Google DeepMind a présenté Gemini 3.8, son modèle de raisonnement et de programmation le plus performant à ce jour, publié trois semaines seulement après 3.7 Flash et marquant la troisième version Flash de l'entreprise en six semaines. Ce rythme accéléré reflète la cadence actuelle du marché des modèles de pointe, où Google, OpenAI et Anthropic enchaînent les sorties à intervalles de semaines plutôt que de trimestres, et où les modèles de milieu de gamme de classe « Flash » deviennent progressivement les chevaux de bataille des applications d'IA en production. Ce lancement comprend deux variantes : Gemini 3.8 Flash, un modèle polyvalent robuste, et Gemini 3.8 Flash Cyber, un modèle spécialisé en cybersécurité accessible aux défenseurs agréés via le nouveau programme Fairwind.

Selon l'annonce signée Tulsee Doshi, Senior Director Product Management, et Raluca Ada Popa, responsable de la sécurité Gemini chez Google DeepMind, les deux versions s'appuient sur la même intelligence fondamentale, accélérée par des boucles agentiques de longue durée qui évaluent et affinent récursivement les modèles sous-jacents. Les gains en programmation et en raisonnement de ce socle commun proviennent de plusieurs innovations, dont un entraînement rigoureux dans le domaine exigeant de la cybersécurité. Ce duo est notable car il applique une technique — utiliser un domaine difficile et vérifiable comme la sécurité en tant que signal d'entraînement — déjà employée ailleurs dans l'industrie pour aiguiser le raisonnement général des modèles.

Gemini 3.8 Flash : conçu pour la programmation de long terme et les agents autonomes

Gemini 3.8 Flash apporte des améliorations substantielles par rapport à 3.7 Flash en ingénierie logicielle, en tâches agentiques et en raisonnement multi-étapes sur des domaines spécialisés, approchant souvent les performances de modèles de pointe plus coûteux. Il est proposé au même tarif introductif que 3.7 Flash : 0,75 dollar par million de tokens en entrée et 3,75 dollars par million de tokens en sortie. Ce tarif introductif expire le 31 décembre 2026 ; à partir du 1er janvier 2027, des tarifs de 1,50 dollar par million de tokens en entrée et 7,50 dollars par million de tokens en sortie s'appliqueront. Même au tarif plein, le modèle est proposé bien en dessous des niveaux habituels des modèles de pointe, ce qui souligne la pression concurrentielle sur les prix par token alors que les fournisseurs se disputent des charges de travail agentiques consommant bien plus de tokens que les interactions conversationnelles.

Sur DeepSWE v1.1 (Long-Horizon Software Engineering), 3.8 Flash surpasse la plupart des modèles de pointe plus volumineux dans la résolution autonome de problèmes d'ingénierie complexes de bout en bout, pour une fraction du coût. Le modèle démontre également une fiabilité adaptée à l'autonomie critique en entreprise sur des domaines de connaissances spécialisés. Dans les domaines quantitatifs et professionnels exigeant une analyse et des rapports avancés, 3.8 Flash surpasse 3.7 Flash et d'autres modèles de pointe sur des benchmarks comme Vals Finance Agent V2 et le Harvey's Legal Agent Benchmark. Il atteint également 54,9 % sur HLE-Verified, reflétant sa capacité de raisonnement multi-étapes dans les domaines STEM, les sciences humaines et les champs professionnels.

Ces gains découlent d'un choix de conception fondamental : 3.8 Flash travaille davantage. Face à des tâches complexes, le modèle exécute des étapes de raisonnement supplémentaires et appelle des outils de manière itérative, consommant parfois plus de tokens pour maximiser les performances, en particulier aux niveaux d'effort élevés. Ce compromis entre précision et consommation de tokens est devenu une question centrale de la conception de l'IA agentique, puisque des agents autonomes bouclant sur de nombreuses étapes peuvent multiplier les coûts d'inférence ; le contrôle du niveau d'effort offre aux développeurs un levier sur ce compromis. Pour les applications contraintes en calcul, les développeurs peuvent utiliser des niveaux d'effort inférieurs afin de réduire la surconsommation de tokens, ou continuer à s'appuyer sur Gemini 3.7 Flash, qui reste pleinement pris en charge pour les charges de travail privilégiant l'efficacité.

Google a mis en avant plusieurs démonstrations réalisées avec 3.8 Flash dans Google Antigravity : un jeu 3D où l'on incarne un sorcier explorant un château, créé à partir d'un simple prompt en boucle, avec des énigmes, une narration environnementale et des textures générées par Nano Banana ; une version DOS entièrement jouable de Google Maps avec localisations, itinéraires et Street View ; une carte topographique de sites géographiques célèbres comportant des coupes transversales en temps réel, des projections 2D et des explications scientifiques fondées sur des données réelles de l'U.S. Geological Survey ; et Hardware Anatomy, un visualiseur 3D interactif conçu dans Google AI Studio qui génère des rendus Three.js réalistes de démontages de matériel aux proportions physiques, avec un curseur de déconstruction permettant d'exploser et d'inspecter les couches.

Gemini 3.8 Flash Cyber : des performances d'expert en cybersécurité

Gemini 3.8 Flash Cyber offre aux défenseurs des capacités de pointe en détection de vulnérabilités et en correction automatisée, avec la vitesse et le coût de la gamme Flash permettant une itération rapide. Il arrive dans un contexte de poussée plus large de l'industrie vers la sécurité assistée par IA, alors que les attaques sur la chaîne d'approvisionnement logicielle et les vulnérations non corrigées au sein de grandes organisations ont fait de la découverte et de la remédiation automatisées un axe d'investissement majeur du secteur de la sécurité — tout en soulevant des inquiétudes sur le fait que des capacités similaires, si elles n'étaient pas restreintes, pourraient aider des attaquants.

Découverte autonome de vulnérabilités. Sur CyberGym, le benchmark industriel de référence pour la découverte de vulnérabilités, 3.8 Flash Cyber démontre des capacités de découverte autonome de niveau frontière, surpassant à la fois 3.5 Flash Cyber et des modèles de pointe nettement plus volumineux. Pour mieux refléter les besoins défensifs réels au-delà des bases de code C/C++ couvertes par CyberGym, Google a également évalué le modèle sur un benchmark interne complet exigeant la découverte de vulnérabilités dans des bases de code complexes couvrant 20 langages de programmation, où il a atteint un taux de réussite supérieur à 70 % — un bond substantiel par rapport aux modèles précédents.

Correction automatisée. Google a indiqué s'être concentré sur la mise à disposition des défenseurs de capacités d'expert leur donnant un avantage sur les attaquants, en investissant dès le départ dans la correction de vulnérabilités et en la privilégiant aux capacités offensives comme l'exploitation. Sur CWE-Bench, un benchmark externe exigeant de correction géré par Collinear, 3.8 Flash Cyber se situe sur la frontière de Pareto avec un pass@1 de 47,2 % contre 47,8 % pour un modèle de pointe de référence — à un coût nettement inférieur.

Impact concret. Google a rapporté utiliser déjà 3.8 Flash Cyber pour sécuriser son code au sein de l'entreprise. L'équipe Chrome Security a constaté que le modèle produisait 2,6 fois plus de correctifs valides pour les vulnérabilités de Chrome que les meilleurs modèles commerciaux bien plus volumineux. Wiz a constaté qu'il atteignait un rappel supérieur de 7,5 à 9,7 % sur son benchmark interne de tests d'intrusion, pour un coût inférieur de 2,3 à 5,2 fois par rapport aux autres modèles de pointe de référence. L'équipe Cloud Vulnerability Research de Google a utilisé le modèle pour trouver une vulnérabilité fondamentale critique en moins de deux heures — un processus de recherche et de découverte qui prend habituellement des mois. La validation par des tiers, notamment Wiz et le benchmark externe de Collinear, apporte une certaine confirmation indépendante des affirmations de Google au-delà des évaluations internes auto-déclarées, même si les méthodologies détaillées des benchmarks restent publiées par les fournisseurs.

Conçu avec la sécurité à l'esprit

Gemini 3.8 Flash est livré avec des garde-fous contre les usages malveillants dans les domaines chimique, biologique, radiologique et nucléaire (CBRN) ainsi qu'en matière d'offensive cyber, tout en autorisant les cas d'usage bénéfiques, conformément au Frontier Safety Framework de Google. 3.8 Flash Cyber embarque un ensemble de mesures d'atténuation plus permissives en cybersécurité et est donc réservé aux défenseurs de confiance nécessitant un ensemble plus complet de capacités cyber. Cette approche à accès restreint fait écho à un débat plus large au sein des communautés de l'IA et de la sécurité sur la manière de distribuer des capacités cyber offensives puissantes — en les limitant aux défenseurs agréés — sans entraver la recherche en sécurité légitime. Google a également indiqué que les modèles Gemini 3.8 ont réalisé un bond significatif en robustesse contre l'injection de prompt selon les mesures de Gray Swan, protégeant les utilisateurs des attaques malveillantes liées à l'injection de prompt ; celle-ci demeure l'un des risques de sécurité les plus cités pour les systèmes d'IA agentiques lisant du contenu non fiable et agissant au nom d'un utilisateur.

Disponibilité

• Développeurs : construisez avec 3.8 Flash et explorez les workflows agent-first dans Google Antigravity, ou commencez à développer dans l'API Gemini via Google AI Studio et Android Studio, ou générez des interfaces dans Stitch. La documentation développeur est disponible via les docs développeur de Google.
• Entreprises : accédez à 3.8 Flash dans Gemini Enterprise.
• Particuliers : 3.8 Flash est disponible pour les abonnés Google AI Pro et Ultra via l'appli Gemini, le mode IA dans la recherche Google et Gemini dans Google Sheets.
• Cybersécurité : via le nouveau programme Fairwind, les autorités gouvernementales de confiance, les opérateurs d'infrastructures critiques et les mainteneurs de logiciels bénéficient d'un accès prioritaire à Gemini 3.8 Flash Cyber. Les organisations peuvent demander un accès.

Source : Google DeepMind Blog