。进步主要体现在效率上——同样聪明的模型，用更少的 Token 完成任务。
Q2：跟 GPT-5.6 Luna 比，选哪个？
A2：看场景。如果预算优先，Luna 更便宜（$1/$6 vs $1.5/$7.5）且智能水平更高。 但如果你的应用需要多模态输入（视频、音频）或 Computer Use，3.6 Flash 是唯一选择。
Q3：免费版有什么坑？
A3：Google 会用你的输入内容来改进产品。 如果是商业数据或敏感信息，绝对不要用免费版。建议至少走标准付费 API，数据不会被用于训练。
Q4：Computer Use 能直接用吗？
A4：能用，但带着 Preview 标签。 意味着功能还不够稳定，Google 不建议直接用于生产环境 UI 自动化。先在沙箱环境测试验证，再考虑上线。
Q5：中文支持怎么样？
A5：不太好。 从 X 上的中文用户反馈和实测来看，中文选词、翻译和知识覆盖面都存在明显短板。如果主要使用场景是中文内容，建议先实际测试再决定。
Q6：支持图片和视频生成吗？
A6：不支持。 3.6 Flash 只能接收多模态输入，输出只有文本。图片生成和视频生成需要其他专用模型，音频生成和 Live API 也不支持。
Q7：从 3.5 Flash 迁移过来要改多少代码？
A7：基本不用改。 换个模型 ID（gemini-3.5-flash 改成 gemini-3.6-flash），去掉已废弃的采样参数，去掉 prefilled model turns 即可。Google 还提供了自动化迁移工具。
Q8：上下文窗口真的是 100 万 Token 吗？
A8：是，输入 1,048,576 Token，输出上限 65,536 Token。 这个窗口大小在同类模型中属于最大级别，适合一次处理几千页的技术文档或整个代码库。
Q9：批量处理（Batch API）有什么限制？
A9：半价，但不保证实时。 Batch 任务通常在几小时内完成，适合夜间批处理、数据标注、离线分析等非实时场景。不适合需要即时响应的用户交互。
Q10：3.6 Flash 适合生产环境吗？
A10：适合，它是 GA（Generally Available）状态。 Google 明确标注 3.6 Flash 为生产可用，企业级安全机制也到位。但复杂 Agent 场景建议在 staging 环境充分验证后再上线。
所以到底值不值得
Gemini 3.6 Flash 是一台效率机器，但它不是一个让人惊叹的模型。
它的进步是真实且可量化的：Token 少用了，价格降了，编程跑分涨了。对 Google 生态内的开发者来说，这是一次毫无痛感的升级。但如果你指望它像 GPT-5.6 或 Claude Sonnet 5 那样带来”哇，AI 又进化了”的感受，你会失望。
Google 这次的策略其实很清晰：在 3.5 Pro 难产、Gemini 4 还在预训练的窗口期，先用低价高效的 Flash 稳住开发者基本盘，不给 OpenAI 和 Anthropic 留空档。这个策略本身没毛病，但问题在于，对手不是原地等着的，GPT-5.6 Luna 比它便宜还比它聪明，Flash 系列引以为傲的性价比已经不再是独家优势了。
建议很直接：已经在用 Gemini 生态的，直接升，没坏处；纯看性价比选模型的，先试试 GPT-5.6 Luna 或等 3.5 Pro 发布后再做决定；需要中文高质量输出的，暂时不建议上主力。