Google lanza Gemini 3.6 Flash y 3.5 Flash-Lite, más baratos, y suma un modelo dedicado a ciberseguridad

La página oficial de modelos Gemini de Google DeepMind presenta la familia "Gemini 3.5", que ya incluye varias variantes: Gemini 3.6 Flash (descrito como el más eficiente en consumo de tokens para tareas de programación, trabajo de conocimiento y multimodalidad), Gemini 3.5 Flash-Lite (orientado a tareas de alto volumen que requieren eficiencia y velocidad), Gemini 3.1 Pro (para tareas complejas y creativas) y Gemini 3.1 Deep Think (pensado para retos científicos, de investigación e ingeniería). La propia página anuncia que un "3.5 Pro" está "próximamente", lo que indica que el despliegue de esta generación aún no está completo.

Un punto central del contenido es una tabla de precios por millón de tokens que evidencia una estrategia de reducción de costes frente a la generación anterior y frente a la competencia. Según esa tabla, Gemini 3.6 Flash cuesta 1,50 $ de entrada y 7,50 $ de salida por millón de tokens (sin caché), mientras que Gemini 3.5 Flash cuesta 1,50 $ de entrada y 9,00 $ de salida, y Gemini 3.1 Pro sube a 2,00 $ de entrada y 12,00 $ de salida. La misma tabla compara estos precios con los de otros modelos citados en la fuente: GPT-5.6 (1,00 $ / 6,00 $), un modelo llamado "Luna" (2,00 $ / 6,00 $), Grok 4.5 (3,00 $ / 15,00 $) y Claude Sonnet 5 (2,00 $ / 10,00 $, marcados como "descuento temporal"). El mensaje implícito de Google es que Gemini 3.6 Flash ofrece una relación precio-rendimiento más competitiva dentro de su propia gama y frente a otros modelos del mercado.

En cuanto a rendimiento, la tabla de benchmarks compara los mismos modelos en pruebas como SWE-Bench Pro (tareas de codificación agéntica diversas), DeepSWE v1.1 (ingeniería de software de largo horizonte), Terminal-bench 2.1 (codificación agéntica en terminal), MLE-Bench (ingeniería de machine learning), GDPVal-AA v2 (trabajo de conocimiento, medido en Elo), OSWorld-Verified (uso agéntico de ordenador), CharXiv Reasoning (síntesis de información a partir de gráficos complejos, con y sin herramientas) y GDM-MRCR v2 (rendimiento en contexto largo, con pruebas a 128k y 1M de tokens). Las cifras muestran resultados desiguales según la prueba: por ejemplo, en SWE-Bench Pro Gemini 3.6 Flash obtiene 58,7% frente al 62,7% de GPT-5.6 o el 64,7% de "Luna", mientras que en MLE-Bench Gemini 3.6 Flash obtiene 63,9%, una cifra alta aunque no la mayor de la tabla (la fuente recoge un resultado superior, 66,9%, en esa prueba), y en las pruebas de contexto largo (GDM-MRCR v2) Gemini destaca especialmente a 128k y 1M de tokens.

Un elemento relevante para la seguridad es la mención explícita, dentro del ecosistema de productos Gemini, de "Gemini 3.5 Flash Cyber", descrito literalmente como un modelo pensado para "encontrar y corregir vulnerabilidades de forma rápida y eficiente". Esto sitúa a la ciberseguridad como una de las aplicaciones específicas que Google promueve dentro de la familia Gemini 3.5, junto a otros modelos especializados como Gemini 3.1 Deep Think (ciencia e investigación), Gemini Omni (generación multimodal), Gemini Image/Nano Banana (generación y edición de imágenes), Gemini Audio, Gemini Robotics y Gemini Embedding 2.

La página incluye también testimonios de clientes y socios que evalúan estos modelos en producción. Ashler destaca que Gemini 3.5 Flash-Lite ofrece la inteligencia, velocidad y eficiencia de coste necesarias para tareas de recuperación de información y uso de herramientas en infraestructuras fragmentadas. Figma señala que Gemini 3.6 Flash equilibra calidad, velocidad y coste para iterar prototipos con su herramienta Figma Make. Harvey, especializada en documentación legal (mercados de capitales y M&A corporativo), afirma que Gemini 3.6 Flash completa tareas un 12% más rápido en promedio que su predecesor. Hebbia indica que este modelo superó a otras líneas base de referencia en búsqueda de evidencia dentro de investigación financiera intensiva en citas. JetBrains (a través de su producto Junie) menciona que Gemini 3.6 Flash mejora entre un 10% y un 20% el rendimiento de codificación con razonamiento bajo respecto a la generación Flash anterior. Palo Alto Networks describe a Gemini 3.5 Flash-Lite como un salto importante respecto a Gemini 3.1 Flash-Lite en velocidad y fiabilidad, y Ramp señala que este modelo se sitúa en la "frontera de Pareto" en su benchmark de extracción de recibos, equilibrando precisión, latencia y coste.

La fuente también recoge casos de adopción empresarial de Gemini 3.5 Flash: Shopify lo usa para ejecutar subagentes en paralelo que analizan datos complejos a largo plazo y mejoran las previsiones de crecimiento de comerciantes a escala global; Macquarie Bank está probando el modelo para acelerar la incorporación de clientes razonando sobre documentos de más de 100 páginas; Salesforce lo integra en Agentforce para automatizar tareas empresariales complejas mediante múltiples subagentes con memoria de contexto; Ramp lo emplea para mejorar el reconocimiento óptico de caracteres (OCR) en facturas complejas; Xero lo usa para gestionar de forma autónoma flujos de trabajo administrativos de varias semanas, como la identificación de proveedores para formularios fiscales 1099; y Databricks lo aplica en flujos de trabajo agénticos para monitorizar información en tiempo real y diagnosticar problemas en grandes conjuntos de datos.

Finalmente, la página enmarca todo este lanzamiento dentro del ecosistema de herramientas de Google para desarrolladores y empresas: Google Antigravity (plataforma de desarrollo con IA), Google AI Studio (para pasar de prompt a producción), la API de Gemini y Gemini Enterprise (plataforma para construir, escalar y gobernar agentes). Cabe aclarar que el contenido analizado corresponde a una página de producto/marketing de Google DeepMind, con abundante navegación y material promocional, y no a un artículo periodístico narrativo; los datos aquí resumidos son los que aparecen explícitamente en esa página, sin añadir cifras, fechas ni afirmaciones que no figuren en el texto original.