gemini-3.6-flashمدل اقتصادی جمینای با قیمت پایین و پنجره ۱.۰۵ میلیون توکن
قیمتگذاری
به ازای ۱M توکن
اقتصادی — در میان همه مدلها
جمینای ۳.۶ فلش مدل اقتصادی خانواده Gemini است که با قیمت نصف ۳.۷/۳.۸ و همان پنجره بزرگ، انتخابی اقتصادی برای پروژههای با حجم بالا به شمار میرود. این مدل برای پردازشهای با مقیاس بالا و بودجه محدود طراحی شده است.
بهترین انتخاب برای
پروژههای با حجم بالا با بودجه محدود و نیاز به پنجره بزرگ
جمینای ۳.۶ فلش مدل اقتصادی خانواده Gemini است که توسط Google DeepMind با هدف ارائه دسترسی مقرونبهصرفه به قابلیتهای پایه جمینای توسعه یافته است. این مدل با قیمت ورودی ۸۱٬۰۰۰ و خروجی ۴۰۵٬۰۰۰ تومان به ازای هر میلیون توکن — تقریباً نصف قیمت نسخههای ۳.۷ و ۳.۸ — اقتصادیترین گزینه جمینای با پنجره ۱.۰۵ میلیون توکن محسوب میشود. هدف اصلی این مدل، فراهم کردن امکان پردازش متن و تصویر در مقیاس بسیار بالا با هزینه معقول است.
از نظر معماری، فلش ۳.۶ از همان ساختار چندوجهی و ترانسفورمر-محور خانواده Gemini بهره میبرد، اما با پارامترهای کمتر و بهینهسازی بیشتر برای کاهش هزینه محاسباتی. پنجره زمینه ۱.۰۵ میلیون توکن آن کاملاً با نسخههای گرانتر یکسان است و امکان پردازش اسناد طولانی را بدون محدودیت اضافی فراهم میسازد. پشتیبانی از درک چندوجهی شامل متن و تصویر همچنان فعال است، اگرچه کیفیت تحلیل تصویر نسبت به نسخههای بالاتر کمی پایینتر است.
از منظر عملکرد، فلش ۳.۶ در ارزیابیهای استاندارد نمرات قابلقبولی ثبت کرده است. نمره MMLU آن ۷۸.۵٪ است که دانش گستردهای را در حوزههای علمی نشان میدهد. در HumanEval نمره ۸۲.۶٪ را به دست آورده که برای کدنویسی در سطح متوسط کافی است. نتیجه GPQA آن ۵۰.۱٪ است که استدلال علمی در سطح پایه را نشان میدهد. این اعداد نشان میدهد که فلش ۳.۶ برای وظایف متوسط و طبقهبندی کاملاً مناسب است، اما برای استدلال پیچیده چندمرحلهای ممکن است کافی نباشد.
در مقایسه با نسخههای ۳.۷ و ۳.۸، فلش ۳.۶ کیفیت کمتری در استدلال عمیق و تولید متن پیچیده ارائه میدهد، اما در وظایف طبقهبندی، خلاصهسازی پایه و استخراج داده ساختاریافته، تفاوت کیفیت کمتر از آن است که توجیهکننده دو برابر قیمت باشد. برای پروژههایی که حجم پردازش بسیار بالا است و کیفیت متوسط کفایت میکند، فلش ۳.۶ بهینهترین انتخاب از نظر هزینه-بهارزش است. تیم Google DeepMind این مدل را بهطور خاص برای خطوط لوله چندمرحلهای بهینه کرده که در آن مرحله اولیه نیازمند مدل اقتصادی است.
در کاربردهای عملی، فلش ۳.۶ برای طبقهبندی و دستهبندی اسناد با حجم بالا، خلاصهسازی خودکار مقالات، فیلتر اولیه محتوا و استخراج کلیدواژهها بسیار مناسب است. شرکتهایی که روزانه میلیونها توکن را پردازش میکنند میتوانند با استفاده از فلش ۳.۶ در مرحله اولیه و ارجاع موارد پیچیده به مدلهای بالاتر، هزینه کل را بهطور چشمگیری کاهش دهند. این رویکرد خط لوله دو مرحلهای در عمل به صرفهجویی ۴۰ تا ۶۰ درصدی هزینه منجر شده است.
محدودیتهای فلش ۳.۶ عمدتاً در حوزه کیفیت استدلال پیچیده و دقت در وظایف حساس مشهود است. این مدل برای تولید محتوای حرفهای، کدنویسی پیشرفته یا تحلیلهای تخصصی مناسب نیست. همچنین در خروجیهای ساختاریافته پیچیده، دقت کمتری نسبت به نسخههای بالاتر دارد. کاربران باید توجه داشته باشند که نسخه ۳.۶ نسل قدیمیتری است و تیم Google DeepMind بهبودهای آینده را عمدتاً روی نسخههای جدیدتر متمرکز میکند.
آنچه این مدل را متمایز میکند
تقریباً نصف قیمت ۳.۷/۳.۸ با همان پنجره بزرگ — اقتصادیترین گزینه جمینای.
پردازش اسناد طولانی با هزینه پایین و بدون محدودیت اضافی.
پشتیبانی از پردازش متن و تصویر برای طبقهبندی و تحلیل پایه.
پشتیبانی از function calling حتی در مدل اقتصادی برای خطوط لوله خودکار.
طراحیشده برای پردازش میلیونها توکن در روز با هزینه معقول.
خروجی JSON و فرمتهای ساده برای استخراج داده ساختاریافته.
تأخیر پایین مناسب پردازش با حجم بالا و خطوط لوله خودکار.
کجا از این مدل استفاده کنید
طبقهبندی و خلاصهسازی هزاران سند با هزینه پایین و سرعت بالا.
تشخیص و طبقهبندی تصویر با حجم بالا و بودجه محدود.
مرحله اولیه اقتصادی در پردازشهای پیچیده — فیلتر اولیه و ارجاع به مدل بالاتر.
استخراج کلیدواژهها و مفاهیم کلیدی از متنهای طولانی با هزینه حداقل.
بررسی و فیلتر اولیه محتوای متنی و تصویری در مقیاس بسیار بالا.
خلاصهسازی خودکار مقالات، گزارشها و اسناد با حجم روزانه بالا.
دستهبندی و برچسبگذاری خودکار اسناد در پایگاههای داده بزرگ.
نتایج ارزیابیهای مستقل از مراجع معتبر
| معیار ارزیابی | امتیاز | مقایسه | منبع |
|---|---|---|---|
| MMLU | 78.5% | کمی پایینتر از ۳.۷ اما کافی برای وظایف متوسط | Google DeepMind Blog |
| GPQA | 50.1% | استدلال علمی در سطح پایه — مناسب طبقهبندی و خلاصهسازی | Google DeepMind Blog |
| HumanEval | 82.6% | کدنویسی در سطح متوسط — کافی برای وظایف پایه | Google DeepMind Blog |
| MMMU | 59.3% | درک چندوجهی پایه برای طبقهبندی تصویر | Google DeepMind Blog |
مزایای خرید API از اپکس۲۴
درگاه بانکی زرینپال + کارتبهکارت. بدون نیاز به ارز، حساب خارجی یا VPN.
تیم پشتیبانی فارسیزبان. پاسخ به سوالات و رفع مشکل در کمترین زمان.
فرمت استاندارد OpenAI. فقط URL را به api.apx24.ir تغییر دهید — کدتان بدون تغییر کار میکند.
سوئیچ خودکار بین مسیرهای پشتیبان. آپتایم ۹۹.۹٪ و پایداری تضمینشده.
قیمت دقیق به ازای هر توکن. بدون هزینه پنهان، بدون اشتراک اجباری، پرداخت به اندازه مصرف.
در کمتر از ۱ دقیقه ثبتنام کنید، کلید بسازید، اعتبار شارژ کنید و اولین درخواست را بفرستید.
با یک کلید API و فرمت استاندارد OpenAI شروع کنید
curl https://api.apx24.ir/v1/chat/completions \
-H "Authorization: Bearer sk-apx-..." \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-3.6-flash",
"messages": [
{"role": "user", "content": "سلام، حالت چطوره؟"}
]
}'سایر مدلهای Google
| مدل | زمینه | ورودی | خروجی | کل | |
|---|---|---|---|---|---|
Gemini 3.6 Flashشما | ۱٬۰۴۹K | ۸۱٬۰۰۰ | ۴۰۵٬۰۰۰ | ۴۸۶٬۰۰۰ | — |
| Veo 3.1 Lite | — | ۲٬۰۲۵ | ۲٬۰۲۵ | ۴٬۰۵۰ | −۹۹٪ |
| Gemini Omni Fast | — | ۴٬۳۰۴ | ۴٬۳۰۴ | ۸٬۶۰۸ | −۹۸٪ |
| Nano Banana 2.1 | — | ۱۰٬۱۲۵ | ۱۰٬۱۲۵ | ۲۰٬۲۵۰ | −۹۶٪ |
| Gemini 3.8 Flash | ۱٬۰۴۹K | ۲۵٬۳۲۶ | ۱۲۶٬۵۷۶ | ۱۵۱٬۹۰۲ | −۶۹٪ |
| Gemini 4 Argon | ۱٬۰۴۹K | ۶۷٬۵۰۰ | ۳۳۷٬۵۰۰ | ۴۰۵٬۰۰۰ | −۱۷٪ |
| Gemini 4 Hydrogen | ۱٬۰۴۹K | ۱۰۱٬۲۵۰ | ۵۰۶٬۲۵۰ | ۶۰۷٬۵۰۰ | +۲۵٪ |
| Gemini 4 Carbon | ۱٬۰۴۹K | ۲۷۰٬۰۰۰ | ۱٬۳۵۰٬۰۰۰ | ۱٬۶۲۰٬۰۰۰ | +۲۳۳٪ |
قیمت ورودی
۸۱٬۰۰۰
تومان / ۱M توکن
$0.300 / 1M tokens
قیمت خروجی
۴۰۵٬۰۰۰
تومان / ۱M توکن
$1.500 / 1M tokens
قیمت کل
۴۸۶٬۰۰۰
تومان / ۱M توکن
$1.800 / 1M tokens
شارژ حساب به دلار، پرداخت به تومان. نرخ تبدیل: ۱ دلار = ۲۷۰٬۰۰۰ تومان. حداقل شارژ: ۱۰۰٬۰۰۰ تومان.
با یک کلید API به Gemini 3.6 Flash و ۳۲ مدل دیگر دسترسی پیدا کنید