Tìm hiểu về Gemini 3.5 Flash: Mô hình agentic nhanh nhất của Google

Google đã công bố Gemini 3.5 Flash tại sự kiện I/O 2026, một mô hình vượt trội hơn Gemini 3.1 Pro về hiệu năng lập trình và xử lý tác vụ agentic, đồng thời chạy nhanh hơn gấp 4 lần so với các mô hình tiên tiến khác cùng cấp.

Việc ra mắt sản phẩm này diễn ra trong bối cảnh ngành công nghiệp AI đang tập trung mạnh vào hiệu năng agentic. Agent lập trình, tự động hóa workflow nhiều bước và thực thi tác vụ dài hạn đã trở thành những chiến trường chính, và Google định vị 3.5 Flash như là câu trả lời của mình cho thời điểm đó.

Đối với tất cả các chuyên gia, bao gồm những nhà khoa học dữ liệu, kỹ sư ML và nhà phát triển, điều này rất quan trọng vì 3.5 Flash hiện là (hoặc sẽ sớm là) mô hình mặc định trong ứng dụng Gemini và AI Mode trong Search, và nó đã có sẵn thông qua Gemini API. Bài viết này sẽ đề cập đến những gì đã được công bố, những điểm nổi bật, các con số hiệu năng và ý nghĩa của nó đối với công việc của bạn.

Gemini 3.5 Flash có gì đặc biệt?

Điểm nổi bật của Gemini 3.5 Flash là tốc độ kết hợp với hiệu năng hàng đầu. Google cho biết 3.5 Flash nhanh hơn gấp 4 lần về số lượng token đầu ra mỗi giây so với các mô hình tiên tiến khác, đồng thời vượt trội hơn Gemini 3.1 Pro trên những bài kiểm tra quan trọng nhất đối với công việc agentic.

Trên Terminal-Bench 2.1, nó đạt 76,2%. Trên GDPval-AA, nó đạt 1.656 Elo. Trên MCP Atlas, nó đạt 83,6%. Đối với khả năng hiểu đa phương thức, nó đạt 84,2% trên CharXiv Reasoning.

Tóm lại, những con số này có nghĩa là quy tắc cũ "nhanh, rẻ hoặc thông minh; chọn hai trong ba" trong AI ngày càng ít áp dụng. Chúng ta đang có được một mô hình nhẹ có khả năng xử lý các agent workflow phức tạp, nhiều bước mà không gây ra độ trễ lớn.

Google cho biết mô hình này hiện được cung cấp rộng rãi trên Google AI Studio, Gemini API, Android Studio, Gemini Enterprise Agent Platform và Gemini Enterprise. Đây cũng là mô hình mặc định mới trong ứng dụng Gemini và AI Mode trong Search trên toàn cầu.

Bản phát hành Flash 3.5 là bước đi đầu tiên trong cái mà Google gọi là một dòng mô hình mới được xây dựng dựa trên khả năng thực thi agentic

Thông tin cơ bản về Gemini 3.5

Dòng Gemini 3 đã thiết lập vị thế hiện tại của Google trong cuộc đua mô hình tiên tiến. Gemini 3.1 Pro, được phát hành vào tháng 2 năm 2026, dẫn đầu Artificial Analysis Intelligence Index khi ra mắt và đạt 77,1% trên ARC-AGI-2, gấp đôi so với 31,1% của Gemini 3 Pro trên cùng tiêu chuẩn đó.

Điểm mạnh của Gemini 3.1 Pro nằm ở khả năng suy luận hình ảnh phức tạp và các tác vụ đa phương thức.

Quy ước đặt tên Flash trong dòng Gemini luôn báo hiệu các mô hình được tối ưu hóa tốc độ. Điểm khác biệt của Flash 3.5 là Google tuyên bố đạt được trí thông minh cấp độ tiên tiến với tốc độ Flash, chứ không phải là sự đánh đổi về chất lượng. Artificial Analysis index xếp Flash 3.5 ở góc trên bên phải (theo Google), nghĩa là đạt được cả trí thông minh cao và tốc độ xử lý cao cùng một lúc.

Antigravity harness, nền tảng của Google để triển khai các subagent cộng tác, là yếu tố trung tâm trong định vị Flash 3.5. Nó không chỉ là một mô hình độc lập mà còn là một thành phần trong kiến ​​trúc multi-agent mà Google đã xây dựng song song với chính mô hình này.

Những tính năng chính của Gemini 3.5

Dưới đây là tóm tắt những thông tin thú vị nhất từ ​​thông báo.

Kiến trúc agentic và Antigravity

Gemini 3.5 Flash được thiết kế để hoạt động với Antigravity harness, framework của Google để chạy các subagent cộng tác. Với Antigravity, mô hình có thể triển khai nhiều subagent song song, thực hiện các workflow nhiều bước và duy trì hiệu suất trong những tác vụ dài hạn.

Các ví dụ của Google bao gồm tổng hợp bài báo AlphaZero và lập trình một game hoàn chỉnh trong 6 giờ bằng cách sử dụng 2 agent, và chuyển đổi một codebase cũ sang Next.js. Đây không phải là những bản demo đơn giản. Chúng phản ánh loại nhiệm vụ phát triển kéo dài nhiều ngày mà các hệ thống agentic hiện đang được yêu cầu xử lý.

Các triển khai thực tế trong doanh nghiệp

Một số doanh nghiệp đã và đang sử dụng 3.5 Flash trong môi trường sản xuất hoặc thử nghiệm. Các trường hợp sử dụng cụ thể đáng chú ý vì chúng minh họa nơi mà thế mạnh của mô hình được áp dụng:

• Shopify: Chạy các subagent song song để phân tích dữ liệu phức tạp trong thời gian dài nhằm dự báo tăng trưởng của người bán
• Ngân hàng Macquarie: Thử nghiệm quy trình tiếp nhận khách hàng bằng cách suy luận trên các tài liệu hơn 100 trang với độ trễ thấp
• Salesforce: Tích hợp vào Agentforce để tự động hóa tác vụ doanh nghiệp multi-subagent với khả năng gọi công cụ đa lượt
• Xero: Triển khai các agent để quản lý workflow kéo dài nhiều tuần, bao gồm chuẩn bị mẫu thuế 1099 cho những doanh nghiệp nhỏ
• Databricks: Sử dụng agentic workflow để giám sát thông tin thời gian thực, chẩn đoán sự cố và đề xuất giải pháp trên các tập dữ liệu lớn
• Ramp: Cải thiện độ chính xác của OCR trên các hóa đơn phức tạp thông qua hiểu biết đa phương thức kết hợp với suy luận trên những mẫu lịch sử

Gemini Spark và khả năng tiếp cận người tiêu dùng

3.5 Flash cũng là mô hình cung cấp sức mạnh cho Gemini Spark, AI agent cá nhân mới của Google, hoạt động 24/7 và thực hiện hành động thay mặt người dùng. 

Mô hình này hiện đã có sẵn cho hàng tỷ người dùng trên toàn cầu thông qua ứng dụng Gemini và AI Mode trong Search, biến đây trở thành một trong những lần ra mắt đồng thời cho người dùng và nhà phát triển rộng rãi nhất mà Google từng thực hiện đối với một mô hình Gemini.

An toàn và các biện pháp bảo vệ

Google cho biết Flash 3.5 được phát triển theo Frontier Safety Framework của họ, với các biện pháp bảo vệ an ninh mạng và CBRN được tăng cường. Công ty đang sử dụng các công cụ diễn giải để kiểm tra khả năng suy luận nội bộ của mô hình trước khi nó phản hồi, nhằm mục đích giảm cả những kết quả đầu ra có hại và từ chối sai đối với những truy vấn an toàn.

Hiệu suất benchmark Gemini 3.5 Flash

Các tuyên bố về benchmark của Google đối với Flash 3.5 rất cụ thể và đáng được xem xét trực tiếp. Mô hình này vượt trội hơn Gemini 3.1 Pro ở các điểm sau:

• Terminal-Bench 2.1: 76,2%, xếp thứ hai ngay sau GPT-5.5 (78,2%).
• SWE-Bench Pro: 55,1% so với Gemini 3.1 Pro 54,2%. Claude Opus 4.7 vẫn dẫn đầu với khoảng cách khá lớn ở mức 64,3%.
• GDPval-AA: 1.656 Elo. Claude Opus 4.7 dẫn đầu bài kiểm tra này với 1.753 Elo khi mới ra mắt, theo bài đánh giá so sánh Claude Opus 4.7 với Gemini 3.1 Pro của chúng tôi.
• MCP Atlas: 83,6%, với Gemini 3.5 Flash dẫn đầu về việc sử dụng công cụ agentic.
• OSWorld: 78,4%, ngang bằng với GPT-5.5 (78,7%) và Claude Opus 4.7 (78,0%).
• CharXiv Reasoning: 84,2% về khả năng hiểu đa phương thức, nhỉnh hơn một chút so với người dẫn đầu trước đó, GPT-5.5 (84,1%).
• Finance Agent v2: 57,9%, điều này giúp Gemini 3.5 Flash dẫn đầu với khoảng cách khá lớn so với GPT-5.5 (51,8%), sản phẩm đứng thứ hai với tỷ lệ hoàn thành 57,9%.

Phát hiện thú vị nhất là Gemini 3.5 Flash đã giành vị trí dẫn đầu trên các bảng xếp hạng MCP Atlas (83,6%), CharXiv Reasoning (84,2%) và Finance Agent v2 (57,9%) – những thước đo đánh giá ba khía cạnh hoàn toàn khác biệt. Mô hình mới của Google cho thấy ưu thế vượt trội trong việc sử dụng các công cụ agentic, suy luận trực quan và xử lý những quy trình tài chính phức tạp.

Điều này mở ra nhiều trường hợp ứng dụng thú vị. Chẳng hạn, một agent có thể kết hợp cả ba thế mạnh này: Đọc các biểu đồ tài chính từ báo cáo thu nhập, diễn giải dữ liệu trực quan, rồi tự động gọi những API để tái cân bằng danh mục đầu tư dựa trên thông tin thu thập được.

Dưới đây là bảng so sánh chi tiết hơn:

Tuyên bố về tốc độ cũng là một điểm đáng chú ý: Khả năng tạo token đầu ra nhanh gấp 4 lần so với các mô hình tiên tiến khác. Trong các ghi chú nghiên cứu, Google không nêu rõ họ đang so sánh với những mô hình nào; vì vậy, hãy coi con số này là thông tin tham khảo mang tính định hướng thay vì một kết quả so sánh trực tiếp chính xác.

Gemini 3.5 dành cho các chuyên gia dữ liệu và AI

Ý nghĩa thực tiễn ngay lập tức là phiên bản 3.5 Flash có mặt thông qua Gemini API trên Google AI Studio. Nếu bạn đang xây dựng các quy trình làm việc agentic, thì sự kết hợp giữa điểm số MCP Atlas (83,6%) và multi-agent harness Antigravity khiến mô hình này rất đáng để thử nghiệm, thay thế cho giải pháp mà bạn đang sử dụng hiện tại.

Với điểm số 1.656 Elo trên thang đo GDPval-AA, mô hình này vẫn thấp hơn mức 1.753 Elo của Claude Opus 4.7 (theo đánh giá trước đây). Tuy nhiên, lợi thế về tốc độ của 3.5 Flash có thể quan trọng hơn, tùy thuộc vào yêu cầu về độ trễ trong hệ thống của bạn.

Đối với các nhóm triển khai những quy trình công việc kéo dài, những trường hợp ứng dụng tại Xero và Shopify là những ví dụ minh họa rõ nét nhất. Google đang tối ưu hóa cho các quy trình vốn thường kéo dài nhiều tuần nay được rút gọn thành những chuỗi agent tự động; trong đó, Antigravity harness đóng vai trò là lớp hạ tầng hiện thực hóa khả năng này. Nếu bạn chưa quen với các mô hình điều phối multi-agent, thì đây chính là thời điểm thích hợp để tìm hiểu và nắm bắt.

Một điểm cần đặc biệt lưu ý: Google cho biết chi phí sử dụng 3.5 Flash thấp hơn một nửa so với các mô hình tiên tiến khác khi thực hiện những tác vụ tương đương. Mặc dù con số này còn phụ thuộc nhiều vào khối lượng công việc thực tế của bạn, nhưng nếu tuyên bố đó đúng trong thực tiễn, nó sẽ thay đổi hoàn toàn bài toán kinh tế khi vận hành những hệ thống agentic ở quy mô lớn. Phiên bản 3.5 Pro là một cột mốc so sánh thú vị hơn đối với các nhóm thực hiện những tác vụ đòi hỏi khả năng suy luận chuyên sâu.

Kết luận

Gemini 3.5 Flash cho thấy Google có ý định cạnh tranh ở cả hai khía cạnh hiệu năng - tốc độ, chứ không chỉ ở cấp độ sản phẩm chủ lực. Việc vượt trội hơn Gemini 3.1 Pro trên các bài kiểm tra hiệu năng agentic trong khi vẫn chạy ở tốc độ Flash là một bước tiến đáng kể, và những triển khai doanh nghiệp tại Shopify, Macquarie và Salesforce cho thấy mô hình này vẫn hoạt động tốt ngay cả ngoài các bài kiểm tra hiệu năng được kiểm soát.

Nhìn rộng hơn, Google đang đặt cược lớn vào cơ sở hạ tầng agentic, với Antigravity, Gemini Spark và 3.5 Flash đều hướng đến cùng một mục tiêu. Liệu sự đặt cược đó có mang lại kết quả hay không phụ thuộc vào hiệu năng của 3.5 Pro khi ra mắt vào tháng tới, và cách mà Antigravity harness so sánh với các multi-agent framework trong workflow thực tế của nhà phát triển.