Gemini 3.8 Flash, குறைந்த செலவிலான AI coding-ஐ இலக்காக்குகிறது

Google-ன் புதிய Flash மாடல், அசாதாரணமாக வேகமான வெளியீட்டு சுழற்சியில் இன்னொரு வேகமான நகர்வு

Google தனது குறைந்த செலவிலான Flash வரிசையின் புதிய சேர்க்கையான Gemini 3.8 Flash-ஐ அறிமுகப்படுத்தியுள்ளது. வழங்கப்பட்ட மூல உரையின்படி, இது ஆறு வாரங்களில் வந்த மூன்றாவது Flash வெளியீடு. இந்த வேகம், மாடலைப் போலவே, கதையின் ஒரு முக்கிய அங்கம். Gemini 3.7 Flash-க்கு மூன்று வாரங்கள் கழித்து, Google மீண்டும் ஒரு பட்ஜெட் நோக்கமுள்ள மாடலுடன் வந்துள்ளது; Gemini 3.5 Pro மற்றும் Gemini 4 போன்ற முன்நிலைக் மாடல்கள் இன்னும் இல்லாத நிலையில், reasoning மற்றும் coding-க்கு இது குறிப்பிடத்தக்க வலுவான தேர்வாக நிலைநிறுத்தப்படுகிறது.

இந்த இடைவெளி வெளியீட்டுக்கு இரண்டு இணையான வாசிப்புகளை உருவாக்குகிறது. ஒன்று, டெவலப்பர்கள் தினமும் பயன்படுத்தும் சந்தைப் பகுதியில் price-performance-ஐ Google தீவிரமாக மேம்படுத்திக் கொண்டிருக்கிறது என்பதைக் காட்டுகிறது. மற்றொன்று, உயர்தர மாடல்கள் எதிர்பார்த்ததை விட அதிக நேரம் எடுத்துக்கொள்வதால், நிறுவனம் குறைந்த செலவிலான நடுத்தர நிலை வெளியீடுகளால் அட்டவணையை நிரப்புகிறது என்பதாகும். இந்த வேகமொன்று வலிமையைக் குறிக்கிறதா அல்லது கவனச்சிதறலையா என்பது, அதை மதிப்பிடும் நபரைப் பொறுத்தது என மூல உரை தெளிவாகக் கூறுகிறது.

Google வெளியிடுவது என்ன

மூலத்தின்படி, Gemini 3.8 Flash இரண்டு பதிப்புகளில் வருகிறது. ஒன்று பொதுப் பயன்பாட்டுக்கான reasoning மற்றும் coding மாடல். மற்றொன்று Gemini 3.8 Flash Cyber எனப்படும் சிறப்பாக்கப்பட்ட cybersecurity பதிப்பு. இந்தப் பிரிவு, பொதுவான assistant பணிகளுக்கு அப்பால், செலவு, வேகம், மற்றும் tool பயன்பாடு முக்கியமான குறுகிய developer மற்றும் security பணிப்பாய்ச்சிகளில் Flash குடும்பத்தை Google தொடர்ச்சியாக விரிவுபடுத்த விரும்புகிறது என்பதைக் காட்டுகிறது.

இந்த வெளியீட்டு செய்தி, Google-ன் பரந்த AI தந்திரத்தை பாதுகாக்கும் வகையில் கவனமாக வடிவமைக்கப்பட்டதாகவும் தெரிகிறது. புதிய DeepMind தலைவர் Koray Kavukcuoglu, நிறுவனம் price-performance optimization-க்கு மட்டும் கவனம் செலுத்தவில்லை; மாறாக, raw capability-யில் இன்னும் முன்னிலை வகிக்க விரும்புகிறது என்பதைத் தெளிவுபடுத்தியதாக மூல உரை கூறுகிறது. இது முக்கியமான விளக்கமாகும். குறைந்த விலை coding மாடல் ஏற்றத்தை வெல்லக்கூடும்; ஆனால், அதுவே உயர்நிலைப் பகுதியில் யார் முன்னிலையில் உள்ளார்கள் என்ற போட்டிக் கேள்விக்கு பதிலாகாது.

அப்படியானாலும், குறைந்த செலவிலான தயாரிப்புகளைப் புறக்கணிக்க முடியாதவையாக மாற்றிக் கொண்டிருக்கிறது என்பதை வலியுறுத்த Google benchmark முடிவுகளைப் பயன்படுத்துகிறது. நீண்டகால software engineering பணிகளுக்கான DeepSWE v1.1 benchmark-இல், Gemini 3.8 Flash 73.7% பெற்றதாக மூல உரை கூறுகிறது. இது Claude Opus 5-ன் 74.0%-ஐ சற்றேத் தாழ்த்திய நிலையில் இருந்தாலும், Claude Sonnet 5-ன் 53.8%, GPT-5.6 Sol-ன் 72.7%, மற்றும் Gemini 3.7 Flash-ன் 65.3% ஆகியவற்றை விட முன்னிலையில் இருந்தது.

Google says Gemini 3.8 Flash beats Anthropic's Opus 5 and OpenAI's GPT-5.6 Sol across many benchmarks despite being far cheaper. These are just benchmarks, though, and real-world performance can feel very different. | Image: Google

Anthropic ramps up Claude infrastructure with $35 billion Lambda deal

Anthropic, Lambda உடன் கூறப்படும் $35 பில்லியன் ஒப்பந்தத்தின் மூலம் கணிப்பொறி திறனை விரிவுபடுத்துகிறது

Anthropic, Lambda உடன் $35 பில்லியன் கிளவுட் ஒப்பந்தத்தில் கையெழுத்திட்டதாக தெரிவிக்கப்பட்டுள்ளது. திட்டமிடப்பட்ட IPO-க்கு முன் தனது உள்கட்டமைப்பை விரிவுபடுத்தும் நிலையில், இதனால் மேலும் ஒரு பெரிய data-center உறுதிப்பாடு சேர்கிறது.

Read article

Benchmarks உதவுகின்றன, ஆனால் நிஜ உலக செயல்திறனை அவை தீர்மானிப்பதில்லை

இந்த எண்கள் ஒரு பயனுள்ள launch graphic-ஆக அமைகின்றன; குறிப்பாக, குறைந்த செலவிலான மாடலை அதிக விலை மாற்றுகளுடன் Google ஒப்பிட முடிவதாலே. ஆனால், மூல உரையே தெளிவான எச்சரிக்கையையும் சேர்க்கிறது: இவை benchmarks மட்டுமே, நிஜ உலக செயல்திறன் மிகவும் வேறுபட்டதாக உணரப்படலாம்.

coding மற்றும் agentic workflows-இல் இந்த எச்சரிக்கை முக்கியமானது. அங்கே வெற்றி பெரும்பாலும் ஒரே மதிப்பெண்ணைக் காட்டிலும், பிழைகளிலிருந்து மீள்வது, சரியான tools-ஐத் தேர்வது, context-ஐ நிர்வகிப்பது, மற்றும் நீண்ட பணிகளில் தொடர்ந்து செயல்படுவது ஆகியவற்றின்மீதே சார்ந்திருக்கும். benchmark செய்யப்பட்ட software engineering சிக்கல்களில் நன்றாக செயல்படும் ஒரு மாடல், tokens-ஐ செயலற்ற முறையில் பயன்படுத்தினால், tool loops-இல் சிக்கினால், அல்லது codebases across-இல் பொதுப்படுத்த முடியாவிட்டால், production-இல் இன்னும் சீரற்றதாக உணரப்படலாம்.

மேலும், Google மேம்பட்ட 3D generation-ஐ முன்னிறுத்தியதாகவும் மூல உரை கூறுகிறது. இதில், Google-ன் AI coding tool Antigravity-இல் ஒரே prompt-இல் இருந்து உருவாக்கப்பட்டதாக கூறப்படும் 3D game demo-வும், textures Google-ன் Nano Banana image model மூலம் உருவாக்கப்பட்டதாகவும் உள்ளது. அந்த demo முதன்மையாக promotional-ஆக இருந்தாலும், அது பரந்த product திசையை சுட்டுகிறது: Flash-ஐ ஒரு chatbot மாடலாக அல்ல, multimodal, tool-augmented building tasks-க்கான ஒரு நடைமுறை engine-ஆக Google முன்வைக்கிறது.

விலை வாதம் எளிதானது, ஆனால் efficiency வாதம் சிக்கலானது

தலைப்புச் விலையைக் கவனித்தால், Google-ன் சலுகை தீவிரமானது. Gemini 3.8 Flash ஒரு மில்லியன் input tokens-க்கு $0.75 மற்றும் ஒரு மில்லியன் output tokens-க்கு $3.75 என தொடங்குகிறது; இது 3.7 Flash-இன் விலையுடன் பொருந்துகிறது என மூல உரை கூறுகிறது. 2027 ஜனவரியில், இந்த விலைகள் input-க்கு $1.50 மற்றும் output-க்கு $7.50 ஆக உயர திட்டமிடப்பட்டுள்ளது. அந்நிலையில் கூட, Claude Opus 5-ன் ஒரு மில்லியன் input tokens-க்கு $5.00 மற்றும் output-க்கு $25.00 என்ற விலையையும், GPT-5.6 Sol-ன் $4.00 மற்றும் $20.00 என்ற விலையையும் விட இது இன்னும் குறிப்பிடத்தக்க அளவில் குறைவாகவே இருக்கும் என மூல உரை குறிப்பிடுகிறது.

இதனால் இந்த மாடலை சந்தைப்படுத்துவது எளிதாகிறது: per-token விலையில் ஒரு சிறு பகுதியிலேயே near-frontier benchmark உரிமைகள். ஆனால், அந்த எளிய cost கதை முழுமையல்ல; சில முன்னேற்றங்கள் எவ்வாறு அடையப்பட்டன என்பதை மூல உரை விளக்குவதன் மூலம் அதைச் சீர்குலைக்கிறது. சிக்கலான பணிகளில் Gemini 3.8 Flash கூடுதல் reasoning steps-ஐ மேற்கொள்கிறது, மேலும் tools-ஐ மீண்டும் மீண்டும் அழைக்கிறது என்று Google கூறுகிறது. நிறுவனத்தின் சொந்த வார்த்தைகளில், அந்த மாடல் “மேலும் கடுமையாக வேலை செய்கிறது.”

Gemini 3.8 Flash scores 59 on the Artificial Analysis Intelligence Index, putting it on par with GPT-5.6 Sol and Grok 4.6. On the cost-performance chart (bottom), the model sits on the Pareto frontier, offering the lowest cost per task at its intelligence level. | Image: Artificial Analysis

இது முக்கியமானது; ஏனெனில் per-token pricing என்பது மொத்த செலவின் ஒரு பகுதி மட்டுமே. கணிசமாக அதிக tokens-ஐ பயன்படுத்தும், நீண்ட நேரம் reasoning செய்யும், அல்லது tools-ஐ அதிகமாக அழைக்கும் ஒரு மாடல், காகிதத்தில் வாக்குறுதி அளிப்பதாகத் தெரியும் சேமிப்பை நிஜத்தில் குறைக்கக்கூடும். இந்த அதிக முயற்சிதான் குறைந்த விலையை ஒரு பகுதியளவு சமநிலைப்படுத்துகிறது என்றும், compute efficiency மிக முக்கியமான workloads-க்கு குறைந்த reasoning levels-ஐ, அல்லது 3.7 Flash-ஐத் தொடர்ந்தும் பயன்படுத்துவதை Google பரிந்துரைப்பதாகவும் மூல உரை கூறுகிறது.

இந்த பரிந்துரை நவீன model deployment-இல் காணப்படும் பரிச்சயமான tradeoff-ஐ வெளிப்படுத்துகிறது. தேவைப்படும் போது inference budget-ஐ அதிகமாகச் செலவழித்து சிறந்த முடிவுகளை அடையும் குறைந்த விலை மாடல்களை vendors அதிகமாக வழங்குகிறார்கள். டெவலப்பர்களுக்கு உண்மையான கேள்வி வெறும் வெளியிடப்பட்ட token rate அல்ல. அது நம்பகமாக பயனுள்ள பணியை முடிக்க வேண்டிய அனைத்தையும் உள்ளடக்கிய மொத்தச் செலவாகும்.

NYT வழக்கில் AI training-க்கு DOJ fair use defense-ஐ ஆதரித்தது

ஒரு புதிய Justice Department filing, copyrighted text-ஐ பயன்படுத்தி large language models-ஐ பயிற்சி செய்வது fair use ஆகக் கருதப்படலாம் என்று வாதிடுகிறது; இது AI development-ன் எதிர்காலத்தை வடிவமைக்கக்கூடிய சட்டப் போராட்டத்தை மேலும் கூர்மைப்படுத்துகிறது.

Read article

இந்த வெளியீடு இப்போது ஏன் முக்கியம்

Gemini 3.8 Flash முக்கியமானது, ஏனெனில் போட்டி எங்கே தீவிரமடைகிறது என்பதை அது காட்டுகிறது. premium model போட்டி இன்னும் கவனத்தை ஈர்க்கிறது; ஆனால் deploy செய்யக்கூடிய coding மற்றும் reasoning systems சந்தை, போதுமான அளவு நல்ல, போதுமான அளவு வேகமான, மற்றும் அளவில் இயக்க போதுமான அளவு மலிவான மாடல்களால் சம வேகத்தில் வடிவமைக்கப்படுகிறது. Google அந்தப் போரில் வெல்லத் தெளிவாக முயற்சிக்கிறது.

Flash வெளியீடுகளின் வேகமான தொடர், முன்பைய AI சுழற்சிகளில் இருந்ததைவிட Google மாடல்களை வேகமாக fine-tune செய்ய, வெளியிட, மற்றும் மறுநிலைப் படுத்தத் தயாராக இருப்பதைக் காட்டுகிறது. developers தெளிவாக அளவிடக்கூடிய முன்னேற்றத்தைப் பார்க்க, migration செலவுகள் இல்லையென்றால், இது போட்டித் தரமாக அமையும். ஆனால் பெயரிடல், segmentation, மற்றும் model turnover வாடிக்கையாளர் புரிதலை முந்திச் சென்றால், இது குழப்பத்தையும் உருவாக்கலாம்.

தற்போதைக்கு, இந்த வெளியீடு கலந்திருந்தாலும் முக்கியமான ஒரு சைகையைக் கொடுக்கிறது. சிறிய, மலிவான மாடல்கள் இன்னும் விரைவாக மேம்படுகின்றன என்பதையும், குறைந்தபட்சம் சில coding benchmarks-இல் மிகவும் விலையுயர்ந்த போட்டியாளர்களுடன் parity அல்லது அதற்கு அருகிலான நிலையை கோர Google தயாராக இருப்பதையும் இது காட்டுகிறது. அதே நேரத்தில், காணாமல் உள்ள frontier வெளியீடுகள் இன்னும் பின்னணியாகவே உள்ளன. Gemini 3.8 Flash தனிப்பட்ட வகையில் வலுவான product release ஆக இருக்கலாம்; ஆனால் AI race இப்போது ஒரே நேரத்தில் இரண்டு முனைகளில் நடக்கிறது என்பதையும் அது நினைவூட்டுகிறது: மேல்நிலையில் முழுமையான திறன், மற்றும் அதற்குக் கீழே எங்கும் பொருளாதார பயன்பாடு.

இந்தக் கட்டுரை The Decoder-ன் செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.

Originally published on the-decoder.com

Google, குறைந்த செலவிலான கோடிங் மாடலாக Gemini 3.8 Flash-ஐ முன்னெடுக்கிறது