Gemini 3.8 Flash: Google guadagna terreno nel coding

Zero centesimi di differenza sul listino e un punteggio che sfiora Claude Opus 5 su tre benchmark: Google presenta così Gemini 3.8 Flash, terzo modello della linea Flash in sei settimane, uscito il 2 settembre con il prezzo di 0,75 dollari per milione di token in input e 3,75 in output, identico al predecessore 3.7 Flash comparso appena tre settimane prima.

La redazione ne ha dato conto in un articolo di cronaca, qui ne approfondiamo la parte tecnica.

Sui benchmark pubblicati dall’azienda il modello sfiora o supera Claude Opus 5, il flagship di Anthropic che in input costa sette volte tanto.

Tre fatti, tutti pubblici e tutti nei documenti tecnici di Google, cambiano però la lettura per chi deve decidere se integrarlo in un flusso di lavoro reale:

• la model card ammette che non è un modello nuovo ma lo stesso di prima allenato più a fondo,
• i dati indipendenti di Artificial Analysis mostrano un consumo di token quasi doppio rispetto alla mediana della sua fascia,
• lo sconto di lancio ha una data di scadenza precisa, il primo gennaio 2027.

Tre lanci Flash in sei settimane: il prezzo che scade a gennaio

Gemini 3.8 Flash è la terza uscita della famiglia Flash da metà luglio: prima 3.6, poi 3.7 il 12 agosto, ora questa. Un ritmo che nessun altro laboratorio sta tenendo, e che segnala una strategia precisa: tenere il tier Flash sempre aggiornato mentre il flagship Pro resta fermo. L’annuncio porta con sé due modelli, non uno: il 3.8 Flash standard, disponibile a chiunque tramite Gemini API, Google AI Studio, Android Studio e Google Antigravity dove è già il modello di default, e il 3.8 Flash Cyber, riservato a un programma di accesso ristretto che merita una sezione a parte più avanti.

Il prezzo resta a 0,75 dollari per milione di token in input e 3,75 in output, promozionale fino al 31 dicembre 2026. Dal primo gennaio 2027 raddoppia, 1,50 e 7,50. Chi sta dimensionando un budget 2027 su questi numeri di lancio sta lavorando su un dato che scompare tra quattro mesi, un dettaglio che nei titoli di cronaca è quasi sempre sparito insieme all’asterisco che lo accompagna nel testo ufficiale.

I benchmark che Google ha scelto di mostrare

La tabella che Google mette al centro dell’annuncio confronta 3.8 Flash con il proprio predecessore e con tre concorrenti diretti, Claude Opus 5, GPT-5.6 Sol e GPT-5.6 Terra. I numeri principali:

Due righe della tabella meritano uno sguardo più attento. Su Harvey’s Legal Agent Benchmark, il test sui compiti legali agentici, il punteggio migliore in classifica è 10%: nessun modello supera la sufficienza, e 3.8 Flash vince superando gli altri di pochi punti su un compito che tutti falliscono.

Su HLE-Verified, il test di ragionamento multi-step più citato del settore, il distacco da Claude Opus 5 è mezzo punto percentuale, una sostanziale parità dichiarata a un prezzo che è una frazione di quello del modello Anthropic.

Su Terminal-bench 2.1 il nuovo Flash è davanti sia a Opus 5 sia a GPT-5.6 Sol, seppure di un punto percentuale scarso.

Una riga nel model card cambia la lettura: non è un modello nuovo

C’è una frase che compare quattro volte nella documentazione tecnica di 3.8 Flash, nelle sezioni Architecture, Training Dataset, Hardware, Software e Safety Policies, e che nessuno dei comunicati stampa ha ripreso: la model card dichiara «Gemini 3.8 Flash is based on Gemini 3.7 Flash», Gemini 3.8 Flash è basato su Gemini 3.7 Flash. Non un nuovo addestramento da zero, non una nuova architettura, ma lo stesso modello di base sottoposto a un ulteriore ciclo di allenamento mirato su coding e ragionamento agentico.

Una volta letta questa riga il resto dell’annuncio smette di sorprendere. Spiega il ritmo di tre uscite in sei settimane, impossibile per un modello addestrato da zero. Spiega perché il prezzo non si è mosso di un centesimo. E spiega una scelta che compare più avanti nella model card: l’assenza di una nuova valutazione completa del Frontier Safety Framework.

Google dichiara che, non essendoci capacità significativamente nuove, i risultati della valutazione su 3.7 Flash restano validi anche per 3.8. Un’inferenza logica più che una misurazione, e in un documento di sicurezza la differenza tra le due cose non è cosmetica.

Sempre nella model card, Google ammette un dato che raramente compare in un comunicato di lancio: la sicurezza multilingue è leggermente peggiorata rispetto a 3.7 Flash, e lo stesso vale per i rifiuti ingiustificati, i casi in cui il modello nega una risposta legittima. Chi distribuisce il modello fuori dai contesti anglofoni farebbe bene a testarlo prima di sostituire in blocco la versione precedente.

Il conto dei token: 120 milioni contro una mediana di 71

La model card di Google spiega da dove arrivano i miglioramenti: 3.8 Flash «lavora di più», esegue passaggi di ragionamento aggiuntivi e richiama gli strumenti in modo iterativo, consumando più token per massimizzare la qualità del risultato, soprattutto agli effort level più alti. È una scelta di design dichiarata, non un difetto nascosto. Google stessa consiglia agli sviluppatori che cercano efficienza di calcolo di restare su 3.7 Flash, che rimane pienamente supportato per i carichi di lavoro dove il costo di calcolo conta più della qualità assoluta.

Un produttore che nel proprio comunicato di lancio consiglia di continuare a usare il modello precedente non capita spesso, e vale la pena prenderlo sul serio.

I numeri di Artificial Analysis, che testa i modelli in modo indipendente sul proprio Intelligence Index a nove benchmark, quantificano cosa significhi lavorare di più in termini di conto finale.

3.8 Flash ottiene un punteggio di 59, 16° su 195 modelli testati, ben sopra la mediana di classe che è 36. Sulla velocità è primo assoluto, 304,6 token in output al secondo. Ma sulla verbosità è 73° su 195: per completare l’intero indice ha generato 120 milioni di token di output, contro una mediana di 71 milioni, quasi il doppio. Far girare l’intero benchmark su questo modello è costato 825,83 dollari.

C’è poi un numero che nessun comunicato cita mai, il tempo per il primo token: 13,39 secondi, contro una mediana di 3,02. Terzo modello più veloce al mondo per throughput una volta che ha iniziato a scrivere, e insieme uno dei più lenti a partire, perché prima pensa. La differenza conta moltissimo a seconda dell’uso: in un job agentico che gira per ore su un repository il throughput vince e i tredici secondi di attesa iniziale sono irrilevanti, in un assistente che un cliente aspetta davanti a una chat quei tredici secondi sono l’intera esperienza utente.

Dove il modello si sgretola: Terminal-bench 4.0

La riga che Google non mette nella propria tabella di lancio, e che gli sviluppatori hanno trovato scavando nei dati pubblici di terze parti, riguarda Terminal-bench 4.0, il successore più severo del benchmark agentico su cui 3.8 Flash primeggia nella versione 2.1.

Qui il distacco da Claude Opus 5 è enorme, 19,1% contro 51,8%, il divario più ampio tra tutti i confronti disponibili. Un modello che vince nettamente sulla versione più semplice del test e crolla su quella più complessa racconta qualcosa di preciso sui limiti dell’iterazione rispetto a un salto architetturale vero.

Sul forum Hacker News, dove l’annuncio ha generato una discussione da diverse centinaia di punti nelle prime ore, gli sviluppatori che avevano già testato il modello su lavoro reale hanno segnalato esperienze contrastanti: chi lo trova utile per audit incrociati, facendogli controllare il lavoro di un modello più costoso prima di implementarlo, e chi lo giudica poco utilizzabile per software engineering vero e proprio, con un consumo di token superiore a modelli più cari su task semplici.

Più di un commento ha anche notato che DeepSWE, il benchmark su cui Google mostra il salto più netto, è ormai un terreno che tutti i laboratori hanno imparato a ottimizzare, e la sua capacità di discriminare tra modelli si è ridotta.

Gemini 3.8 Flash Cyber, la parte che nessuno ha raccontato

Mentre la stampa si concentrava sul modello standard, Google ha lanciato in parallelo Gemini 3.8 Flash Cyber, addestrato specificamente sulla scoperta di vulnerabilità e sul patching automatico, riservato a un gruppo ristretto di difensori tramite il nuovo Fairwind Program, aperto ad agenzie governative fidate, operatori di infrastrutture critiche e manutentori di software open source su candidatura. Il riscontro indipendente conferma i numeri più sorprendenti dell’intero annuncio.

I numeri qui sono più interessanti di quelli del modello generalista.

Su CyberGym, il benchmark standard del settore per la scoperta autonoma di vulnerabilità, 3.8 Flash Cyber supera sia il predecessore 3.5 Cyber sia modelli frontier molto più grandi.

Su un benchmark interno che copre 20 linguaggi di programmazione il tasso di successo supera il 70%.

Su CWE-Bench, il benchmark esterno di patching gestito da Collinear, il modello si posiziona sulla frontiera di Pareto, un pass@1 del 47,2% contro il 47,8% di un modello frontier leader, a un costo nettamente inferiore.

Sul fronte dell’uso interno a Google i risultati sono ancora più netti.

Il team Chrome Security ha misurato 2,6 volte più patch corrette rispetto ai migliori modelli commerciali molto più grandi. Wiz ha registrato un recall superiore del 7,5-9,7% sul proprio benchmark interno di penetration testing, a un costo da 2,3 a 5,2 volte inferiore rispetto ai modelli frontier concorrenti.

Il team di Cloud Vulnerability Research di Google ha usato il modello per trovare una vulnerabilità critica in meno di due ore, un lavoro che normalmente richiede mesi. È la dimostrazione più concreta di tutto l’annuncio, ed è arrivata alla parte del pubblico più piccola: chi può davvero usarla.

Il countdown fino a gennaio: cosa mettere nel capitolato

I dati raccolti fin qui compongono, per chi deve scegliere se integrare 3.8 Flash in un flusso di produzione, un criterio più utile del punteggio aggregato sul benchmark. Conviene passare al nuovo modello se il carico di lavoro è agentico e di lunga durata, con ricerca multi-step o elaborazione di documenti dove la qualità del risultato pesa più del numero di token consumati: qui il vantaggio è reale e Google lo dichiara esplicitamente.

Ha più senso restare su 3.7 Flash se il carico è ad alto volume, a bassa latenza, interattivo: qui la verbosità di 3.8 e i tredici secondi di tempo al primo token diventano un costo, non un vantaggio.

Chi lavora già in Google Antigravity potrebbe essere passato al nuovo modello senza averlo scelto, perché è il default dell’ambiente da subito. Vale un controllo sui costi del mese in corso prima di dare per scontato che il conto resti quello previsto. E chi serve utenti non anglofoni farebbe bene a testare la regressione sulla sicurezza multilingue dichiarata nella model card prima di sostituire in blocco la versione precedente in produzione.

Il vincolo che nessuno può ignorare è la data. Il prezzo di lancio, 0,75 e 3,75 dollari, resta valido fino al 31 dicembre 2026, poi raddoppia per contratto. Un capitolato che fissa il costo per token di oggi come base per un progetto pluriennale sta scommettendo su un numero che Google stessa ha già annunciato di cambiare tra quattro mesi. Merita un posto nel prossimo comitato tecnico una domanda più stretta di quale modello sia il migliore in assoluto: quale porzione del proprio portafoglio di carichi di lavoro giustifica il profilo di costo reale di 3.8 Flash, quello misurato in token effettivamente consumati, non quello scritto nel listino.