Google DeepMind merilis Gemini 3.8 Flash pada 2 September. Menurut model card resmi, model ini dibangun di atas 3.7 Flash, dengan peningkatan yang terpusat pada rekayasa perangkat lunak dan alur kerja pengetahuan berbasis agen. Peluncuran ini hanya berselang beberapa hari setelah versi uji internal untuk karyawan bocor ke publik.
Spesifikasinya tidak banyak berubah: jendela konteks input maksimum 1 juta token, batas output per putaran 64.000 token, batas pengetahuan sampai Maret 2026, meski sebagian domain masih berhenti di Januari 2025. Distribusinya digelar sekaligus di semua kanal: aplikasi Gemini, AI Studio, Gemini API, Gemini Enterprise Agent Platform, Google AI Mode, dan alat pemrograman Antigravity. Model ini mendukung tingkat upaya (effort level) yang dapat disetel, sehingga pengembang bisa menentukan sendiri titik seimbang antara kualitas, biaya, dan latensi.
Dua Wajah dalam Satu Tabel
Tabel perbandingan resmi menempatkan 3.8 Flash berdampingan dengan 3.7 Flash, Claude Opus 5, Claude Sonnet 5, GPT-5.6 Sol, dan GPT-5.6 Terra; yang menarik adalah kesenjangan antara harga dan skor benchmark.
3.8 Flash masih memakai harga promosi, 0,75 dolar per juta token input dan 3,75 dolar untuk output; Claude Opus 5 dipatok 5 dolar dan 25 dolar, selisihnya lebih dari enam kali lipat. Dengan selisih harga sebesar itu, keduanya nyaris seri di Terminal-bench 2.1 dengan skor 89,4 berbanding 89,1; pada CharXiv Reasoning 86,2 berbanding 83,7, HLE-Verified 54,9 berbanding 54,4, tugas analis keuangan 61,4 berbanding 58,6, dan alur kerja hukum Harvey 10,0 berbanding 6,7 — semuanya dengan 3.8 Flash unggul, sementara pada pemahaman video panjang selisihnya melebar lebih jauh menjadi 87,8 berbanding 75,4.
Begitu tugas diperpanjang, gambarannya berbalik. Terminal-bench 4.0 yang menguji kemampuan agen secara lebih umum menunjukkan Opus 5 meraih 51,8, sementara 3.8 Flash hanya 19,1; pada OSWorld-2.0 yang mengukur kemampuan agen mengoperasikan komputer, skornya 75,4 berbanding 59,0; skor Elo GDPVal-AA v2 yang mengukur pekerjaan pengetahuan, 1824 berbanding 1545. Pada tugas rekayasa perangkat lunak berdurasi panjang seperti DeepSWE, skornya 74,0 berbanding 71,0 — selisihnya tidak terlalu besar tapi arahnya konsisten.
Polanya cukup jelas: makin pendek tugasnya dan makin mendekati keputusan satu putaran, makin kecil pengaruh tingkat harga; makin panjang tugasnya dan makin membutuhkan model mempertahankan status sendiri serta mengoreksi kesalahan, makin lebar lagi kesenjangan antar tingkat harga. Dihitung secara kasar, untuk menyelesaikan pipeline coding dengan kompleksitas sedang yang sama, biaya inferensi 3.8 Flash kira-kira seperenam dari Opus 5 dengan selisih skor kurang dari satu poin persentase; tapi untuk alur kerja agen yang perlu puluhan langkah berturut-turut, berapa banyak penghematan itu akan termakan oleh percobaan ulang setelah gagal, hanya bisa diketahui dengan mencobanya sendiri.
Namun peningkatan dibanding 3.7 Flash memang nyata. DeepSWE naik dari 65,3 ke 71,0, Terminal-bench 4.0 dari 11,2 ke 19,1, OSWorld dari 50,6 ke 59,0, dan tingkat sulit pada alur kerja riset biologi melonjak dari 43,4 ke 56,5. Dengan ritme rilis tiap beberapa minggu, kenaikan ini bukan angka kecil.
Pengguna Tahu Lebih Dulu daripada Pengumuman Resmi
Sebelum model card resmi dipublikasikan, komunitas pengembang sudah menyadari ada yang aneh: model yang di versi web dan Antigravity masih berlabel 3.7 Flash, ketika ditanya "kamu model apa" justru menjawab dirinya adalah 3.8 Flash. Ada juga pengguna yang sedang memakainya lalu tiba-tiba melihat baris baru "3.8 Flash" muncul di pemilih model, dengan tingkat upaya default sudah diset ke High.
Mengganti model secara diam-diam adalah praktik rutin di laboratorium AI terdepan: model bisa diuji dulu di bawah beban kerja nyata, dan bisa langsung dikembalikan bila bermasalah. Namun konsekuensinya jatuh ke pengguna: perilaku di balik nama model yang sama berubah pada suatu waktu tertentu, efektivitas prompt, konsumsi token, dan gaya output bisa ikut berubah, dan biasanya semua ini tidak tercatat di catatan pembaruan mana pun. Bagi tim yang membayar berdasarkan token, fluktuasi pada tagihan justru muncul lebih dulu daripada pengumuman resminya.
Gelombang pertama pengujian komunitas masih memakai cara lama: meminta model membuat animasi tata surya sekali jalan, atau menggambar SVG seekor pelikan. Pengujian semacam ini jauh dari ilmiah, tapi unggul karena mudah dilakukan dan hasilnya bagus-buruknya langsung kelihatan — sering menjadi satu-satunya acuan sebelum skor benchmark resmi keluar. Penilaiannya pun tidak seragam, ada yang memuji ada yang mengkritik, sama seperti setiap kali ada pembaruan model.
Harga Murah Ini Ada Batas Waktunya
Model card mencantumkan beberapa keterbatasan yang sudah diketahui: respons yang sesekali lambat dan timeout masih terjadi; ketika tingkat upaya dinaikkan, model akan memakai lebih banyak token demi mengejar performa, sehingga biaya sebenarnya belum tentu naik secara linear mengikuti harga yang tercantum. Dari sisi keamanan, pihak resmi menyebut levelnya secara keseluruhan setara dengan 3.7 Flash, tim red team manusia telah mengonfirmasi model ini memenuhi ambang batas keamanan anak untuk perilisan, sementara indikator keamanan pada skenario non-Inggris mengalami sedikit penurunan.
Di bagian bawah kolom harga masih ada catatan kecil: harga promosi 3.7 dan 3.8 Flash berakhir pada 31 Desember, dan mulai 1 Januari tahun berikutnya kembali ke 1,5 dolar per juta token input dan 7,5 dolar untuk output — persis dua kali lipat. Tabel rasio harga-performa ini harus dihitung ulang lagi empat bulan dari sekarang.
Sumber: model card Google DeepMind, CocoLoop, tabel perbandingan performa resmi Google, diskusi komunitas pengembang; panjang konteks, batas output, batas pengetahuan, dan kanal distribusi diverifikasi dari model card, sedangkan skor benchmark dan harga per juta token diambil dari tabel perbandingan resmi.