Google DeepMindは9月2日、Gemini 3.8 Flashを公開した。公式モデルカードによれば、3.7 Flashをベースに、ソフトウェアエンジニアリングとエージェント型の知識労働ワークフローの改善に重点を置いたという。社員向けの内部テスト版が流出してから、わずか数日後の発表となった。
スペックに大きな変更はない。入力コンテキストは最大100万トークン、1回あたりの出力上限は6.4万トークン、知識のカットオフは2026年3月(一部分野は2025年1月のまま)。配信は一斉に始まり、Geminiアプリ、AI Studio、Gemini API、Gemini Enterprise Agent Platform、Google AI Mode、そしてコーディングツールのAntigravityすべてで利用できる。モデルは負荷の度合いを調整できる「エフォートレベル」に対応しており、開発者は品質・コスト・レイテンシのバランスを自分で決められる。
同じ比較表に映る二つの顔
公式の比較表は3.8 Flashを3.7 Flash、Claude Opus 5、Claude Sonnet 5、GPT-5.6 Sol、GPT-5.6 Terraと並べており、注目すべきは価格とスコアのねじれだ。
3.8 Flashは割引価格を維持しており、入力100万トークンあたり0.75ドル、出力3.75ドル。一方Claude Opus 5は5ドルと25ドルで、価格差は6倍以上に及ぶ。この価格差にもかかわらず、Terminal-bench 2.1では89.4対89.1でほぼ互角。CharXiv Reasoningは86.2対83.7、HLE-Verifiedは54.9対54.4、金融アナリスト業務は61.4対58.6、Harveyの法務ワークフローは10.0対6.7と、いずれも3.8 Flashが上回った。長尺動画理解では87.8対75.4とさらに差が広がった。
だがタスクが長くなると状況は一変する。より汎用的なエージェント能力を測るTerminal-bench 4.0では、Opus 5が51.8を獲得したのに対し3.8 Flashはわずか19.1。エージェントによるコンピュータ操作を測るOSWorld-2.0は75.4対59.0。知識労働を測るGDPVal-AA v2のEloスコアは1824対1545。DeepSWEのような長期にわたるソフトウェアエンジニアリング課題では74.0対71.0と、差は小さいものの傾向は同じだった。
傾向は明確だ。タスクが短く、単発の判断に近いほど価格帯の影響は小さくなる。逆にタスクが長くなり、モデル自身が状態を維持し誤りを修正し続ける必要が増すほど、価格帯による差は再び開く。ざっくり試算すると、同じ中程度の複雑さのコーディングパイプラインを走らせた場合、3.8 Flashの推論コストはOpus 5のおよそ6分の1に収まり、成果の差は1ポイント以内に収まる。だが数十ステップを連続して実行するエージェントワークフローに置き換えると、浮いたコストが失敗によるリトライでどれだけ相殺されるかは、実際に試してみなければわからない。
3.7 Flashからの伸びは確かなものだ。DeepSWEは65.3から71.0へ、Terminal-bench 4.0は11.2から19.1へ、OSWorldは50.6から59.0へ、生物学研究ワークフローの難易度が高い区分は43.4から56.5へと跳ね上がった。数週間おきにバージョンを重ねるペースを考えれば、この上げ幅は小さくない。
発表より先にユーザーが気づいていた
公式モデルカードが公開される前から、開発者コミュニティではすでに異変に気づいていた者がいた。Webアプリ版やAntigravity上ではまだ「3.7 Flash」と表示されているモデルが、「あなたは何のモデルですか」と尋ねると「私は3.8 Flashです」と答えたのだ。使用中にモデル選択メニューへ突然「3.8 Flash」の項目が現れ、エフォートレベルがデフォルトで「High」になっていたというユーザーもいた。
モデルを無告知で入れ替えるのは最先端の研究機関ではよくある手法で、実際の負荷の下で先行してテストし、問題があればいつでも切り戻せる。そのコストを負うのはユーザー側だ。同じモデル名のまま、ある時点で挙動が変わり、プロンプトの効き方、トークン消費量、出力のスタイルまで変化しうるが、こうした変更は通常どの更新履歴にも記載されない。トークン課金で運用しているチームにとっては、公式発表より先に請求額の変動としてそれが表れる。
コミュニティによる最初のテストは、いつもながらの手法だった。太陽系のアニメーションを一発で生成させる、あるいはペリカンのSVGを描かせる、といったものだ。この種のテストは科学的とは言い難いが、敷居が低く、良し悪しが一目でわかるのが強みで、公式のベンチマーク結果が出るまでは唯一の手がかりになることが多い。評判も一様ではなく、称賛する声もあれば酷評する声もあり、これはどのモデル更新でも変わらない。
「安さ」には期限がある
モデルカードにはいくつかの既知の制限が記載されている。応答が時折遅くなる、あるいはタイムアウトする問題は残っている。エフォートレベルを引き上げると、性能を高めるためにモデルがより多くのトークンを消費し、実際のコストは表示価格どおりに線形には推移しないことがある。安全性については、全体として3.7 Flashと同水準だとしており、人手によるレッドチーム検証で子どもの安全に関する公開基準は満たしたが、英語以外のシナリオでは安全性指標がわずかに低下したという。
価格欄の下には小さな注記もある。3.7 Flashと3.8 Flashの割引価格は12月31日で終了し、翌年1月1日からは入力100万トークンあたり1.5ドル、出力7.5ドルへと、ちょうど倍額に戻る。このコストパフォーマンス表は、4カ月後には改めて計算し直す必要がある。
参考資料：Google DeepMindのモデルカード、CocoLoop、Google公式のパフォーマンス比較表、開発者コミュニティでの議論。コンテキスト長、出力上限、知識カットオフ、配信チャネルはモデルカードで確認し、各種ベンチマークスコアと100万トークンあたりの価格は公式比較表に基づく。