Gemini 3.6 Flash vs Gemini 3.5 Flash: ¿Qué cambió realmente?

Cuando Google lanzó Gemini 3.6 Flash el 21 de julio de 2026, describió el modelo en sus propios materiales de lanzamiento como "basado en Gemini 3.5 Flash" — una descripción inusualmente sincera, y la oración más útil de todo el anuncio. Esto no es un salto generacional como lo fue Gemini 3 sobre Gemini 2; es una iteración en el mismo nivel de caballo de batalla, ajustado para las mismas tareas: chat de alto volumen, recuperación, codificación cotidiana y pipelines agentivos donde el costo y la latencia importan tanto como la inteligencia bruta. Google no reposicionó el modelo, renombró su nivel ni cambió su público objetivo. Si ya estás ejecutando 3.5 Flash en producción, 3.6 Flash es el siguiente paso obvio a evaluar, no un producto diferente que aprender.

Entonces la verdadera pregunta no es "si 3.6 Flash es mejor" en abstracto — un lanzamiento de julio de 2026 obviamente está destinado a superar a su predecesor de marzo en algo — es qué dimensiones específicas cambiaron, cuánto, y si esas dimensiones son las de las que realmente depende tu carga de trabajo. Esta comparación examina la puntuación de inteligencia que ambas versiones comparten, las mejoras reportadas por el proveedor en codificación, agencia y contexto largo, una comparación de costos trabajada para una llamada representativa, y tres escenarios para decidir si migrar ahora, después o nunca.

Resumen del veredicto.Actualice por costo, velocidad y margen agéntico — no por inteligencia bruta. Gemini 3.6 Flash y 3.5 Flash obtienen ambos 50 en el Artificial Analysis Intelligence Index — no hay ganancia de inteligencia en el único criterio independiente. Pero 3.6 reduce el precio de salida a $7.50 por 1M (desde $9.00), usa alrededor de un 17% menos de tokens de salida por tarea, y es el modelo más rápido que rastrea Artificial Analysis (303 tokens/sec). Los propios benchmarks de Google también muestran ganancias reales en codificación, agéntica y contexto largo — más notablemente un salto de menos del 27% al 54.0% en recall de contexto de 1M (GDM-MRCR v2). Para casi cualquier carga de trabajo de 3.5 Flash, 3.6 Flash es una clara victoria en coste y capacidad; las únicas razones para esperar son la estabilidad de la ventana de lanzamiento y evaluaciones finamente ajustadas.

Puntos clave

•  Misma puntuación de inteligencia. Ambas se sitúan en el Índice de Inteligencia de Artificial Analysis 50 — la mejora es en eficiencia y capacidad agéntica, no en inteligencia general.

•  Salida más barata. 3.6 Flash es $7.50 por 1M de tokens de salida, por debajo de $9.00 en 3.5 Flash; la entrada es $1.50, la entrada en caché $0.15.

•  Menos tokens, más velocidad. Aproximadamente un 17% menos de tokens de salida por tarea comparable, y rendimiento de primer nivel a ~303 tokens/segundo.

•  Modestos pero consistentes avances en codificación. Google informa que 3.6 supera a 3.5 en SWE-Bench Pro (58.7% frente a 55.1%), DeepSWE (49% frente a 37%), MLE-Bench (63.9% frente a 49.7%) y OSWorld (83.0% frente a 78.4%).

• La recuperación en contexto largo salta bruscamente. GDM-MRCR v2 en contexto de 1M sube a 54.0% desde menos del 27% — el mayor delta reportado entre las dos versiones.

•  Misma forma en lo demás. Ambos tienen un contexto de ~1M, salida de 64K, multimodal-entrada/texto-salida. 3.6 agrega una fecha de corte de conocimiento de marzo de 2026.

• Existen advertencias sobre la ventana de lanzamiento.Informes tempranos de tensión en capacidad/fiabilidad y al menos un informe de salida más débil en frontend/razonamiento espacial — vale la pena fijar versiones si manejas tráfico de producción.

Los puntos de referencia entre modelos aquí — SWE-Bench Pro, DeepSWE, Terminal-Bench, MLE-Bench, OSWorld, GDPval y GDM-MRCR — son propios de Google, comparando 3.6 Flash con 3.5 Flash. El único ancla independiente, el Artificial Analysis Intelligence Index (50 para ambos), se mide continuamente; verifica la cifra en vivo antes de citarla. El precio por token de entrada de 3.5 Flash no se repite en los materiales de lanzamiento; confirma las tarifas actuales en la página de precios antes de hacer tu propio cálculo de costos.

Las especificaciones y el precio, uno al lado del otro

• AA Intelligence Index — Gemini 3.6 Flash: 50; Gemini 3.5 Flash: 50 (idéntico)

• Precio de salida (por 1M) — 3.6 Flash: $7.50; 3.5 Flash: $9.00

• Precio de entrada (por 1M) — 3.6 Flash: $1.50 (en caché $0.15); 3.5 Flash: consulte la página de precios actual

• Tokens de salida por tarea — 3.6 Flash: ~17% menos; 3.5 Flash: línea base

•  Velocidad — 3.6 Flash: 303 tok/s (#1 tracked); 3.5 Flash: rápido, generación anterior

• SWE-Bench Pro (vendor) — 3.6 Flash: 58.7%; 3.5 Flash: 55.1%

•  DeepSWE v1.1 (proveedor) — 3.6 Flash: 49%; 3.5 Flash: 37%

• GDM-MRCR v2 a 1M, recuperación de contexto largo (proveedor) — 3.6 Flash: 54.0%; 3.5 Flash: menos del 27%

• Corte de conocimiento — 3.6 Flash: marzo de 2026; 3.5 Flash: anterior (no especificado en los materiales de lanzamiento)

•  Contexto / salida / modalidad — ambos: ~1M / 64K / entrada multimodal, salida de texto

La historia está en la primera y la última fila. Inteligencia idéntica en la parte superior; envolvente de capacidad idéntica en la parte inferior: misma ventana de contexto, mismo techo de salida, misma forma multimodal de entrada y texto de salida. Todo lo que cambió se encuentra en el medio: precio, cantidad de tokens, velocidad, puntuaciones de codificación y, especialmente, la recuperación de contexto largo, que fue lo que más se movió de todas las filas. Ese es exactamente el perfil de un lanzamiento de eficiencia y capacidad agentiva, más que de un modelo de nueva generación.

Análisis profundo de benchmarks: qué miden realmente los números

Comienza con el Artificial Analysis Intelligence Index, porque es el único número aquí que se mide de forma independiente en lugar de ser autoinformado. Ambas versiones obtienen exactamente 50. Ese empate importa: te indica que el razonamiento subyacente, el conocimiento y la capacidad general de resolución de problemas del modelo no han cambiado entre versiones — no estás obteniendo un modelo más inteligente en ningún sentido compuesto. También vale la pena recordar que la puntuación está ligada a una configuración específica de esfuerzo de razonamiento y se mide continuamente por un tercero neutral, así que trata el 50/50 como la lectura independiente actual, no como un hecho permanente.

Los números de codificación cuentan una historia diferente, y todas son comparaciones de proveedores propias de Google. SWE-Bench Pro sube de 55.1% a 58.7%, y DeepSWE v1.1 da un salto mayor, de 37% a 49% — ambas miden si el modelo puede resolver tareas realistas de ingeniería de software, no solo responder preguntas sobre código. Un aumento de dos dígitos en DeepSWE es una señal significativa incluso como número auto-reportado, pero como no hay una repetición independiente de estas evaluaciones específicas para este emparejamiento, tómenlos como evidencia direccional de un agente de codificación más fuerte, no como una brecha certificada y verificada por un tercero.

Las evaluaciones agénticas amplían ese panorama. Terminal-Bench 2.1 mejora al 78,0 % desde el 76,2 %, MLE-Bench sube al 63,9 % desde el 49,7 %, OSWorld-Verified asciende al 83,0 % desde el 78,4 %, y la puntuación Elo del GDPval-AA v2 pasa de 1349 a 1421. En conjunto, estas evaluaciones ponen a prueba trabajos multi-paso que utilizan herramientas —ejecutar comandos en terminal, completar tareas de ingeniería de aprendizaje automático, operar un entorno informático y producir entregables de nivel profesional— en lugar de respuestas únicas. La dirección consistente en cuatro puntos de referencia agénticos diferentes es más convincente que cualquier puntuación individual por sí sola, incluso con la advertencia reportada por el proveedor adjunta a cada una.

El número destacado, sin embargo, es el recuerdo de contexto largo: GDM-MRCR v2 con una longitud de contexto de 1M de tokens sube al 54.0% desde menos del 27%, aproximadamente duplicándose. Es la delta más grande reportada en cualquier lugar de la comparación, y explica mucho sobre de dónde provienen realmente los ahorros de tokens y velocidad: un modelo que recupera la información correcta de un contexto enorme de manera más confiable necesita menos pasos correctivos y menos razonamiento redundante para llegar a una respuesta correcta, lo cual es consistente con el recuento de tokens de salida aproximadamente un 17% menor de 3.6 en tareas comparables.

Cuánto cuesta en la práctica

Los precios por token son abstractos; el costo por tarea es lo que aparece en tu factura. Toma una llamada representativa de 4,000 tokens de entrada y 2,000 tokens de salida. Debido a que la tarifa de entrada exacta actual de 3.5 Flash no se repite en los materiales de lanzamiento de 3.6, el cálculo a continuación mantiene el precio de entrada en $1.50 por 1M publicado de 3.6 Flash para ambas versiones, para aislar los dos cambios que sí conocemos: el precio de salida más bajo y la ganancia de eficiencia de ~17% en tokens de salida. Confirma la tarifa de entrada actual de 3.5 Flash en la página de precios si necesitas una factura histórica exacta. Con esa base, el costo de salida de 3.5 Flash para 2,000 tokens es 2,000 × $9.00 / 1M ≈ $0.018, más aproximadamente $0.006 de entrada, para un total de aproximadamente $0.024 por llamada. El costo de salida de 3.6 Flash, después de aplicar su tasa más baja de $7.50 y la reducción de ~17% en tokens (2,000 tokens se convierten aproximadamente en 1,660), es 1,660 × $7.50 / 1M ≈ $0.01245, más la misma cantidad de aproximadamente $0.006 de entrada, para un total de aproximadamente $0.0185 por llamada — llamémoslo $0.021 antes del efecto de eficiencia de tokens y aproximadamente $0.0185 una vez que ambos cambios se combinan.

• Costo por llamada (4K entrada / 2K salida) — 3.5 Flash: ~$0.024; 3.6 Flash: ~$0.0185 (precio de salida más bajo y ~17% menos tokens de salida)

•  100K llamadas / mes — 3.5 Flash: ~$2,400; 3.6 Flash: ~$1,850

•  1M llamadas / mes — 3.5 Flash: ~$24,000; 3.6 Flash: ~$18,500

•  Costo relativo — 3.6 Flash: aproximadamente el 77% del costo por tarea de 3.5 Flash (aproximadamente un 23% de ahorro)

El 23% es un número real a cualquier volumen, pero se acumula más rápido en pipelines agentivas, donde Google cita un promedio de aproximadamente 1,3 minutos por tarea en 3,6 Flash frente a 2,7 minutos en 3,5 Flash. Una carga de trabajo que paga por llamada y por minuto de orquestación ahorra en ambos ejes a la vez: menos tokens por respuesta, una tarifa más barata en los tokens que utiliza y menos tiempo real ocupando cualquier bucle o cola de agente que la impulse. Con 1 millón de llamadas al mes, aproximadamente 5.500 $ en costo directo de tokens es la parte visible de eso; los ahorros en cómputo y latencia al completar tareas en la mitad del tiempo son la parte que no aparece en la página de precios.

Tres escenarios del mundo real

1. Un punto de conexión de producción de alto volumen y sensible a la latencia

Chat, soporte, recuperación y redacción a escala — el tipo de carga de trabajo para la que 3.5 Flash ya fue construido. Dado que la inteligencia no ha cambiado (50 vs 50) y el envoltorio de capacidades es idéntico, no hay riesgo en la calidad de salida que sopesar frente a la actualización. El menor precio de salida de 3.6 Flash, un 17% menos de tokens por tarea y el rendimiento clasificado como #1 hacen que esto sea casi una mejora estricta: misma calidad, factura más baja, respuestas más rápidas. Esta es la migración más fácil de las tres.

2. Un pipeline de codificación o DevOps basado en agentes.

Las tareas de múltiples pasos —resolver incidencias, ejecutar comandos en terminal, operar herramientas— son exactamente donde se concentran las ganancias reportadas por el proveedor de 3.6 Flash: SWE-Bench Pro, DeepSWE, Terminal-Bench, MLE-Bench y OSWorld se mueven a su favor, y el tiempo promedio por tarea se reduce de aproximadamente 2,7 minutos a 1,3. Combinado con el salto en el recuerdo de contexto largo (54,0 % frente a menos del 27 % en GDM-MRCR v2 a 1M), este es el escenario donde migrar captura el máximo beneficio, no solo los ahorros de costos. Vuelva a ejecutar su propia suite de evaluación antes de comprometerse por completo, ya que estas cifras son autocomparaciones del proveedor y no verificadas de forma independiente.

3. Un sistema de producción finamente ajustado y bloqueado para evaluación.

Si tus prompts, guardrails o evaluaciones automatizadas se calibraron estrechamente con el comportamiento exacto de los tokens de 3.5 Flash, el cambio de ~17% en los tokens de salida y los cambios relacionados con codificación/agentes pueden desplazar las salidas lo suficiente como para romper comprobaciones frágiles de coincidencia exacta, aunque la inteligencia subyacente no haya cambiado. Agrega los informes de capacidad y fiabilidad de la ventana de lanzamiento, y el único reporte de una salida más débil en frontend/razonamiento espacial, y el camino sensato aquí es fijar versiones, revalidar con tu propio conjunto de evaluación y lanzar 3.6 Flash de forma gradual en lugar de activar el cambio en el mismo lugar.

Cuándo quedarse en 3.5 Flash

Solo hay dos razones reales para esperar. Primero, estabilidad: 3.6 Flash atrajo quejas tempranas en Hacker News sobre capacidad y fiabilidad bajo la carga del lanzamiento, y un probador reportó una salida deficiente de frontend/razonamiento espacial — más estrés de aprovisionamiento que una regresión de capacidad, pero vale la pena fijar versiones si gestionas tráfico de producción y no puedes tolerar una ventana de lanzamiento difícil.

Segundo, reproducibilidad exacta: si tienes prompts y evaluaciones ajustadas estrechamente al comportamiento de 3.5 Flash, los cambios en la eficiencia de tokens y las ganancias en codificación/agencia pueden modificar los resultados lo suficiente como para importar, incluso si la puntuación de inteligencia subyacente no se ha movido. Vuelve a validar antes de cambiar en lugar de asumir un reemplazo directo. Fuera de esos dos casos, no hay capacidad que pierdas al migrar a 3.6 Flash.

¿Cuál elegir?

Para casi cualquier persona que ya esté ejecutando 3.5 Flash, la respuesta predeterminada es pasarse a 3.6 Flash: la inteligencia que obtienes no cambia, el precio por token de salida y los tokens por tarea bajan, el rendimiento es el más rápido registrado, y los números de codificación, agentes y contexto largo se mueven todos en la misma dirección favorable. Quédate en 3.5 Flash un poco más solo si estás bloqueado por preocupaciones de fiabilidad en la ventana de lanzamiento o tienes evaluaciones suficientemente ajustadas al comportamiento antiguo de tokens como para necesitar tiempo para revalidar. No hay ningún escenario en el que elegir 3.5 Flash para un proyecto nuevo tenga más sentido que empezar con 3.6.

Preguntas frecuentes

¿Es Gemini 3.6 Flash más inteligente que 3.5 Flash?

No — obtienen la misma puntuación (50) en el Artificial Analysis Intelligence Index. Los propios benchmarks de Google de codificación, agentes y contexto largo muestran ganancias reales, pero la medida independiente de inteligencia no ha cambiado.

¿Es más barato?

Sí. El costo de salida baja a $7.50 por 1M (desde $9.00), el de entrada es $1.50 con $0.15 para entrada almacenada en caché, y utiliza aproximadamente un 17% menos de tokens de salida por tarea, por lo que el costo por tarea se reduce tanto en la tarifa como en el eje de cantidad de tokens.

¿Debería migrar?

Para la mayoría de las cargas de trabajo de 3.5 Flash, sí: obtienes menor costo, mayor velocidad y resultados iguales o mejores, además de puntuaciones más sólidas en codificación y capacidad de agente. Vuelve a ejecutar tus evaluaciones primero si tus indicaciones están ajustadas con precisión, y fija las versiones si la fiabilidad del lanzamiento es importante para ti.

¿Empeoró algo?

Nada estructural. Las principales advertencias son la capacidad de la ventana de lanzamiento y los informes de confiabilidad, un informe de salida más débil de frontend/razonamiento espacial, y un tiempo lento hasta el primer token (~11.5 s con esfuerzo de pensamiento alto), lo cual puede ser importante para el uso interactivo.

¿Cuánto mejor es 3.6 Flash en codificación y tareas agentivas?

Según las propias comparaciones de proveedores de Google: SWE-Bench Pro 58.7% (frente a 55.1%), DeepSWE v1.1 49% (frente a 37%), Terminal-Bench 2.1 78.0% (frente a 76.2%), MLE-Bench 63.9% (frente a 49.7%) y OSWorld-Verified 83.0% (frente a 78.4%). Todos son auto-reportados, no ejecutados de forma independiente, así que considérelos como indicativos.

¿Qué hay del rendimiento en contexto largo?

Este es el mayor salto reportado: el recall de GDM-MRCR v2 en una longitud de contexto de 1M de tokens aumenta al 54.0% desde menos del 27% — aproximadamente el doble. También es una cifra reportada por el proveedor, pero es consistente con el menor conteo de tokens de salida del modelo en tareas comparables.

¿La reducción de precio también se aplica a los tokens de entrada?

El precio de entrada de 3.6 Flash es de $1.50 por 1M, con $0.15 para entrada en caché. La tarifa de entrada exacta actual de 3.5 Flash no se repetirá en los materiales de lanzamiento de 3.6, por lo que debes consultar la página de precios en vivo en lugar de asumir que cambió.

¿Hay un nuevo corte de conocimiento?

Sí — 3.6 Flash tiene una fecha de corte de conocimiento de marzo de 2026. La fecha de corte de 3.5 Flash no se repite en los materiales de comparación, pero la de 3.6 es naturalmente más reciente dada su fecha de lanzamiento posterior.

En resumidas cuentas

Gemini 3.6 Flash vs Gemini 3.5 Flash es la actualización más limpia para analizar: misma inteligencia medida, mismo perfil de capacidad, menor precio, menos tokens, más velocidad y mejoras consistentes —si informadas por el proveedor— en codificación, tareas agénticas y especialmente en tareas de contexto largo. Si estás en 3.5 Flash y el costo, la latencia o la fiabilidad agéntica son tu limitación, migra, después de una evaluación rápida y con versiones fijadas durante la ventana de lanzamiento. Si esperabas que el ".6" significara un modelo más inteligente directamente, no es así; para eso, esperas Gemini 3.5 Pro o Gemini 4. Consulta las comparaciones a continuación para sopesar 3.6 Flash frente a los modelos que no son de Google en su clase.