---
title: "Gemini 3.6 Flash"
source: "https://systems-analysis.info/wiki/Gemini_3.6_Flash"
wiki: "systems-analysis.info/wiki"
article: "Gemini_3.6_Flash"
language: "ru"
categories:
  - "Категория:Gemini"
  - "Категория:Google"
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Семейства LLM"
revision_id: 563
wiki_created_at: 2026-11-10T18:12:31Z
wiki_modified_at: 2026-11-11T01:02:57Z
downloaded_at: 2026-11-11T01:08:44Z
---

# Gemini 3.6 Flash

**Gemini 3.6 Flash** — проприетарная нативно-мультимодальная модель рассуждений компании [Google DeepMind](https://systems-analysis.info/wiki/Google_DeepMind "Google DeepMind") из семейства Gemini 3, основанная на [Gemini 3.5 Flash](https://systems-analysis.info/wiki/Gemini_3.5_Flash "Gemini 3.5 Flash") и ориентированная на программную инженерию, мультимодальную обработку информации и масштабирование агентных процессов, отличающаяся повышенной токен-эффективностью и сокращённым количеством шагов рассуждения и вызовов инструментов при выполнении многоэтапных задач. Модель была представлена и выпущена в общий доступ 21 июля 2026 года через Gemini API, Google AI Studio и другие продукты экосистемы Google одновременно с анонсом Gemini 3.5 Flash-Lite и специализированной Gemini 3.5 Flash Cyber.

## Оценка

Gemini 3.6 Flash оценивалась по широкому набору тестов (бенчмарков), охватывающих способности к рассуждению, программирование, агентные сценарии, мультимодальные возможности и работу с длинным контекстом. Дополнительные тесты, сведения о подходе к оценке, результатах и применяемых методологиях опубликованы в <a href="https://deepmind.google/models/evals-methodology/gemini-3-6-flash" class="external text" rel="nofollow">методологии оценки Gemini 3.6 Flash</a>.

Согласно Model Card Google DeepMind, приведённые ниже результаты актуальны по состоянию на июль 2026 года.<sup>[\[1\]](https://systems-analysis.info/wiki/Gemini_3.6_Flash#cite_note-1)</sup>

<table class="wikitable" style="text-align:center;">
<colgroup>
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
</colgroup>
<thead>
<tr class="header">
<th style="text-align: left;">Benchmark</th>
<th>Description</th>
<th></th>
<th>Gemini 3.6 Flash</th>
<th><a href="https://systems-analysis.info/wiki/Gemini_3.5_Flash" title="Gemini 3.5 Flash">Gemini 3.5 Flash</a></th>
<th><a href="https://systems-analysis.info/wiki/Gemini_3.1_Pro" title="Gemini 3.1 Pro">Gemini 3.1 Pro</a></th>
<th>GPT-5.6 Luna</th>
<th>Grok 4.5</th>
<th>Claude Sonnet 5</th>
</tr>
</thead>
<tbody>
<tr class="odd">
<td style="text-align: left;">Input price</td>
<td>$/M tokens</td>
<td>Lower is better</td>
<td style="background: #e6f3ff">$1.50</td>
<td>$1.50</td>
<td>$2.00</td>
<td><strong>$1.00</strong></td>
<td>$2.00</td>
<td>$3.00 (full price)<br />
$2.00 (long-context)</td>
</tr>
<tr class="even">
<td style="text-align: left;">Output price</td>
<td>$/M tokens</td>
<td>Lower is better</td>
<td style="background: #e6f3ff">$7.50</td>
<td>$9.00</td>
<td>$12.00</td>
<td><strong>$6.00</strong></td>
<td><strong>$6.00</strong></td>
<td>$15.00 (full price)<br />
$10.00 (long-context)</td>
</tr>
<tr class="odd">
<td style="text-align: left;">SWE-Bench Pro (Public)</td>
<td>Online agentic coding tasks</td>
<td></td>
<td style="background: #e6f3ff">58.7%</td>
<td>55.1%</td>
<td>54.2%</td>
<td>62.7%</td>
<td><strong>64.7%</strong></td>
<td>63.2%</td>
</tr>
<tr class="even">
<td style="text-align: left;">DeepSWE v13</td>
<td>Long-form software engineering</td>
<td></td>
<td style="background: #e6f3ff">49%</td>
<td>37%</td>
<td>12%</td>
<td><strong>67%</strong></td>
<td>54%</td>
<td>54%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Terminal-Bench 2.1</td>
<td>Agentic terminal coding</td>
<td></td>
<td style="background: #e6f3ff">78.0%</td>
<td>76.2%</td>
<td>73.8%</td>
<td><strong>84.7%</strong></td>
<td>83.3%</td>
<td>80.4%</td>
</tr>
<tr class="even">
<td style="text-align: left;">MLF-Bench</td>
<td>Machine Learning Engineering</td>
<td></td>
<td style="background: #e6f3ff">63.9%</td>
<td>49.7%</td>
<td>42.6%</td>
<td>47.6%</td>
<td>43.2%</td>
<td><strong>66.9%</strong></td>
</tr>
<tr class="odd">
<td style="text-align: left;">GDPval-AA v2</td>
<td>Knowledge tools</td>
<td></td>
<td style="background: #e6f3ff">1,421</td>
<td>1,349</td>
<td>965</td>
<td><strong>1,584</strong></td>
<td>1,535</td>
<td>1,607</td>
</tr>
<tr class="even">
<td style="text-align: left;">OSWorld-Verified</td>
<td>Computer use</td>
<td></td>
<td style="background: #e6f3ff"><strong>83.0%</strong></td>
<td>78.4%</td>
<td>76.2%</td>
<td>72.6%</td>
<td>—</td>
<td>81.2%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">CharXiv Reasoning</td>
<td>Information synthesis from<br />
complex charts</td>
<td>No tools<br />
With tools</td>
<td style="background: #e6f3ff"><strong>85.2%</strong><br />
<strong>89.4%</strong></td>
<td>84.2%<br />
84.9%</td>
<td>83.3%<br />
83.2%</td>
<td>82.7%<br />
—</td>
<td>81.6%<br />
—</td>
<td>77.0%<br />
88.3%</td>
</tr>
<tr class="even">
<td style="text-align: left;">MRCR v2</td>
<td>Long context performance</td>
<td>128k (average)<br />
1M (pointwise)</td>
<td style="background: #e6f3ff"><strong>91.8%</strong><br />
<strong>54.0%</strong></td>
<td>77.3%<br />
26.6%</td>
<td>84.9%<br />
26.3%</td>
<td>74.8%<br />
—</td>
<td>81.4%<br />
—</td>
<td>71.6%<br />
—</td>
</tr>
</tbody>
</table>

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/wiki/Gemini_3.6_Flash#cite_ref-1) Google DeepMind. *Gemini 3.6 Flash — Model Card*. Выпуск: июль 2026 года. С. 3.</span>

## См. также

- [Gemini 3.5 Flash](https://systems-analysis.info/wiki/Gemini_3.5_Flash "Gemini 3.5 Flash")
- [Gemini 3.7 Flash](https://systems-analysis.info/wiki/Gemini_3.7_Flash "Gemini 3.7 Flash")