gemini-3.8-flashبهبودیافتهترین مدل فلش جمینای با کیفیت بالاتر و همان سرعت
قیمتگذاری
به ازای ۱M توکن
اقتصادی — در میان همه مدلها
جمینای ۳.۸ فلش جدیدترین مدل فلش خانواده Gemini است که با بهبود کیفیت پاسخ و حفظ سرعت بالا، بهترین انتخاب در میان مدلهای فلش گوگل به شمار میرود. این مدل برای کاربردهای بلادرنگ که به دقت بالاتری نیاز دارند طراحی شده است.
بهترین انتخاب برای
کاربردهای بلادرنگ با کیفیت بهبودیافته و درک چندوجهی
جمینای ۳.۸ فلش جدیدترین بهبود مدل فلش گوگل در خانواده Gemini است که در اواخر سال ۲۰۲۵ توسط Google DeepMind معرفی شد. این نسخه با همان زیرساخت و قیمت نسخه ۳.۷ ارائه شده، اما با بهبودهای چشمگیر در کیفیت پاسخ همراه است. هدف اصلی از انتشار این نسخه، کاهش شکاف کیفی میان مدلهای Flash و Pro بود و تیم توسعه گزارش داد که تقریباً ۸۵٪ این شکاف را در وظایف استدلالی و کدنویسی پر کردهاند.
از نظر معماری، فلش ۳.۸ همان ساختار چندوجهی و mixture-of-experts نسخه ۳.۷ را به کار میبرد، اما از دادههای آموزشی بازبینیشده و مرحله تقویت بازخورد انسانی پیشرفتهتری بهره برده است. این بهبودها در حوزه درک دقیق دستورات پیچیده، کاهش واقعیتسازی و افزایش انسجام خروجیهای طولانی مشهود است. پنجره زمینه ۱.۰۵ میلیون توکن همچنان دستنخورده باقی مانده و امکان پردازش اسناد حجیم را فراهم میسازد.
از منظر عملکرد، فلش ۳.۸ در ارزیابیهای استاندارد به نتایج قابلتوجهی دست یافته است. نمره MMLU آن به ۸۴.۱٪ رسیده است که نسبت به ۳.۷ حدود ۱.۷ درصد بهبود نشان میدهد. در HumanEval نمره ۹۰.۳٪ را ثبت کرده که آن را در زمره قویترین مدلهای کدنویس در رده سرعت قرار میدهد. نتیجه GPQA آن ۵۸.۷٪ است که نشاندهنده پیشرفت در استدلال علمی سطح تحصیلات تکمیلی است. این اعداد نشان میدهد که ۳.۸ فلش حتی در برخی ارزیابیها با مدلهای پرچمدار نسل قبلی رقابت میکند.
در مقایسه با نسل قبلی ۳.۷، بهبودهای نسخه ۳.۸ در چند حوزه کلیدی متمرکز بوده است: کاهش ۳۰٪ در نرخ واقعیتسازی در پرسشهای واقعقتمحور، بهبود ۱۵٪ در دقت خروجیهای ساختاریافته JSON و افزایش انسجام در تولید متنهای طولانی. این بهبودها بدون افزایش قیمت یا کاهش سرعت محقق شدهاند و از اینرو نسبت ارزش-به-قیمت مدل را بهطور معناداری افزایش دادهاند.
در کاربردهای واقعی، فلش ۳.۸ برای سیستمهای پشتیبانی هوشمند که به دقت بالاتری در درک پرسشهای پیچیده نیاز دارند، دستیارهای کدنویسی که باید کد قابلاعتماد تولید کنند و خط لولههای تحلیل اسناد که خروجی ساختاریافته مورد نیاز است، بهترین انتخاب در رده فلش است. شرکتهایی که از ۳.۷ استفاده میکردند میتوانند بدون تغییر در قیمت یا تأخیر، به ۳.۸ مهاجرت کنند و از بهبود کیفیت بهرهمند شوند.
با این حال، باید در نظر داشت که فلش ۳.۸ همچنان یک مدل سرعت-محور است و برای عمیقترین وظایف استدلالی چندمرحلهای، مدل Pro گزینه بهتری است. همچنین در وظایفی که نیازمند استدلال ریاضی بسیار پیشرفته یا تحلیلهای تخصصی حوزهای هستند، مدلهای تخصصیتر ممکن است نتایج بهتری ارائه دهند. کاربران باید بدانند که اگرچه بهبودها قابلتوجه هستند، اما مدل هنوز گاهی در موارد حاشیهای دچار نادقتبندی میشود.
آنچه این مدل را متمایز میکند
دقت بالاتر در استدلال و کدنویسی نسبت به ۳.۷ با همان قیمت و سرعت — کاهش ۳۰٪ نرخ واقعیتسازی.
همان سرعت فلش — مناسب کاربردهای بلادرنگ و تعاملی بدون افزایش تأخیر.
پردازش اسناد طولانی، پایگاههای کد بزرگ و پیادهسازیهای صوتی چندساعته.
پردازش همزمان متن، تصویر و صوت در یک معماری یکپارچه.
پشتیبانی کامل از function calling با دقت بهبودیافته در تولید پارامترها.
بهبود ۱۵٪ در دقت خروجی JSON و فرمتهای دلخواه نسبت به ۳.۷.
افزایش انسجام و پیوستگی در تولید متنهای طولانی و چندبخشی.
مهاجرت بدون تغییر از ۳.۷ به ۳.۸ — همان رابط، همان قیمت، کیفیت بالاتر.
کجا از این مدل استفاده کنید
تشخیص و توصیف دقیقتر تصویر با دقت بهبودیافته نسبت به ۳.۷ برای کاربردهای حیاتی.
دستیارهای هوشمند با کیفیت بهبودیافته که پرسشهای پیچیده را دقیقتر درک میکنند.
خلاصهسازی و تحلیل دقیقتر اسناد حقوقی، فنی و پژوهشی با نرخ خطای پایینتر.
تولید کد با کیفیت بهبودیافته و کاهش باگها برای پروژههای نرمافزاری حرفهای.
پیادهسازی دستیارهای صوتی با درک بهتر دستورات پیچیده و پاسخهای دقیقتر.
استخراج داده ساختاریافته با دقت بالاتر برای خط لولههای داده و یکپارچهسازی سیستم.
فیلتر و طبقهبندی خودکار محتوا با دقت بهبودیافته و کاهش مثبت کاذب.
نتایج ارزیابیهای مستقل از مراجع معتبر
| معیار ارزیابی | امتیاز | مقایسه | منبع |
|---|---|---|---|
| MMLU | 84.1% | بهبود ۱.۷ درصدی نسبت به ۳.۷ و رقابتی با مدلهای پرچمدار نسل قبلی | Google DeepMind Blog |
| GPQA | 58.7% | بالاتر از همتایان اقتصادی و نزدیک به مدلهای پرچمدار | Google DeepMind Blog |
| HumanEval | 90.3% | در زمره قویترین مدلهای کدنویس در رده سرعت | Google DeepMind Blog |
| MMMU | 67.2% | درک چندوجهی قوی با بهبود نسبت به ۳.۷ | 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-3.8-flash",
"messages": [
{"role": "user", "content": "سلام، حالت چطوره؟"}
]
}'سایر مدلهای مسیریاب 10
| مدل | زمینه | ورودی | خروجی | کل | |
|---|---|---|---|---|---|
Gemini 3.8 Flashشما | ۱٬۰۴۹K | ۵۹٬۴۰۰ | ۲۹۱٬۶۰۰ | ۳۵۱٬۰۰۰ | — |
| Nano Banana 2.1 | — | ۰ | ۰ | ۰ | −۱۰۰٪ |
| Gemini Omni Fast | — | ۰ | ۰ | ۰ | −۱۰۰٪ |
| Veo 3.1 Lite | — | ۰ | ۰ | ۰ | −۱۰۰٪ |
| Gemini 4 Hydrogen | ۱٬۰۴۹K | ۵۹٬۴۰۰ | ۲۹۱٬۶۰۰ | ۳۵۱٬۰۰۰ | یکسان |
| Gemini 4 Argon | ۱٬۰۴۹K | ۱۵۶٬۶۰۰ | ۷۷۷٬۶۰۰ | ۹۳۴٬۲۰۰ | +۱۶۶٪ |
| Gemini 4 Carbon | ۱٬۰۴۹K | ۱۵۶٬۶۰۰ | ۷۷۷٬۶۰۰ | ۹۳۴٬۲۰۰ | +۱۶۶٪ |
قیمت ورودی
۵۹٬۴۰۰
تومان / ۱M توکن
$0.220 / 1M tokens
قیمت خروجی
۲۹۱٬۶۰۰
تومان / ۱M توکن
$1.080 / 1M tokens
قیمت کل
۳۵۱٬۰۰۰
تومان / ۱M توکن
$1.300 / 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 3.8 Flash و ۳۲ مدل دیگر دسترسی پیدا کنید