Gemini 3.6 Flash vs Gemini 3.5 Flash: Apa yang Sebenarnya Berubah?

Ketika Google meluncurkan Gemini 3.6 Flash pada 21 Juli 2026, mereka mendeskripsikan model tersebut dalam materi peluncuran mereka sebagai "berdasarkan pada Gemini 3.5 Flash" — sebuah pembingkaian yang sangat terus terang, dan kalimat paling berguna dalam seluruh pengumuman. Ini bukan lompatan generasi baru seperti Gemini 3 dibandingkan Gemini 2; ini adalah iterasi pada tingkat pekerja keras yang sama, disetel untuk pekerjaan yang sama — obrolan volume tinggi, pengambilan informasi, coding sehari-hari, dan pipeline agentik di mana biaya dan latensi sama pentingnya dengan kecerdasan mentah. Google tidak memposisikan ulang model, mengganti nama tingkatnya, atau mengubah target audiensnya. Jika Anda sudah menjalankan 3.5 Flash di produksi, 3.6 Flash adalah langkah selanjutnya yang jelas untuk dievaluasi, bukan produk yang berbeda untuk dipelajari.

Jadi, pertanyaan sebenarnya bukanlah "apakah 3.6 Flash lebih baik" secara abstrak — rilis Juli 2026 jelas dimaksudkan untuk mengungguli pendahulunya dari era Maret dalam sesuatu — melainkan dimensi spesifik mana yang bergerak, seberapa besar perubahannya, dan apakah dimensi-dimensi tersebut adalah yang benar-benar diandalkan oleh beban kerja Anda. Perbandingan ini membahas skor kecerdasan yang dimiliki kedua versi, peningkatan dalam hal pengkodean, agen, dan konteks panjang yang dilaporkan vendor, perbandingan biaya yang telah dihitung untuk satu panggilan representatif, serta tiga skenario untuk memutuskan apakah akan migrasi sekarang, nanti, atau tidak sama sekali.

TL;DR verdict.Tingkatkan untuk biaya, kecepatan, dan ruang gerak agen — bukan untuk kecerdasan mentah. Gemini 3.6 Flash dan 3.5 Flash sama-sama mendapat skor 50 pada Artificial Analysis Intelligence Index — tidak ada peningkatan kecerdasan pada satu tolok ukur independen tersebut. Namun 3.6 menurunkan harga output menjadi $7.50 per 1M (dari $9.00), menggunakan sekitar 17% lebih sedikit token output per tugas, dan merupakan model tercepat yang dilacak Artificial Analysis (303 token/detik). Tolok ukur Google sendiri juga menunjukkan peningkatan nyata dalam pengkodean, kemampuan agen, dan konteks panjang — yang paling mencolok adalah lonjakan dari di bawah 27% menjadi 54,0% pada recall konteks 1M (GDM-MRCR v2). Untuk hampir semua beban kerja 3.5 Flash, 3.6 Flash adalah kemenangan biaya-dan-kemampuan yang jelas; satu-satunya alasan untuk menunggu adalah stabilitas jendela peluncuran dan evaluasi yang disetel secara ketat.

Poin-poin penting

•  Skor kecerdasan yang sama. Keduanya berada di Artificial Analysis Intelligence Index 50 — peningkatannya adalah efisiensi dan kemampuan agen, bukan kecerdasan umum.

•  Output lebih murah. 3.6 Flash adalah $7.50 per 1M token output, turun dari $9.00 pada 3.5 Flash; input adalah $1.50, input cache $0.15.

• Lebih sedikit token, kecepatan lebih tinggi. Sekitar 17% lebih sedikit token output per tugas yang sebanding, dan throughput peringkat teratas pada ~303 token/detik.

•  Peningkatan coding yang sederhana namun konsisten.Google melaporkan 3.6 unggul dari 3.5 pada SWE-Bench Pro (58.7% vs 55.1%), DeepSWE (49% vs 37%), MLE-Bench (63.9% vs 49.7%), dan OSWorld (83.0% vs 78.4%).

•  Pengingatan konteks panjang melonjak tajam. GDM-MRCR v2 pada konteks 1M naik menjadi 54.0% dari di bawah 27% — delta tunggal terbesar yang dilaporkan antara kedua versi tersebut.

•  Selain itu, bentuknya sama. Keduanya memiliki konteks ~1M, output 64K, multimodal-in/text-out. 3.6 menambahkan batas pengetahuan Maret 2026.

• Ada peringatan terkait jendela peluncuran. Laporan awal mengenai tekanan kapasitas/keandalan dan setidaknya satu laporan tentang output frontend/penalaran spasial yang lebih lemah — sebaiknya kunci versi jika Anda menjalankan lalu lintas produksi.

Angka tolok ukur lintas model di sini — SWE-Bench Pro, DeepSWE, Terminal-Bench, MLE-Bench, OSWorld, GDPval, dan GDM-MRCR — adalah milik Google sendiri, membandingkan 3.6 Flash dengan 3.5 Flash. Satu-satunya jangkar independen, Artificial Analysis Intelligence Index (50 untuk keduanya), diukur ulang secara terus-menerus; verifikasi angka langsung sebelum mengutip. Harga input per token 3.5 Flash tidak disebutkan ulang dalam materi peluncuran; konfirmasi tarif terkini di halaman harga sebelum melakukan perhitungan biaya Anda sendiri.

Spesifikasi dan harga, berdampingan

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

• Harga output (per 1M) — 3.6 Flash: $7.50; 3.5 Flash: $9.00

•  Harga input (per 1M) — 3.6 Flash: $1.50 (cached $0.15); 3.5 Flash: lihat halaman harga saat ini

• Token keluaran per tugas — 3.6 Flash: ~17% lebih sedikit; 3.5 Flash: dasar

• Kecepatan — 3.6 Flash: 303 tok/s (#1 tracked); 3.5 Flash: cepat, generasi sebelumnya

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

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

•  GDM-MRCR v2 pada 1M, pengingatan konteks panjang (vendor) — 3.6 Flash: 54.0%; 3.5 Flash: di bawah 27%

•  Batas pengetahuan — 3.6 Flash: Maret 2026; 3.5 Flash: lebih awal (tidak disebutkan dalam materi peluncuran)

•  Konteks / keluaran / modalitas — keduanya: ~1M / 64K / multimodal-masuk, teks-keluar

Ceritanya ada di baris pertama dan terakhir. Kecerdasan identik di atas; amplop kemampuan identik di bawah — jendela konteks yang sama, batas output yang sama, bentuk multimodal-in/text-out yang sama. Segala sesuatu yang berubah berada di tengah: harga, jumlah token, kecepatan, skor coding, dan terutama pengingatan konteks panjang, yang paling banyak berubah di antara baris lainnya. Itulah profil dari rilis efisiensi-dan-kemampuan-agentik daripada model generasi baru.

Analisis mendalam benchmark: apa yang sebenarnya diukur oleh angka-angka tersebut

Mulailah dengan Indeks Kecerdasan Analisis Buatan, karena ini adalah satu-satunya angka di sini yang diukur secara independen, bukan dilaporkan sendiri. Kedua versi mendapat skor tepat 50. Seri itu penting: ini memberi tahu Anda bahwa penalaran, pengetahuan, dan kemampuan pemecahan masalah umum model tidak berubah antar rilis — Anda tidak mendapatkan model yang lebih pintar dalam arti komposit apa pun. Perlu juga diingat bahwa skor tersebut terkait dengan pengaturan upaya penalaran tertentu dan diukur ulang secara terus-menerus oleh pihak ketiga yang netral, jadi anggap 50/50 sebagai bacaan independen saat ini, bukan fakta permanen.

Angka-angka pengkodean menceritakan kisah yang berbeda, dan semuanya adalah perbandingan vendor milik Google sendiri. SWE-Bench Pro meningkat menjadi 58,7% dari 55,1%, dan DeepSWE v1.1 melonjak lebih jauh, menjadi 49% dari 37% — keduanya mengukur apakah model dapat menyelesaikan tugas-tugas rekayasa perangkat lunak yang realistis, bukan sekadar menjawab pertanyaan tentang kode. Lonjakan dua digit pada DeepSWE merupakan sinyal yang berarti meskipun sebagai angka yang dilaporkan sendiri, tetapi karena tidak ada pengujian ulang independen untuk evaluasi spesifik ini untuk pasangan ini, bacalah sebagai bukti arah dari agen pengkodean yang lebih kuat, bukan celah yang disertifikasi dan diverifikasi oleh pihak ketiga.

Evaluasi agenik memperluas gambaran tersebut. Terminal-Bench 2.1 meningkat menjadi 78,0% dari 76,2%, MLE-Bench naik menjadi 63,9% dari 49,7%, OSWorld-Verified naik menjadi 83,0% dari 78,4%, dan peringkat Elo GDPval-AA v2 bergerak menjadi 1421 dari 1349. Secara keseluruhan, evaluasi ini menguji pekerjaan multi-langkah yang menggunakan alat — menjalankan perintah terminal, menyelesaikan tugas rekayasa pembelajaran mesin, mengoperasikan lingkungan komputer, dan menghasilkan hasil kerja kelas profesional — daripada jawaban satu langkah. Arah yang konsisten di empat tolok ukur agenik yang berbeda lebih meyakinkan daripada satu skor saja, meskipun ada catatan dari vendor yang melekat pada masing-masing.

Namun, angka yang menonjol adalah recall konteks panjang: GDM-MRCR v2 pada panjang konteks 1M token meningkat menjadi 54,0% dari di bawah 27% — kira-kira dua kali lipat. Itu adalah delta terbesar yang dilaporkan di mana pun dalam perbandingan, dan itu menjelaskan banyak hal tentang dari mana sebenarnya penghematan token dan kecepatan berasal: model yang mengambil informasi yang tepat dari konteks besar dengan lebih andal memerlukan lebih sedikit lintasan korektif dan penalaran yang lebih sedikit redundan untuk mencapai jawaban yang benar, yang konsisten dengan jumlah token keluaran 3.6 yang lebih rendah sekitar 17% pada tugas yang sebanding.

Berapa biayanya dalam praktik

Harga per-token bersifat abstrak; biaya per-tugas yang muncul di faktur Anda. Ambil contoh panggilan representatif dengan 4.000 token input dan 2.000 token output. Karena tarif input terkini 3.5 Flash tidak disebutkan ulang di materi peluncuran 3.6, perhitungan di bawah ini menahan harga input pada $1,50 per 1M yang dipublikasikan untuk 3.6 Flash untuk kedua versi, untuk mengisolasi dua perubahan yang kita ketahui: harga output yang lebih rendah dan efisiensi token output ~17%. Konfirmasikan tarif input langsung 3.5 Flash di halaman harga jika Anda membutuhkan tagihan historis yang tepat. Atas dasar itu, biaya output 3.5 Flash untuk 2.000 token adalah 2.000 × $9,00 / 1M ≈ $0,018, ditambah ≈$0,006 input, total sekitar $0,024 per panggilan. Biaya output 3.6 Flash, setelah menerapkan tarif $7,50 yang lebih rendah dan pengurangan token ~17% (2.000 token menjadi sekitar 1.660), adalah 1.660 × $7,50 / 1M ≈ $0,01245, ditambah input ≈$0,006 yang sama, total sekitar $0,0185 per panggilan — sebut saja $0,021 sebelum efek efisiensi token dan sekitar $0,0185 setelah kedua perubahan digabungkan.

•  Biaya per panggilan (4K masuk / 2K keluar) — 3.5 Flash: ~$0.024; 3.6 Flash: ~$0.0185 (harga output lebih rendah ditambah ~17% lebih sedikit token output)

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

• 1 juta panggilan / bulan — Flash 3.5: ~$24.000; Flash 3.6: ~$18.500

• Biaya relatif — 3.6 Flash: sekitar 77% dari biaya 3.5 Flash per tugas (kurang lebih penghematan 23%)

23% adalah angka riil pada volume berapa pun, tetapi pertumbuhannya paling cepat dalam pipeline agen, di mana Google mencatat rata-rata sekitar 1,3 menit per tugas pada 3.6 Flash dibandingkan 2,7 menit pada 3.5 Flash. Beban kerja yang membayar per panggilan dan per menit orkestrasi menghemat kedua sumbu sekaligus: lebih sedikit token per respons, tarif yang lebih murah untuk token yang digunakannya, dan lebih sedikit waktu nyata yang ditempati oleh loop atau antrian agen yang menjalankannya. Pada 1 juta panggilan per bulan, sekitar $5.500 dalam biaya token langsung adalah bagian yang terlihat dari itu; penghematan komputasi dan latensi dari menyelesaikan tugas dalam setengah waktu adalah bagian yang tidak muncul di halaman harga.

Tiga skenario dunia nyata

1. Titik akhir produksi yang bervolume tinggi dan sensitif terhadap latensi

Obrolan, dukungan, pengambilan, dan penyusunan dalam skala besar — jenis beban kerja yang sudah dirancang untuk 3.5 Flash. Karena kecerdasan tidak berubah (50 vs 50) dan batas kemampuan identik, tidak ada risiko kualitas output yang perlu dipertimbangkan terhadap peningkatan ini. Harga output 3.6 Flash yang lebih rendah, 17% lebih sedikit token per tugas, dan throughput #1 yang dilacak membuat ini hampir merupakan peningkatan yang ketat: kualitas yang sama, tagihan lebih rendah, respons lebih cepat. Ini adalah migrasi termudah dari ketiganya.

2. Sebuah pipeline pengkodean atau DevOps yang agentik

Tugas multi-langkah — menyelesaikan masalah, menjalankan perintah terminal, mengoperasikan alat — adalah tempat di mana keuntungan yang dilaporkan vendor 3.6 Flash terkonsentrasi: SWE-Bench Pro, DeepSWE, Terminal-Bench, MLE-Bench, dan OSWorld semuanya bergerak mendukungnya, dan waktu rata-rata per tugas turun dari sekitar 2,7 menit menjadi 1,3. Digabungkan dengan lonjakan recall konteks panjang (54,0% vs di bawah 27% pada GDM-MRCR v2 pada 1M), ini adalah skenario di mana migrasi menangkap keuntungan terbesar, tidak hanya penghematan biaya. Jalankan kembali rangkaian evaluasi Anda sendiri sebelum berkomitmen penuh, karena angka-angka ini adalah perbandingan mandiri vendor, bukan yang diverifikasi secara independen.

3. Sistem produksi yang disetel secara ketat dan terkunci evaluasi.

Jika prompt, guardrail, atau evaluasi otomatis Anda dikalibrasi secara ketat terhadap perilaku token eksak 3.5 Flash, perubahan token output sekitar 17% dan pergeseran coding/agentik dapat menggeser output cukup untuk memecahkan pemeriksaan kecocokan eksak yang rapuh, meskipun kecerdasan dasar tidak berubah. Tambahkan laporan kapasitas dan keandalan jendela peluncuran — serta satu laporan tentang output frontend/penalaran spasial yang lebih lemah — dan jalur yang masuk akal di sini adalah mengunci versi, memvalidasi ulang terhadap set evaluasi Anda sendiri, dan meluncurkan 3.6 Flash secara bertahap daripada melakukan perubahan secara langsung.

Kapan harus tetap menggunakan 3.5 Flash

Hanya ada dua alasan nyata untuk menunggu. Pertama, stabilitas: 3.6 Flash menarik keluhan awal dari Hacker News tentang kapasitas dan keandalan di bawah beban peluncuran, dan satu penguji melaporkan hasil frontend/penalaran spasial yang buruk — beban penyediaan lebih merupakan kemunduran kapasitas daripada kemampuan, tetapi layak untuk mematok versi jika Anda menjalankan lalu lintas produksi dan tidak dapat mentolerir jendela peluncuran yang kasar.

Kedua, reprodusibilitas yang tepat: jika Anda memiliki prompt dan evaluasi yang disesuaikan secara ketat dengan perilaku 3.5 Flash, perubahan efisiensi token serta keuntungan dalam pengkodean/agen dapat menggeser keluaran cukup signifikan, meskipun skor kecerdasan dasar tidak berubah. Lakukan validasi ulang sebelum beralih, jangan menganggapnya sebagai pengganti yang langsung cocok. Di luar dua kasus tersebut, tidak ada kemampuan yang hilang dengan beralih ke 3.6 Flash.

Mana yang harus dipilih

Bagi hampir semua orang yang sudah menjalankan 3.5 Flash, jawaban default adalah beralih ke 3.6 Flash: kecerdasan yang Anda dapatkan tidak berubah, harga per token keluaran dan token-per-tugas sama-sama turun, throughput adalah yang tercepat yang terlacak, dan angka-angka coding, agentic, dan konteks panjang semuanya bergerak ke arah yang sama menguntungkan. Tetap menggunakan 3.5 Flash sedikit lebih lama hanya jika Anda terhambat oleh masalah keandalan jendela peluncuran atau Anda memiliki eval yang terikat cukup erat dengan perilaku token lama sehingga Anda membutuhkan waktu untuk memvalidasi ulang. Tidak ada skenario di sini di mana memilih 3.5 Flash untuk proyek baru lebih masuk akal daripada memulai dengan 3.6.

Pertanyaan yang Sering Diajukan (FAQ)

Apakah Gemini 3.6 Flash lebih cerdas daripada 3.5 Flash?

Tidak — mereka mendapatkan skor yang sama (50) pada Artificial Analysis Intelligence Index. Tolok ukur coding, agentic, dan long-context milik Google sendiri menunjukkan peningkatan nyata, tetapi ukuran kecerdasan independen tidak berubah.

Apakah ini lebih murah?

Ya. Output turun menjadi $7.50 per 1M (dari $9.00), input adalah $1.50 dengan $0.15 input cache, dan menggunakan sekitar 17% lebih sedikit token output per tugas — sehingga biaya per tugas turun pada sisi tarif dan jumlah token.

Haruskah saya migrasi?

Untuk sebagian besar beban kerja 3.5 Flash, ya — Anda mendapatkan biaya lebih rendah, kecepatan lebih tinggi, dan output yang sama atau lebih baik, ditambah skor coding dan agen yang lebih kuat. Jalankan ulang evaluasi Anda terlebih dahulu jika prompt Anda disetel dengan ketat, dan kunci versi jika keandalan jendela peluncuran penting bagi Anda.

Apakah ada yang menjadi lebih buruk?

Tidak ada yang struktural. Peringatan utamanya adalah kapasitas jendela peluncuran dan laporan keandalan, satu laporan tentang output frontend/penalaran spasial yang lebih lemah, dan waktu lambat ke token pertama (~11,5 detik pada upaya berpikir tinggi), yang dapat menjadi penting untuk penggunaan interaktif.

Seberapa lebih baik 3.6 Flash dalam coding dan tugas-tugas agen?

Berdasarkan perbandingan vendor Google sendiri: SWE-Bench Pro 58,7% (vs 55,1%), DeepSWE v1.1 49% (vs 37%), Terminal-Bench 2.1 78,0% (vs 76,2%), MLE-Bench 63,9% (vs 49,7%), dan OSWorld-Verified 83,0% (vs 78,4%). Semua dilaporkan sendiri, tidak dijalankan ulang secara independen, jadi perlakukan sebagai indikasi arah.

Bagaimana dengan kinerja konteks panjang?

Ini adalah lonjakan terbesar yang dilaporkan: recall GDM-MRCR v2 pada panjang konteks 1M-token naik menjadi 54,0% dari di bawah 27% — kira-kira dua kali lipat. Angka ini juga merupakan angka yang dilaporkan vendor, tetapi konsisten dengan jumlah token output model yang lebih rendah pada tugas-tugas yang sebanding.

Apakah pemotongan harga juga berlaku untuk token input?

Harga input 3.6 Flash adalah $1,50 per 1M dengan $0,15 untuk input yang di-cache. Tingkat input tepat 3.5 Flash saat ini tidak disebutkan ulang di materi peluncuran 3.6, jadi periksa halaman harga langsung daripada berasumsi itu berubah.

Apakah ada batas pengetahuan baru?

Ya — 3.6 Flash memiliki batas pengetahuan Maret 2026. Batas pengetahuan 3.5 Flash tidak disebutkan kembali dalam materi perbandingan, tetapi batasan 3.6 secara alami lebih baru mengingat tanggal rilisnya yang lebih baru.

Intinya

Gemini 3.6 Flash versus Gemini 3.5 Flash adalah jenis peningkatan paling bersih untuk dipertimbangkan: kecerdasan terukur yang sama, jangkauan kemampuan yang sama, harga lebih rendah, token lebih sedikit, kecepatan lebih tinggi, dan peningkatan yang konsisten — jika dilaporkan vendor — pada tugas coding, agentic, dan terutama tugas konteks panjang. Jika Anda menggunakan 3.5 Flash dan biaya, latensi, atau keandalan agentic menjadi kendala, beralihlah, setelah evaluasi cepat dan dengan versi yang dipatok selama jendela peluncuran. Jika Anda berharap bahwa ".6" berarti model yang lebih pintar secara langsung, ternyata tidak; untuk itu, Anda harus menunggu Gemini 3.5 Pro atau Gemini 4. Lihat perbandingan di bawah untuk menimbang 3.6 Flash terhadap model non-Google di kelasnya.