Gemini 3.8 Flash arbeitet härter und wird teurer

Seit dem 2. September gibt es Gemini 3.8 Flash. Der Vorgänger ist zu diesem Zeitpunkt drei Wochen alt. Es ist Googles dritter Flash-Release innerhalb von sechs Wochen und der vierte in weniger als vier Monaten, während das große Modell weiter fehlt. Das 3.5 Pro, das Sundar Pichai auf der I/O im Mai für den Folgemonat versprochen hatte, ist bis heute nicht erschienen. Ein Gemini 4 steckt nach Googles eigener Auskunft seit Juli im Pretraining.

Die Flash-Reihe ist bei mir eines dieser Dinge, über die ich wenig schreibe und die ich dafür umso häufiger benutze. Textliche Zusammenfassungen, Generieren von HTML und CSS, als Arbeitstier in n8n-Workflows. Das läuft seit Monaten im Hintergrund, zuletzt mit 3.7.

Vor allem hinter meinen eigenen Obsidian-Workflows arbeitet Flash regelmäßig. Eine Sprachnachricht kommt über Telegram rein, das Modell transkribiert und strukturiert sie, am Ende liegt Markdown mit Frontmatter in meiner Inbox. Ähnliches passiert mit Webseiten, Screenshots und YouTube-Videos. Kein spektakulärer Agenten-Stunt, sondern Arbeit, die zuverlässig erledigt werden soll.

Google nennt 3.8 Flash sein „most intelligent workhorse model“ und verspricht mehr Coding- und Agentenleistung bei gleicher Geschwindigkeit und gleichem Preis. Der erste Teil sieht nach den unabhängigen Messungen gut aus. An die anderen beiden gehört jeweils ein Sternchen.

Drei Punkte mehr – und ausgerechnet Agenten profitieren

Auf dem Artificial Analysis Intelligence Index erreicht Gemini 3.8 Flash mit Thinking-Level high 59 Punkte. Der Vorgänger kam auf 56. Medium landet bei 57, low bei 52.

Drei Punkte klingen jetzt nicht nach Generationssprung, aber es ist interessant, wo sie herkommen: Artificial Analysis sieht die stärksten Verbesserungen bei agentischen Evaluationen – also dort, wo ein Modell nicht nur eine Antwort formuliert, sondern Tools benutzt, mehrere Schritte plant und mit den Ergebnissen weiterarbeitet. Bei τ³-Banking legt 3.8 zwölf Punkte auf 45 % zu, der größte Einzelsprung im Index.

Bei längeren Coding-Aufgaben sieht das Modell ebenfalls gut aus. Google gibt für DeepSWE v1.1 73,7 % an, gegenüber 65,3 % bei 3.7 Flash. Datacurve hat am 1. September nachgezogen: Das unabhängige DeepSWE-Leaderboard misst für Gemini 3.8 Flash high 74 % ± 1 % bei durchschnittlich 2,36 $ pro Task. Claude Opus 5 max kommt dort auf denselben Score – für 11,84 $. Hier hält der Herstellerwert der unabhängigen Nachmessung also ziemlich genau stand.

Die reine Ausgabegeschwindigkeit bleibt erhalten. Artificial Analysis misst rund 305 Output-Tokens pro Sekunde, was für ein Modell dieser Leistungsklasse bemerkenswert bleibt. Pro erledigter Aufgabe dauert es trotzdem länger: Die Time per Task steigt von 2,2 auf 2,5 Minuten, dazu kommt eine Time to First Answer Token von 13,4 Sekunden gegenüber einem Median von rund 3 Sekunden bei vergleichbaren Reasoning-Modellen. Schnell pro Token ist eben nicht schnell pro Ergebnis.

Gleicher Tokenpreis heißt nicht gleiche Rechnung

Google verlangt bis Ende des Jahres weiterhin 0,75 $ pro Million Input-Tokens und 3,75 $ für den Output. Exakt die Preise von 3.7 Flash.

Dass 3.8 bei komplexeren Aufgaben härter arbeitet, schreibt Google selbst. Das Modell führt mehr Reasoning-Schritte aus, ruft Tools häufiger auf und kann auf höheren Thinking-Leveln mehr Tokens verbrauchen.

Artificial Analysis misst den Effekt bereits. Eine Aufgabe im Intelligence Index kostet mit Gemini 3.8 Flash high im Mittel 0,58 $, bei 3.7 Flash high waren es 0,40. Das sind grob 40 % mehr, obwohl sich an der Preisliste kein Cent geändert hat. Als Ursache nennt Artificial Analysis rund 30 % mehr Output-Tokens pro Aufgabe – im Schnitt 48.000 – und zusätzliche Turns in den agentischen Tests.

Damit wird „Preis pro Million Tokens“ bei Reasoning-Modellen langsam irrelevanter als Kennzahl. Entscheidend ist nicht, was eine Million Tokens kostet, sondern wie viele davon das Modell braucht, bis die Arbeit erledigt ist.

Das zweite Sternchen sitzt 'ne Spur tiefer in der Fußnote: Die 0,75 beziehungsweise 3,75 $ sind Einführungspreise, und Google weist im Launch-Post darauf hin, dass sie am 31. Dezember 2026 auslaufen. Ab dem 1. Januar 2027 gelten 1,50 und 7,50 $. Wenn du gerade Workflows auf Flash umstellst, rechne mit dem Standardpreis und nicht mit dem Einführungspreis.

Thinking-Level müssen wir dann mal testen

Spannend sind die drei Thinking-Level. Gemini 3.8 Flash unterstützt low, medium und high; minimal wirft laut Modellseite einen Fehler. Artificial Analysis misst 52 Punkte für low, 57 für medium und 59 für high.

Zwischen medium und high liegen zwei Punkte. Bei den Kosten pro Benchmark-Aufgabe liegen 0,41 gegen 0,58 $ dazwischen, low landet bei 0,24. Medium kostet pro Aufgabe damit ungefähr so viel wie 3.7 Flash auf high und das bei einem Punkt mehr im Index.

Google empfiehlt das im Launch-Post sogar selbst: Wer auf Recheneffizienz optimiert, soll niedrigere Effort-Level nehmen oder bei 3.7 Flash bleiben, das vollständig unterstützt bleibt. Wenn ein Hersteller in der eigenen Ankündigung die Bremse erwähnt, ist das bemerkenswert ehrlich.

Ein Intelligence Index weiß trotzdem nicht, ob Gemini aus meiner hingemurmelten Sprachnachricht vernünftiges Frontmatter baut oder aus einer Webseite ein brauchbares Exzerpt zieht. Dort liegt für mich der interessantere Test.

Die meisten Agents und Workflows brauchen kein maximal ausgereiztes Reasoning. Sie brauchen ein LLM, das Audio und Video versteht, strukturierte Daten zuverlässig ausgibt, genug Context Window verträgt und flott genug ist, damit eine Sprachnachricht nicht zum Batch-Job für den nächsten Morgen wird. Das konnte 3.7 bereits erfreulich gut.

Technisch bringt 3.8 die gleiche Ausstattung mit: 1.048.576 Tokens Input, 65.536 Tokens Output, dazu Text, Bilder, Audio, Video und PDF als Input. Tool Calling, Structured Outputs, Search Grounding und Code Execution gehören zum Paket.

Für solche Anwendungen würde ich zuerst medium gegen den bestehenden 3.7-Workflow stellen und für reine Extraktion und Zusammenfassungen auch low ausprobieren. High nur einzuschalten, weil 59 größer als 57 ist, ist eigentlich herzlich sinnlos.

Die für Pipelines interessanteste Zahl steht im Safety-Absatz

Ein Punkt geht zwischen den Coding-Benchmarks aber unter: Auf dem von Gray Swan durchgeführten Benchmark für indirekte Prompt Injection sinkt die Attack Success Rate von 9,2 % bei Gemini 3.7 Flash auf 5,5 % bei 3.8 Flash. 3.8 Flash Cyber liegt bei 6,0 %. Die Werte veröffentlicht Google in der Launch-Grafik; Gray Swan führte das Eval mit von Google bereitgestellten Checkpoints durch.

Für meinen Anwendungsfall ist die Messung trotzdem die relevanteste im ganzen Release. Ich schiebe generiertes Markdown aus fremden Websites, Screenshots und YouTube-Transkripte durch ein Modell, das anschließend strukturiertes Markdown in meinen Vault schreibt. Jede dieser Quellen ist Text, den ich nicht kontrolliere. Wenn du solche Pipelines betreibst, ist diese Zahl praktisch wichtiger als der Intelligence Index.

Gemini 3.8 Flash Cyber bleibt hinter verschlossenen Türen

Parallel veröffentlicht Google Gemini 3.8 Flash Cyber. Technisch steckt dieselbe grundlegende Intelligenz dahinter, die Sicherheitsgrenzen für Cybersecurity-Aufgaben sind allerdings permissiver.

Das Muster ist bei Google nicht neu. Schon Gemini 3.5 Flash Cyber lief im Juli als limitierter Pilot für Behörden und ausgewählte Partner. Auch OpenAI fährt bei seinen Cyber-Modellen einen Restricted-Access-Ansatz: leistungsfähigere offensive und defensive Fähigkeiten, dafür kein frei zugänglicher API-Key für Hinz und Kunz.

Den Zugang wickelt Google über das neue Fairwind Program ab, das Gemini 3.8 Flash Cyber mit dem Agent-Harness CodeMender fürs Finden und Patchen kombiniert. Mehr als 650 Organisationen gehören laut Google bereits dazu, unter anderem Betreiber kritischer Infrastruktur, Behörden, Cloud-Kunden und Security-Anbieter.

Auf CyberGym erreicht 3.8 Flash Cyber nach Googles Angaben 86,2 % Pass@1. Beim von Collinear betriebenen externen CWE-Bench für automatisches Patchen kommt das Modell auf 47,2 % gegenüber 47,8 % bei Claude Fable 5 – bei deutlich niedrigeren Rollout-Kosten. CyberGym bleibt hier ein von Google berichteter Modell-Run; CWE-Bench hat die stärkere externe Evidenz. Breite Nachtests sind wegen des eingeschränkten Modellzugangs allerdings schwierig.

Der interessante Benchmark läuft woanders

Gemini 3.8 Flash sieht nach einem gelungenen Update aus. Die unabhängigen Zahlen bestätigen den Sprung bei agentischen Aufgaben, die Ausgabegeschwindigkeit bleibt hoch, und medium kommt erstaunlich nah an high heran.

Meinen Maßstab setze ich trotzdem nicht bei 59 Punkten an.

Bei meinen bestehenden Workflows und auch diversen Pipelines ist die Referenz 3.7 Flash. Das Modell funktioniert dort. Es fasst Texte vernünftig zusammen, produziert brauchbares HTML und CSS und verarbeitet Audio, Videos und andere multimodale Inputs zuverlässig genug, dass ich darüber nicht mehr nachdenken muss. Für ein Arbeitsmodell ist das ein ziemlich gutes Kompliment.

Ob 3.8 diesen Platz übernimmt, entscheidet ein banaler A/B-Test. Gleiche Inputs, gleiche Prompts, gleiche Workflows, danach Output-Qualität, Laufzeit, Fehlerquote und tatsächliche Kosten vergleichen. Liefert medium dieselbe Zuverlässigkeit und fängt schwierige Fälle besser ab, nehme ich das Upgrade gern mit. Verbrennt 3.8 dagegen hauptsächlich mehr Tokens, während meine Dokumente am Ende genauso aussehen wie vorher, darf 3.7 noch eine Weile weiterarbeiten – Google selbst hat gegen diesen Plan ja ausdrücklich nichts.

Bei drei Flash-Modellen in sechs Wochen ist das ohnehin die pragmatischere Haltung. Ein neuer Modellname ist noch kein Migrationsgrund.