前言

Google 在 2026 年 9 月 2 日公開 Gemini 3.8 Flash。這次更新的重點，不只是把模型做得更快，而是把 Flash 定位成能長時間工作的工程型 Agent：可以持續規劃、呼叫工具、讀取大型上下文，並在多輪執行後交付結果。Google 官方發布公告

截至 2026 年 9 月 3 日，Gemini API 已將 gemini-3.8-flash 列為穩定版模型。它支援文字、圖片、影片、音訊與 PDF 輸入，最大輸入上下文為 1,048,576 tokens，最大文字輸出為 65,536 tokens。Gemini API 模型文件

這篇文章會從模型定位、規格、推理方式、Agent 工具鏈、價格與導入風險幾個角度，整理 Gemini 3.8 Flash 適合什麼工作，以及為什麼「Flash」不再只代表低延遲的聊天模型。

Gemini 3.8 Flash 是什麼？

Gemini 3.8 Flash 是 Gemini 3 系列的通用型模型，官方將它描述為目前最具智慧的 Flash workhorse model，主要面向長時間軟體工程、自治 Agent、企業工作流與複雜知識任務。模型卡則指出，3.8 Flash 建立在 Gemini 3.7 Flash 之上，並延續可調整的 effort level，讓開發者在品質、成本與延遲之間取捨。Gemini 3.8 Flash Model Card

這次發布還有另一個獨立變體 Gemini 3.8 Flash Cyber，專門提供漏洞發現與自動修補能力，透過 Fairwind Program 對受信任的防禦團隊開放。一般開發者在 Gemini API 使用的是 gemini-3.8-flash，不要把 Flash 與受限存取的 Flash Cyber 混為同一個公開 endpoint。

核心規格與能力

項目 Gemini 3.8 Flash
API model code gemini-3.8-flash
API 狀態 Stable
輸入 Text、Image、Video、Audio、PDF
最大輸入上下文 1,048,576 tokens（約 1M）
最大輸出 65,536 tokens（約 64K），包含 thinking tokens 的計費輸出
Thinking low、medium、high；不支援 minimal
工具與能力 Context caching、Code execution、Computer use（Preview）、File search、Function calling、Google Search/Maps grounding、Structured outputs、URL context
不支援 Audio generation、Image generation、Live API
批次與延遲選項 Batch API、Flex inference、Priority inference

這份清單來自 Google AI for Developers 的模型頁面；實際可用功能仍會受 API 版本、SDK 與使用環境影響，尤其是標示為 Preview 的 Computer Use。完整能力矩陣

3.8 Flash 的主要改變

1. 從單次回答轉向長時間工程任務

Google 的發布資料把 Gemini 3.8 Flash 的主要進步放在 DeepSWE v1.1 長時間軟體工程評測、Vals Finance Agent V2、Harvey Legal Agent Benchmark，以及 HLE-Verified 等工作型 benchmark。Google 表示，3.8 Flash 在 DeepSWE v1.1 上能端到端解決複雜工程問題，並在 HLE-Verified 得到 54.9%。官方 benchmark 說明

這些結果應該理解成「發布方在指定設定下的測試結果」，不能直接等同於每個團隊在真實程式碼庫都會得到 54.9% 的成功率。實際表現還會受到 repository 規模、測試品質、工具權限、上下文整理方式與 Agent harness 設計影響。Google 也在 Model Card 中另外提供評測方法入口，方便讀者查看 benchmark 的範圍與限制。Gemini 3.8 Flash 評測方法

2. 模型會「做更多事」，不只是回答更快

Google 將 3.8 Flash 的效果歸因於更長時間的 Agent loop：模型會執行額外的推理步驟、反覆呼叫工具，再根據結果修正方向。這種設計對 repository migration、跨檔案重構、需要執行測試的除錯，以及必須查資料後產出報告的任務特別有價值。

代價是 token 使用量可能上升。官方明確提醒，在較高 effort level 下，模型可能使用更多 tokens 以換取更好的表現；如果工作主要受限於成本或延遲，可以降低 effort level，或繼續使用 3.7 Flash 處理效率優先的任務。Google 對 reasoning 與 token 使用的說明

3. 多模態上下文與工具鏈形成同一個工作面

1M input context 的意義不只是「可以貼一篇更長的文章」，而是可以把程式碼、設計文件、PDF、錯誤日誌、執行結果與圖片放進同一個任務上下文，再由 Agent 決定是否需要搜尋、執行程式或呼叫外部函式。

因此，Gemini 3.8 Flash 比較適合被當成一個工作流中的推理核心，而不是獨立的聊天視窗。模型本身仍然不會自動取得你的資料庫或伺服器權限；你必須透過工具介面、權限邊界與執行沙盒，把它需要的能力明確暴露出來。

Agent 工作流可以怎麼設計？

一個可控的 Gemini 3.8 Flash Agent，應該把模型的推理與副作用分開：模型負責規劃與提出工具呼叫，工具執行器負責驗證參數、套用權限、執行動作，再把結果交回模型。

flowchart LR
    A["使用者任務"] --> B["Gemini 3.8 Flash"]
    B --> C["規劃與 thinking"]
    C --> D["Function / Search / Code 工具"]
    D --> E["執行結果與觀測資料"]
    E --> B
    B --> F["驗證後的最終輸出"]

基本 API 呼叫

官方目前的文字生成文件以 Google GenAI SDK 與 Interactions API 示範 thinking_level。下面的程式碼只展示最小呼叫，不包含 API key 管理與工具執行器：

1
2
3
4
5
6
7
8
9
10
11
12
13
from google import genai

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-3.8-flash",
    input="分析這個後端服務的資料流、錯誤處理與可觀測性風險。",
    generation_config={
        "thinking_level": "high",
    },
)

print(interaction.output_text)

thinking_level 應該依任務設定：簡單分類或格式轉換可以使用 low；需要跨檔案分析、規劃多步驟操作或審查設計時，才考慮 medium 或 high。目前模型頁面列出的可用值是 low、medium、high，傳入 minimal 會出錯。Thinking 設定文件

Function calling 不是自動授權

使用 Function calling 時，模型會產生函式名稱與參數，實際執行仍由應用程式負責。生產環境至少應加入以下控制：

  • 只允許明確登記的函式與參數型別。
  • 對寫入、刪除、付款、部署與權限變更要求人工核准。
  • 每次工具呼叫都設定 timeout、重試上限、冪等鍵與 audit log。
  • 將讀取工具和寫入工具分開授權，避免模型用同一組憑證完成整條副作用鏈。
  • 把工具輸出視為不可信資料，避免外部內容透過 prompt injection 改寫原始任務。

Google 的 Function calling 文件也將工具用途分成採取行動、補充知識與擴充模型能力三類；這表示 Agent 的可靠性不只取決於模型，也取決於工具契約與執行器設計。Function calling 官方文件

Computer Use 要額外做安全設計

Gemini 3.8 Flash 支援 Computer Use，但目前是 Preview。Google 文件指出，Gemini 3.5 Flash 以上的 Computer Use 可以啟用 prompt injection detection，檢查畫面中是否藏有「忽略前面指令」之類的惡意指示；這項防護是 opt-in，預設值為 false。Computer Use 安全設定

所以只要 Agent 能操作瀏覽器或桌面，就不應把「看得到畫面」當成「可以安全執行任何動作」。敏感操作仍應停在人工確認頁，並將瀏覽器工作區、檔案系統與網路出口限制在最小範圍。

價格與快取成本

以下是 Gemini Developer API 在 2026 年 9 月 3 日查到的 USD 價格。Google 將 3.8 Flash 的價格標成 introductory pricing，2027 年 1 月 1 日會調整：

用量模式 Input / 1M tokens Output / 1M tokens 適合場景
Standard（至 2026-12-31） $0.75 $3.75 即時互動、一般 Agent
Standard（2027-01-01 起） $1.50 $7.50 正式長期價格
Batch / Flex（至 2026-12-31） $0.375 $1.875 可非同步或可延遲工作
Priority（至 2026-12-31） $1.35 $6.75 需要較高服務優先權

輸出價格包含 thinking tokens，因此不能只用使用者看見的回答長度估算成本。Context caching 的 cached input 價格在 2026 年底前為每 1M tokens $0.075，之後為 $0.15；另有每 1M tokens 每小時 $0.50、之後 $1.00 的儲存費。Google Search grounding 則提供每月共用的 5,000 次免費搜尋請求，超過後每 1,000 次為 $14。Gemini Developer API pricing

快取策略要配合 Agent 結構

Gemini API 對 Gemini 2.5 以上模型預設支援 implicit caching。3.8 Flash 的 implicit cache 最低輸入門檻是 4,096 tokens；若想提高 cache hit 機率，應把大型且共用的內容放在 prompt 開頭，並在短時間內重複使用相同的前綴。Context caching 文件

這對長時間 Agent 很重要：系統指令、repository 摘要、資料模型與工具 schema 可以形成穩定前綴，而每一輪的任務狀態與工具結果放在後面。要注意的是，Interactions API 目前只支援 implicit caching；如果需要手動建立與管理 cache object，應改用 generateContent API。

導入時的工程建議

先用任務分流控制成本

不要讓所有請求都直接使用 high。可以依任務風險分流：

  1. 低風險、短答案、固定格式：low。
  2. 需要幾次工具呼叫的查詢與報表：medium。
  3. 跨檔案修改、設計審查、長時間除錯：high，並設定總 token 與時間上限。

這裡的重點不是「永遠使用最高推理」，而是讓 effort level 成為明確的容量與成本控制項。

把 Agent 當成分散式系統觀測

一個長時間 Agent 會有多輪 model turn、工具延遲、失敗重試與上下文增長，因此應記錄：

  • 每一輪的 input、output、cached tokens 與 thinking 使用量。
  • 工具呼叫名稱、參數雜湊、耗時、結果大小與錯誤類型。
  • Agent loop 次數、停止原因、人工介入次數與最終成功率。
  • 同一任務在不同 thinking_level 下的成本、延遲與品質差異。

沒有這些資料，就無法知道模型真的變聰明，還是只是花了更多 tokens 和更多工具呼叫。

用自己的工作負載做回歸評測

官方 benchmark 適合用來了解發布方向，但正式採用前仍應建立自己的 evaluation set，例如：

  • 真實 repository 的 issue、migration 與 regression bug。
  • 具有權限邊界的工具呼叫案例。
  • 多語言 PDF、日誌與截圖混合的知識任務。
  • 需要拒絕危險動作、要求人工核准的安全案例。

對 Agent 而言，「能不能完成」不是唯一指標；工具呼叫是否正確、是否會無限重試、是否能在錯誤後恢復，以及是否留下可追蹤的決策紀錄，通常更接近生產風險。

限制與注意事項

第一，Gemini 3.8 Flash 的知識截止日期是 2026 年 3 月；Model Card 也提醒，部分領域的可用知識可能仍只到 2025 年 1 月。因此，模型名稱雖然是 2026 年 9 月發布，並不代表它知道發布日之後的所有事件。Model Card 的知識截止與限制

第二，官方列出的已知限制包含幻覺、偶發的速度或 timeout 問題，以及高 effort level 可能使用更多 tokens。這些限制在長時間 Agent 中會被放大：一次錯誤的工具參數可能造成多輪錯誤，timeout 也可能讓工作流停在半完成狀態。

第三，3.8 Flash 的公開資料主要證明它在 coding、agentic task 與多步驟推理上的方向性提升，並沒有公開所有架構細節。Model Card 明確指出它是建立在 3.7 Flash 之上，因此不應自行推論成完全不同的模型架構，或把 Google 的宣稱 benchmark 當成獨立測試結論。

總結：Flash 正在變成 Agent 的工作馬

Gemini 3.8 Flash 的核心價值，可以濃縮成三件事：1M context 讓大型工作資料能留在同一個任務裡；可調整的 thinking 讓品質、成本與延遲可以分級；工具與多模態支援則讓模型能參與真正的工作流。

如果你的需求是 repository 級別的程式碼工作、跨文件研究、需要搜尋與函式呼叫的企業 Agent，3.8 Flash 值得列入測試名單。它的定位不是「用最低價格回答一句話」，而是用 Flash 的成本結構承擔更長的推理與工具迴圈。導入時，請把 token budget、快取、工具權限、人工核准與可觀測性一起設計，才能把模型能力轉成可維運的系統。

參考資料