Google: Gemini 3.8 Flash (batch)

Gemini 3.8 Flash est le modèle à sortie textuelle de Google pour les travaux prolongés d’ingénierie logicielle, les agents à plusieurs étapes et les processus complexes mobilisant les connaissances. Il s’appuie sur Gemini 3.7 Flash, avec des améliorations en ingénierie logicielle et dans les tâches intellectuelles réalisées par des agents. Il accepte le texte, les images, l’audio, la vidéo et le PDF : une tâche peut ainsi combiner un objectif écrit avec les éléments réels nécessaires pour le résoudre. Le résultat utile est une modification de code, une analyse expliquée, une réponse écrite ou un enregistrement structuré.

Pour une tâche de programmation, fournissez l’exigence, les fichiers pertinents, le comportement observé et les contraintes à préserver. Une capture d’écran peut établir l’interface souhaitée, tandis que des journaux ou un exemple de reproduction montrent l’échec. Pour un débogage, demandez au modèle de retracer un écart entre l’état visible d’un formulaire et sa valeur stockée, d’identifier le chemin de code responsable et de proposer une correction ciblée. Gardez le livrable final souhaité clair afin qu’une longue séquence d’investigation et d’utilisation d’outils conserve une condition d’achèvement précise.

Pour les travaux de longue durée, utilisez des étapes de raisonnement plus petites, des appels d’outils itératifs et des vérifications des résultats intermédiaires. Les niveaux de réflexion low, medium et high règlent la quantité de raisonnement ; medium est la valeur par défaut documentée. Low convient à un brouillon rapide ou à une analyse délimitée, tandis que high vise les mathématiques difficiles, la programmation ou les tâches à plusieurs étapes. Gemini 3.8 Flash ne prend pas en charge le niveau minimal. Une tâche de débogage soutenue et une simple extraction de champs nécessitent donc des choix de raisonnement différents plutôt qu’un réglage identique pour chaque requête.

Les outils documentés comprennent les appels de fonctions, l’exécution de code, la recherche dans les fichiers, l’ancrage par recherche, l’ancrage Google Maps et URL context, avec Computer Use indiqué comme une capacité en preview. Les sorties structurées définissent un résultat lisible par machine. Les fonctions doivent avoir un objectif clair et une définition de paramètres : le modèle peut demander une fonction, tandis que l’application connectée réalise l’opération et renvoie son résultat. Préservez l’identité des fonctions et les éléments réellement renvoyés d’un tour à l’autre. Une réponse finale utile explique quelles preuves étayent la correction proposée ou la valeur extraite.

Le guide de migration 3.8 utilise des réglages de niveau de réflexion à la place de l’ancienne configuration de budget de raisonnement et recommande de supprimer les paramètres d’échantillonnage obsolètes ainsi que les tours model préremplis. Il exige aussi de préserver les signatures de réflexion dans le flux sans état concerné et d’associer les réponses des fonctions à leurs appels par identité et par nom. Ces détails comptent lors de la poursuite d’une tâche à plusieurs étapes : le tour suivant a besoin du contexte antérieur réel plutôt que d’un récit réécrit qui perd le résultat de l’outil ou la signature. Gardez la question et la sortie demandée explicites dans le nouveau tour user.

Pour le travail de connaissance multimodal, identifiez les pages de document, le graphique, l’intervalle audio ou l’événement vidéo pertinents et précisez leur contribution attendue à la réponse. Une comparaison documentaire peut demander un tableau des différences avec les passages sources ; une question sur un graphique peut demander les valeurs visibles et la conclusion qu’elles étayent. Une analyse vidéo peut demander une description des événements justifiant un constat. Le modèle renvoie du texte à partir de ces entrées. Les images générées, la parole et l’interaction audio Live appartiennent à des profils de modèles distincts.

Ses limites Gemini API sont de 1 048 576 tokens d’entrée et 65 536 tokens de sortie, ce qui correspond au contexte natif allant jusqu’à 1M et à la sortie textuelle de 64K. Les instructions, l’historique de conversation et les médias fournis consomment le contexte d’entrée, tandis que le raisonnement ou un long livrable final doivent tenir dans l’allocation de sortie documentée. Google indique également le caching, le traitement par lots et les traitements Flex et Priority pour ce profil du fabricant. Pour des éléments indépendants, conservez un identifiant stable et un format de sortie explicite afin que chaque résultat reste relié à sa source.

Les limites possibles comprennent les hallucinations, des lenteurs ou délais d’attente dépassés occasionnels et une consommation de tokens supérieure à un niveau d’effort plus élevé. Sa limite de connaissances est mars 2026, certains domaines restant limités à janvier 2025. Fournissez des preuves actuelles ou utilisez les outils d’ancrage documentés lorsque la tâche dépend d’informations ultérieures. Vérifiez les citations de sources, les calculs et le code proposé par rapport aux entrées réelles et aux résultats d’exécution. Le livrable final utile doit distinguer un constat étayé d’une question non résolue, sans supposer qu’une réponse fluide établit le résultat demandé.