Google DeepMind hat Gemini 3.8 Flash am 2. September veröffentlicht. Laut offizieller Modellkarte baut es auf 3.7 Flash auf, mit Verbesserungen vor allem in der Softwareentwicklung und bei agentischen Wissensarbeits-Workflows. Der Start liegt nur wenige Tage nach dem Bekanntwerden einer internen Testversion für Mitarbeiter.
An den Spezifikationen hat sich wenig geändert: Das Eingabekontextfenster reicht bis zu 1 Million Token, die Ausgabe ist pro Durchlauf auf 64.000 Token begrenzt, der Wissensstand reicht bis März 2026, wobei einige Bereiche noch bei Januar 2025 stehen. Die Verteilung erfolgt auf einen Schlag über alle Kanäle: die Gemini-App, AI Studio, die Gemini API, die Gemini Enterprise Agent Platform, den Google AI Mode und das Programmiertool Antigravity. Das Modell unterstützt einstellbare Anstrengungsstufen (Effort Level), mit denen Entwickler selbst zwischen Qualität, Kosten und Latenz abwägen können.
Zwei Gesichter in derselben Tabelle
Die offizielle Vergleichstabelle stellt 3.8 Flash neben 3.7 Flash, Claude Opus 5, Claude Sonnet 5, GPT-5.6 Sol und GPT-5.6 Terra; interessant ist vor allem das Missverhältnis zwischen Preis und Benchmark-Ergebnis.
3.8 Flash bleibt beim Aktionspreis von 0,75 US-Dollar pro Million Eingabe-Token und 3,75 US-Dollar für Ausgabe-Token; Claude Opus 5 kostet dagegen 5 und 25 US-Dollar, also mehr als das Sechsfache. Bei diesem Preisunterschied stehen beide auf Terminal-bench 2.1 bei 89,4 zu 89,1 – praktisch gleichauf; bei CharXiv Reasoning 86,2 zu 83,7, bei HLE-Verified 54,9 zu 54,4, bei der Finanzanalyse-Aufgabe 61,4 zu 58,6, beim juristischen Workflow Harvey 10,0 zu 6,7 – überall liegt 3.8 Flash vorn; beim Verständnis langer Videos ist der Abstand mit 87,8 zu 75,4 größer.
Werden die Aufgaben länger, dreht sich das Bild um. Bei Terminal-bench 4.0, das allgemeinere agentische Fähigkeiten prüft, erreicht Opus 5 51,8 Punkte, 3.8 Flash nur 19,1; bei OSWorld-2.0, das agentische Computerbedienung misst, steht es 75,4 zu 59,0; beim Elo-Wert von GDPVal-AA v2 für Wissensarbeit 1824 zu 1545. Bei langfristigen Softwareentwicklungsaufgaben wie DeepSWE liegt es bei 74,0 zu 71,0 – der Abstand ist kleiner, zeigt aber dieselbe Richtung.
Das Muster ist recht klar: Je kürzer eine Aufgabe und je näher sie an einer Einzelschritt-Entscheidung liegt, desto geringer wirkt sich die Preisklasse aus; je länger die Aufgabe und je mehr das Modell selbst Zustand halten und Fehler korrigieren muss, desto stärker öffnet sich der Abstand zwischen den Preisklassen wieder. Grob gerechnet: Für dieselbe mittelkomplexe Coding-Pipeline liegen die Inferenzkosten von 3.8 Flash bei etwa einem Sechstel von Opus 5, während der Leistungsunterschied unter einem Prozentpunkt bleibt; bei einem agentischen Workflow mit mehreren Dutzend aufeinanderfolgenden Schritten muss man selbst ausprobieren, wie viel von der Ersparnis durch Wiederholungsversuche nach Fehlschlägen wieder aufgefressen wird.
Der Fortschritt gegenüber 3.7 Flash ist dagegen real. DeepSWE steigt von 65,3 auf 71,0, Terminal-bench 4.0 von 11,2 auf 19,1, OSWorld von 50,6 auf 59,0, die schwierige Stufe biowissenschaftlicher Forschungs-Workflows springt von 43,4 auf 56,5. Bei einem Release-Rhythmus von wenigen Wochen ist das kein kleiner Sprung.
Nutzer wussten es vor der Ankündigung
Noch bevor die offizielle Modellkarte online ging, bemerkte die Entwicklercommunity, dass etwas nicht stimmte: In der Web-Version und in Antigravity war noch 3.7 Flash als Modell angezeigt, doch auf die Frage „Welches Modell bist du?“ antwortete es, 3.8 Flash zu sein. Andere Nutzer sahen mitten in der Nutzung plötzlich einen neuen Eintrag „3.8 Flash“ in der Modellauswahl auftauchen, mit standardmäßig auf High gesetzter Anstrengungsstufe.
Ein stiller Modellwechsel ist bei führenden Laboren gängige Praxis: So lässt sich ein Modell unter realer Last testen und bei Problemen jederzeit zurückschalten. Die Kosten trägt dabei die Nutzerseite: Das Verhalten unter demselben Modellnamen ändert sich zu einem bestimmten Zeitpunkt, Prompt-Effektivität, Token-Verbrauch und Ausgabestil können sich mitverändern – meist ohne dass dies in einem Änderungsprotokoll auftaucht. Für Teams, die nach Token abgerechnet werden, zeigt sich die Schwankung auf der Rechnung oft früher als in einer offiziellen Ankündigung.
Die ersten Tests der Community liefen nach altbekanntem Muster: das Modell in einem Durchgang eine Sonnensystem-Animation erzeugen lassen oder ein SVG eines Pelikans zeichnen lassen. Solche Tests sind kaum wissenschaftlich, punkten aber mit niedriger Einstiegshürde – gut oder schlecht ist auf einen Blick erkennbar – und sind vor offiziellen Benchmark-Ergebnissen oft die einzige Referenz. Die Stimmung ist uneinheitlich, manche loben, manche kritisieren, wie bei jedem Modell-Update.
Der günstige Preis hat ein Verfallsdatum
Die Modellkarte listet einige bekannte Einschränkungen auf: Gelegentlich träge Antworten und Timeouts treten weiterhin auf; bei höher eingestellter Anstrengungsstufe verbraucht das Modell mehr Token, um die Leistung zu steigern, sodass die tatsächlichen Kosten nicht zwingend linear zum Listenpreis verlaufen. In Sachen Sicherheit erklärt Google, das Niveau entspreche insgesamt dem von 3.7 Flash, ein menschliches Red Team habe die Freigabeschwelle für Kindersicherheit bestätigt, während die Sicherheitswerte in nicht-englischsprachigen Szenarien leicht zurückgegangen seien.
Unter der Preisspalte findet sich noch eine Fußnote: Die Aktionspreise für 3.7 und 3.8 Flash laufen am 31. Dezember aus, ab dem 1. Januar des Folgejahres gelten wieder 1,5 US-Dollar pro Million Eingabe-Token und 7,5 US-Dollar für Ausgabe-Token – genau das Doppelte. Diese Preis-Leistungs-Tabelle muss in vier Monaten neu berechnet werden.
Quellen: Modellkarte von Google DeepMind, CocoLoop, offizielle Leistungsvergleichstabelle von Google, Diskussionen in der Entwicklercommunity; Kontextlänge, Ausgabelimit, Wissensstand und Vertriebskanäle wurden anhand der Modellkarte geprüft, Benchmark-Werte und Preise pro Million Token stammen aus der offiziellen Vergleichstabelle.