Gemini 3.6 Flash при запуске подвергся резкой критике, а выход Gemini 3.5 Pro отложен

Введение

Компания Google DeepMind выпустила три новые модели Gemini: Gemini 3.6 Flash, Gemini 3.5 Flash-Lite и Gemini 3.5 Flash Cyber.

Однако долгожданная многими разработчиками модель Gemini 3.5 Pro так и не появилась в запланированные сроки.

Google заявил, что 3.5 Pro всё ещё проходит тестирование с партнёрами и будет широко доступна после того, как будет полностью готова. В то же время компания подтвердила, что начала работу над Gemini 4, используя то, что она называет «самым амбициозным предварительным обучением на сегодняшний день».

Google выпустил Gemini 3.6 Flash, Gemini 3.5 Flash-Lite и Gemini 3.5 Flash Cyber.

Этот запуск быстро вызвал споры в сообществе разработчиков. Некоторые ранние пользователи раскритиковали Gemini 3.6 Flash за слабую генерацию пользовательского интерфейса, непоследовательное пространственное мышление и разочаровывающие результаты в кодировании по сравнению с передовыми моделями конкурентов.

Интенсивность этой критики превышает то, что могут подтвердить имеющиеся данные. Ранние жалобы на реальное использование действительно существуют, но собственные бенчмарки Google и независимые тесты Artificial Analysis показывают более сложную картину: Gemini 3.6 Flash показывает улучшения по сравнению с 3.5 Flash в ряде оценок кодирования, использования компьютера, длинного контекста и работы со знаниями, сохраняя при этом тот же общий показатель Intelligence Score по версии Artificial Analysis.

Эта статья следует структуре оригинального отчёта, одновременно отделяя официальные бенчмарки от реакции сообщества.

Gemini 3.6 Flash подвергся критике сразу после запуска

Google позиционирует Gemini 3.6 Flash как основную модель для производственных AI-агентов.

Модель теперь широко доступна, поддерживает ввод текста, изображений, видео, аудио и PDF, с контекстным окном 1 048 576 входных токенов и до 65 536 выходных токенов. Она поддерживает такие функции, как выполнение кода, использование компьютера, вызов функций, поиск файлов, структурированный вывод, привязку к поиску, контекст URL и цепочку рассуждений.

Google заявляет, что основная цель — не просто достичь более высокого интеллекта по бенчмаркам. Ключевой акцент делается на выполнении задач с меньшим количеством выходных токенов, меньшим числом шагов рассуждения, меньшей задержкой и более низкой ценой за выходной токен по сравнению с Gemini 3.5 Flash.

Тем не менее, некоторые первые публичные тесты оказались далеки от положительных.

Генерация пользовательского интерфейса получила резкие ранние отзывы

В оригинальном отчёте особо упоминался тест разработчика, в котором Gemini 3.6 Flash попросили выполнить задачу по генерации пользовательского интерфейса в два подхода.

Разработчик описал результат как исключительно плохой, раскритиковав сгенерированную структуру компонентов приложения как фрагментированную, логически непоследовательную и ненадёжную во взаимодействии.

Один из ранних тестов сообщества с использованием Gemini 3.6 Flash для создания интерактивного интерфейса.

Другие разработчики сообщили о схожих проблемах после тестирования модели на существующих кодовых базах. Жалобы включали игнорирование ограничений дизайн-системы, неожиданные изменения пользовательского интерфейса и результаты, которые выглядели хуже, чем интерфейсы, сгенерированные ранними моделями Gemini Pro.

Эти наблюдения важны, поскольку фронтенд-кодирование сочетает в себе множество способностей:

• Понимание существующей кодовой базы
• Соблюдение ограничений дизайна
• Генерация корректного кода
• Сохранение существующего поведения
• Создание визуально согласованного макета
• Обработка многошаговых правок без поломки рабочих компонентов

Модель может показывать высокие результаты в бенчмарках программирования, но при этом казаться ненадёжной в реальной фронтенд-работе.

В то же время, отдельные примеры не являются контролируемыми бенчмарками. Качество промптов, фреймворк агента, структура кодовой базы, уровень рассуждения, доступ к инструментам и разрешённое количество итераций могут существенно изменить результат.

Результаты фронтенд-арены не поддерживают простой вывод о «лучшей» модели

Исходный отчёт указывает, что во фронтенд-кодировании Gemini 3.6 Flash уступает таким моделям, как Claude Fable 5, GPT-5.6 Sol и Meta Muse Spark 1.1.

Рейтинг WebDev Live Arena постоянно обновляется, поэтому с поступлением новых голосов позиции могут меняться. На момент подготовки этой статьи Kimi K3 временно лидирует, за ним следуют Claude Fable 5 и GPT-5.6 Sol.

Поскольку Gemini 3.6 Flash была выпущена только 21 июля, статичные скриншоты и ранние снимки рейтинга не следует рассматривать как окончательный рейтинг.

Более полезный вывод заключается в том, что, несмотря на заявления Google о том, что модель сильнее в кодировании, эта новая модель Flash не сразу утвердилась в качестве явного лидера во фронтенде.

Пространственное мышление также вызвало негативную реакцию

Затем исходный отчёт переходит к пространственному мышлению.

Один разработчик задокументировал тесты Gemini 3.6 Flash на базовых пространственных отношениях и направлениях, сообщив о большем количестве ошибок, чем у Gemini 3.5 Flash.

Пользователь initially предположил, что слабые результаты могут быть связаны с недостаточным уровнем рассуждений. Другие пользователи затем попробовали более высокие настройки рассуждения, но всё равно сообщили о неоднозначных первых впечатлениях.

Жалобы включали неправильные пространственные отношения и непоследовательные визуальные сцены.

Опять же, эти тесты представляют собой наблюдения сообщества, а не стандартизированные оценки. Они полезны как примеры реальных проблем, но их не следует обобщать как утверждение об общем регрессе модели в пространственном мышлении.

Официальная документация Google описывает Gemini 3.6 Flash как модель, специально разработанную для мультимодальных и пространственных задач. Независимые визуальные тесты также показали её преимущества в нескольких категориях изображений и видео, хотя и не во всех визуальных задачах она превосходит 3.5 Flash.

CursorBench показывает улучшение по сравнению с 3.5 Flash, но не лидерство на переднем крае

Исходный отчёт также указывает на CursorBench, бенчмарк для реальной

инженерной работы с программным обеспечением в среде Cursor.

Широко распространённый скриншот сравнивает Gemini 3.6 Flash с такими моделями, как Cursor Composer 2.5, Claude Fable 5, GPT-5.6 Sol, Grok 4.5 и Claude Sonnet 5.

Gemini 3.6 Flash представлен на графике синей точкой, его оценка ниже, чем у других моделей. Под твитом пользователь комментирует: «То есть Gemini 3.6 Flash хуже, чем Composer 2.5, и даже Grok 4.5 упоминать не стоит», а также отмечает, что Gemini 3.6 Flash теперь доступен в Cursor. Это изображение связано с контекстом документа, служит для иллюстрации результатов теста CursorBench и показывает, что Gemini 3.6 Flash уступает некоторым моделям в этом тесте.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/a0b9be2c-3d78-4695-949c-009046cb9b84-c5ae89ef-5997-469a-a228-6806788968da.png)

На скриншоте, опубликованном источником, CursorBench размещает Gemini 3.6 Flash после нескольких моделей кодирования с более высокими баллами.

Текущая страница CursorBench показывает несколько уровней логического вывода Gemini 3.6 Flash. В последних опубликованных результатах, доступных на момент написания этого материала:

• Gemini 3.6 Flash Medium: 51,2%
• Gemini 3.5 Flash: 48,8%
• Gemini 3.6 Flash Low: 47,4%

Это означает, что в данном бенчмарке конфигурация со средним логическим выводом показывает улучшение по сравнению с Gemini 3.5 Flash, хотя она по-прежнему уступает многим более сильным моделям кодирования.

Это также хороший пример того, почему оценку моделей необходимо рассматривать в контексте.

Утверждение «Gemini 3.6 Flash хуже конкурентов» может быть верным для конкретного бенчмарка и набора сравнений; в то же время «Gemini 3.6 Flash улучшен по сравнению с 3.5 Flash» также может быть справедливым.

Собственные бенчмарки Google показывают реальный прогресс

Результаты, опубликованные Google, рисуют более позитивную картину, чем самая резкая реакция сообщества.

Компания сообщает об улучшениях по сравнению с Gemini 3.5 Flash в таких областях, как программирование, инженерия машинного обучения, использование компьютера, интеллектуальная работа, логический вывод на графиках и задачи с длинным контекстом.

Таблица бенчмарков, опубликованная Google в июле 2026 года, сравнивает Gemini 3.6 Flash с несколькими конкурирующими моделями.

Некоторые выбранные результаты, о которых сообщает Google, включают:

Бенчмарк	Gemini 3.6 Flash	Gemini 3.5 Flash
SWE-Bench Pro	58,7%	55,1%
DeepSWE v1.1	49%	37%
Terminal-Bench 2.1	78,0%	76,2%
MLE-Bench	63,9%	49,7%
GDPval-AA v2	1421	1349
OSWorld-Verified	83,0%	78,4%
CharXiv Reasoning, No Tools	85,2%	84,2%
GDM-MRCR v2, 128K	91,8%	77,3%
GDM-MRCR v2, 1M	54,0%	26,6%

Google также заявляет, что в индексе Artificial Analysis Gemini 3.6 Flash расходует на 17% меньше выходных токенов, чем Gemini 3.5 Flash, а в некоторых рабочих нагрузках DeepSWE использование токенов может быть сокращено до 65%.

Цены на новую модель составляют:

• 1,50 доллара США за 1 миллион входных токенов
• 7,50 доллара США за 1 миллион выходных токенов

Gemini 3.5 Flash имеет такую же указанную входную цену, но в ценах Google выходная цена выше — 9,00 долларов США.

Сравнение запущено.

Для агентных рабочих нагрузок это различие важно, поскольку стоимость зависит не только от качества бенчмарка, но и от количества токенов логического вывода и циклов использования инструментов, затраченных моделью на выполнение задачи.

Artificial Analysis присваивает 3.6 Flash тот же интеллектуальный балл, что и 3.5 Flash

Стороннее тестирование дает более сдержанный вывод.

Индекс интеллекта Artificial Analysis для Gemini 3.6 Flash (режим высокого логического вывода) составляет 50.

Это такой же балл, что и у Gemini 3.5 Flash.

Artificial Analysis не обнаружила повышения общего индекса интеллекта при переходе от 3.5 Flash к 3.6 Flash.

Этот результат объясняет часть разочарования.

Разработчики, которые смотрят только на номер модели, могли ожидать значительного скачка общего интеллекта. Вместо этого Artificial Analysis обнаружила, что при измерении улучшений эффективности и времени выполнения задач общий уровень интеллекта остался примерно таким же.

Его тесты показывают, что скорость Gemini 3.6 Flash составляет примерно 251 выходной токен в секунду, что делает ее одной из самых быстрых моделей в сравнении.

Artificial Analysis также сообщает, что время выполнения одной задачи для Gemini 3.6 Flash и Gemini 3.5 Flash-Lite сократилось примерно вдвое по сравнению с предыдущими поколениями.

Таким образом, основные улучшения более точно можно описать так:

Общий интеллект аналогичен, выше скорость выполнения, меньше выходных токенов, ниже стоимость выполнения задачи для многих рабочих нагрузок.

Это не так заметно, как крупные прорывы в интеллекте, но всё же имеет большое значение для высокопроизводительных производственных агентов.

Соотношение цены и качества тоньше, чем можно предположить по жалобам в сети

Некоторые пользователи критикуют Gemini 3.6 Flash за то, что он дороже некоторых моделей-конкурентов с более высокими показателями в тестах интеллекта.

Источник указывает на опасения по поводу компромисса между стоимостью и интеллектом Gemini 3.6 Flash.

Первоначальная цена за токен не говорит всей правды.

Модель, которая использует меньше шагов рассуждения или генерирует меньше выходных токенов, иногда может выполнять задачи дешевле, даже если её объявленная цена за токен не самая низкая.

И наоборот, более дешёвая модель, требующая повторных попыток или более длительной генерации, может на практике оказаться дороже.

Для разработчиков лучшим показателем обычно является стоимость за успешное выполнение задачи, измеренная на их собственных нагрузках.

О

Для даты окончания знаний требуются дополнительные доказательства

Исходная статья также цитирует пользователя, который утверждает, что Gemini 3.6 Flash не знает о многих событиях 2025 и 2026 годов, несмотря на то, что внешне показывает более свежую дату знаний.

Пользователь делает вывод, что фактические знания модели, по-видимому, заканчиваются примерно в январе 2025 года.

К этому тесту следует отнестись с осторожностью.

То, что языковая модель не может вспомнить какое-то событие, само по себе не доказывает конкретную дату окончания её обучающих данных. Причины могут включать проблемы поиска, ошибки рассуждения, формулировку запроса, фильтры безопасности, неполный охват обучения или неопределённость.

Официальная документация модели от Google не предоставляет достаточно информации, чтобы независимо подтвердить конкретную дату окончания, о которой говорят в соцсетях.

Для получения актуальной информации разработчикам следует полагаться на Google Search или другие проверенные источники, а не предполагать, что внутренняя память модели полна до определённой даты.

Gemini 3.5 Flash-Lite: фокус на скорости

Google также выпустил Gemini 3.5 Flash-Lite, предназначенный для высокопроизводительных и низколатентных агентных нагрузок.

Аналитики ИИ измерили скорость модели примерно в 350 токенов в секунду.

Цены API, объявленные Google:

• 0,30 доллара за 1 миллион входных токенов
• 2,50 доллара за 1 миллион выходных токенов

Это делает её значительно дешевле Gemini 3.6 Flash.

Модель подходит для следующих нагрузок:

• Агентный поиск
• Обработка документов
• Высокопроизводительное извлечение данных
• Перевод
• Суммирование
• Выполнение суб-агентов

Google сообщает, что Flash-Lite также поддерживает настраиваемые уровни рассуждения и встроенные функции использования компьютера.

Официальное сравнение показывает значительные улучшения по сравнению с Gemini 3.1 Flash-Lite, включая:

• Terminal benchmark 2.1: 54% против 31%
• GDM-MRCR v2: 72,2% против 60,1%
• GDPval-AA v2: 1140 против 642

Она даже превзошла старую Gemini 3 Flash по нескольким агентным бенчмаркам.

Первоначальные сообщения предполагали, что скорость бесполезна, если ответы неверны. Как общий принцип, это справедливо, но данные бенчмарков не подтверждают упрощённое представление о Flash-Lite как о «более быстрой, но худшей» модели.

Заявленная цель Google иная: использовать меньшую модель для высокопроизводительных нагрузок, где не требуются полные возможности флагманского интеллекта.

Gemini 3.5 Flash Cyber: фокус на исследовании уязвимостей

Третья новая модель — Gemini 3.5 Flash Cyber.

Она основана на Gemini 3.5 Flash и доработана для задач кибербезопасности, таких как:

• Поиск уязвимостей в программном обеспечении
• Проверка проблем безопасности
• Генерация исправлений
• Поддержка автоматизированного анализа защиты

Google сообщает, что модель используется внутри CodeMender, где несколько агентов Flash Cyber могут работать вместе и объединять свои результаты в один отчёт.

В отличие от Gemini 3.6 Flash и Flash-Lite, Flash Cyber не выпущена как общедоступная модель.

Google заявляет, что из-за рисков двойного использования, связанных с автоматическим обнаружением уязвимостей, она будет предоставлена правительствам и доверенным партнёрам через пилотный проект CodeMender с ограниченным доступом.

В отдельном объявлении Google DeepMind говорится, что модель предназначена для того, чтобы сделать масштабное обнаружение и исправление уязвимостей более дешёвым, чем с использованием более крупных флагманских моделей.

Gemini 3.5 Pro всё ещё не готов

Для многих разработчиков самой большой новостью стала модель, которая не была выпущена. Google заявил:

Gemini 3.5 Pro в настоящее время тестируется с партнёрами и будет широко доступен, как только будет готов.

Это подтверждает задержку флагманской модели по сравнению с более ранними ожиданиями. Такие СМИ, как Reuters, сообщали, что Gemini 3.5 Pro должна была выйти в июне, и производительность кодирования была одной из областей, вызвавших задержку. В объявлении от 21 июля Google не назвал новую дату публичного релиза, а подчеркнул, что хочет выпустить модель, когда она достигнет их стандартов качества.

Это имеет решающее значение для выпуска 3.6 Flash. Эта новая Flash-модель не является заменой Gemini 3.5 Pro; она занимает другое место в линейке продуктов: это производственная модель, оптимизированная по стоимости, скорости, мультимодальным задачам и автономному выполнению.

Gemini 4 начал своё крупнейшее предварительное обучение

Тем временем Google подтвердил, что начал обучение следующего поколения Gemini. Google описывает Gemini 4 как самый амбициозный проект предварительного обучения на сегодняшний день.

Google сообщает, что работа по предварительному обучению Gemini 4 уже идёт.

Это формирует необычную временную линию продуктов:

1. Gemini 3.6 Flash теперь общедоступен.
2. Gemini 3.5 Flash-Lite теперь общедоступен.
3. Gemini 3.5 Flash Cyber находится в стадии ограниченного развёртывания.
4. Gemini 3.5 Pro всё ещё тестируется с партнёрами.
5. Предварительное обучение Gemini 4 уже началось.

Статья-источник интерпретирует это как то, что Google спешит с номерами версий, в то время как флагманская Pro-модель ещё не завершена. Эта интерпретация является спекулятивной. Крупные ИИ-организации часто начинают обучение будущих поколений моделей до того, как все продукты текущего поколения завершат процесс выпуска.

Предварительное обучение, дообучение, оценка безопасности, интеграция продуктов и развертывание сервисов могут выполняться параллельно.

Тем не менее, задержка с выпуском Pro-версии, очевидно, усилила давление на Google, поскольку кодирование и автономные рабочие процессы стали основной областью конкуренции для OpenAI, Anthropic, Moonshot, xAI, Meta и других поставщиков моделей.

Действительно ли Gemini 3.6 Flash — худшая модель Google?

Существующие данные не подтверждают этот вывод. В настоящее время одновременно происходят три независимых события.

1. Некоторые ранние разработчики действительно недовольны моделью

Негативные результаты тестирования фронтенда и пространственного мышления получены из реальных отчетов пользователей. Эти отчеты заслуживают внимания, поскольку бенчмарки не могут полностью отразить качество в производственной среде.

2. Собственные данные Google показывают значительные улучшения по сравнению с 3.5 Flash

Модель показала улучшения в DeepSWE, MLE-Bench, OSWorld, GDPval и оценках длинного контекста, используя при этом меньше выходных токенов.

3. Сторонние комплексные показатели интеллекта практически не изменились

Artificial Analysis оценивает 3.6 Flash

Ее показатель интеллекта совпадает с показателем 3.5 Flash. Это подтверждает точку зрения, что данный выпуск в основном направлен на повышение эффективности, а не на значительный скачок в исходном интеллекте.

Для разработчиков правильный вопрос заключается не в том, заслуживает ли модель заметного ярлыка.

Более уместный вопрос: подходит ли комбинация скорости, стоимости, качества и надежности для конкретного сценария применения.

Gemini 3.6 Flash может не подойти для одного фронтенд-воркфлоу, но может оказаться отличным выбором для высокопроизводительных мультимодальных агентов. Обе эти ситуации не противоречат друг другу.

Часто задаваемые вопросы

Что такое Gemini 3.6 Flash?

Gemini 3.6 Flash — это мультимодальная модель Google для производственной среды, предназначенная для программирования, интеллектуальной работы, использования компьютеров и агентных воркфлоу. Она поддерживает контекстное окно более 1 миллиона входных токенов и доступна для публичного использования через Gemini API и другие продукты Google.

Стала ли Gemini 3.6 Flash хуже, чем Gemini 3.5 Flash?

В целом нет. Artificial Analysis присвоил им одинаковый показатель интеллекта, но Google сообщает об улучшениях 3.6 Flash в нескольких бенчмарках по программированию, использованию компьютеров, интеллектуальной работе и длинному контексту при использовании меньшего количества выходных токенов.

Почему разработчики критикуют Gemini 3.6 Flash?

Некоторые ранние пользователи сообщают о слабых возможностях фронтенд-генерации, частых ошибках в редактировании UI и несогласованности пространственного мышления. Это единичные тесты, а не контролируемые бенчмарки, поэтому результаты могут различаться в зависимости от подсказок, кодовой базы, инструментов и уровней рассуждения.

Какова цена Gemini 3.6 Flash?

Google установил цену Gemini 3.6 Flash в размере 1,50 доллара США за миллион входных токенов и 7,50 долларов США за миллион выходных токенов. Цены могут меняться, разработчикам следует сверяться с официальной документацией Gemini API для подтверждения текущих тарифов.

Какова скорость Gemini 3.5 Flash-Lite?

По измерениям Artificial Analysis, Gemini 3.5 Flash-Lite обрабатывает около 350 выходных токенов в секунду. Google разработал ее для задач с высокой пропускной способностью и низкой задержкой, таких как обработка документов и агентный поиск.

Что такое Gemini 3.5 Flash Cyber?

Gemini 3.5 Flash Cyber — это специализированная модель для кибербезопасности, основанная на Gemini 3.5 Flash. Google планирует предоставлять ее через CodeMender правительственным и проверенным партнерам, а не выпускать как публичный API-модель общего назначения.

Когда выйдет Gemini 3.5 Pro?

Google еще не объявил новую дату публичного выпуска. Компания сообщила, что Gemini 3.5 Pro проходит тестирование с партнерами и будет широко доступна после готовности.

Начал ли Google обучение Gemini 4?

Да. Google заявил, что запустил самую амбициозную на сегодняшний день программу предварительного обучения для Gemini 4. Компания пока не раскрыла дату публичного выпуска Gemini 4.

Связанные инструменты

• Google AI Studio: Браузерная среда Google для тестирования моделей Gemini и создания решений через Gemini API.
• Gemini API: Официальная документация разработчика по функциям, ограничениям и идентификаторам модели Gemini 3.6 Flash.
• Gemini: Потребительский интерфейс Google для использования текущих моделей Gemini.
• Vertex AI: Корпоративная платформа Google Cloud для развертывания и управления моделями Gemini.

CursorBench: Платформа бенчмарков Cursor для оценки понимания кодовой базы, редактирования, отладки и задач интеллектуальной программной инженерии.

• Artificial Analysis: Независимое тестирование моделей, охватывающее уровень интеллекта, скорость, задержку, ценообразование и использование токенов.
• CodeMender: Среда безопасных агентов от Google DeepMind, построенная на основе Gemini 3.5 Flash Cyber.

Связанные ссылки

• Официально от Google: Представление Gemini 3.6 Flash, 3.5 Flash-Lite и 3.5 Flash Cyber: Официальный анонс, цены, результаты бенчмарков и подробности доступности.
• Документация разработчика Gemini 3.6 Flash: Официальные ограничения модели, поддерживаемые модальности, инструменты и детали API.
• Руководство по последним моделям Gemini от Google: Официальное руководство по миграции и использованию Gemini 3.6 Flash и Gemini 3.5 Flash-Lite.
• Обзор Gemini 3.6 Flash от Artificial Analysis: Независимые измерения уровня интеллекта, скорости, задержки и цены.
• Оценочная публикация Artificial Analysis: Детальное сравнение 3.6 Flash и 3.5 Flash-Lite с предыдущими поколениями моделей.
• CursorBench: Текущие результаты бенчмарков кодирующих агентов для Gemini 3.6 Flash и конкурирующих моделей.
• [Google DeepMind: Gemini 3.5

Объявление Flash Cyber](https://deepmind.google/blog/introducing-gemini-3-5-flash-cyber/): Официальные спецификации модели кибербезопасности, интеграции CodeMender и ограниченного развертывания.

Итоги

Выпущенная в июле серия Gemini от Google включает Gemini 3.6 Flash, Gemini 3.5 Flash-Lite и Gemini 3.5 Flash Cyber, в то время как Gemini 3.5 Pro остается на этапе партнерского тестирования.

Ранние разработчики крайне негативно отреагировали на 3.6 Flash в тестах фронтенда и пространственного мышления, причем эта модель не стала лидером в самых сложных бенчмарках кодирования. Однако опубликованные Google результаты тестов показывают значительное улучшение модели по ряду важных задач по сравнению с 3.5 Flash, а Artificial Analysis подтверждает, что она сохраняет тот же общий балл интеллекта, обладая при этом лучшей скоростью и эффективностью.

Gemini 3.5 Flash-Lite ориентирован на задачи с высокой пропускной способностью, Flash Cyber специализируется на оборонительной кибербезопасности, и Google уже начал предварительное обучение Gemini 4.

Наиболее точная интерпретация заключается не в том, что Gemini 3.6 Flash — «худшая модель» Google, а в том, что это был запуск, нацеленный на эффективность, — его реальная ранняя рыночная реакция оказалась гораздо сложнее, чем демонстрируют официальные бенчмарки Google.