Gemini 3.8 Flash is Google's most intelligent Flash model with significant gains from 3.7 Flash across software engineering, agentic tasks, and multi-step reasoning.
Provedores
Diferentes empresas hospedam o mesmo modelo. O OpenRouter roteia sua solicitação para uma delas com base no modo de roteamento escolhido: Balanced (preço + velocidade), Nitro (mais rápido) ou Floor (mais barato).
50% off | US$ 0,75US$ 0,375 | US$ 3,75US$ 1,875 | US$ 0,075US$ 0,0375 | US$ 0,075US$ 0,0375 | -- | -- |
|---|
- Entrada US$ 0,375 / Saída US$ 1,87550% off-- tok/s-- de disponibilidade
Preços
O preço médio que os clientes realmente pagam por este modelo, ao lado dos preços publicados pelos provedores. O cache e os descontos fazem com que o preço efetivamente pago seja frequentemente bem inferior ao preço anunciado.
Média ponderada
Gemini 3.8 Flash (batch) — Histórico de preços
| US$ 0,00 | US$ 0,00 | 0,1% | 100,0% |
- Em vigor em US$ 0,00 / Saída efetiva US$ 0,00Participação em tokens100,0%
Desempenho
A vazão indica a velocidade com que o modelo escreve (tokens por segundo — quanto maior, melhor). A latência é o tempo total de ida e volta (quanto menor, melhor). TTFT é o tempo até o primeiro token — quanto tempo leva para você ver algo aparecer (quanto menor, melhor).
Disponibilidade
A disponibilidade é a porcentagem dos últimos 3 dias em que pelo menos um provedor estava respondendo às solicitações. A disponibilidade é a porcentagem de tempo em que a inferência foi realizada com sucesso. O OpenRouter monitora continuamente e usa o próximo melhor provedor quando um deles retorna um erro.
Ainda não há dados de disponibilidade suficientes para exibição.
Quando ocorre um erro em um provedor upstream, podemos nos recuperar roteando para outro provedor saudável, se os filtros da sua solicitação permitirem. Você pode acessar os dados de disponibilidade por provedor de forma programática pela API de endpoints. Saiba mais sobre nossas opções de balanceamento de carga e roteamento de provedores.
Avaliações de desempenho
Pontuações em avaliações padronizadas e as próprias saídas deste modelo para prompts compartilhados de testes de desempenho. Porcentagens maiores são melhores — e cada posição mostra onde este modelo fica entre os modelos avaliados naquela fonte.
| Fonte | Avaliação comparativa | Pontuação |
|---|---|---|
| Artificial Analysis | Gemini 3.8 Flash (Low) Intelligence Index | 22,5 |
| Artificial Analysis | Gemini 3.8 Flash (Low) Coding Index | 73,5 |
| Artificial Analysis | Gemini 3.8 Flash (Low) Agentic Index | 32,6 |
| Artificial Analysis | Gemini 3.8 Flash (Low) GPQA Diamond | 92.0% |
| Artificial Analysis | Gemini 3.8 Flash (Low) HLE | 37.1% |
| Artificial Analysis | Gemini 3.8 Flash (Low) AA-LCR | 80.7% |
| Artificial Analysis | Gemini 3.8 Flash (Low) τ-Bench Banking | 33.2% |
| Artificial Analysis | Gemini 3.8 Flash (Low) GDPval-AA | 40.7% |
| Artificial Analysis | Gemini 3.8 Flash (Low) CritPt | 4.0% |
| Artificial Analysis | Gemini 3.8 Flash (Low) SciCode | 55.0% |
| Artificial Analysis | Gemini 3.8 Flash (Low) Terminal-Bench 4.0 | 10.1% |
| Artificial Analysis | Gemini 3.8 Flash (Low) Terminal-Bench 2.1 | 83.1% |
| Artificial Analysis | Gemini 3.8 Flash (Low) AA-Omniscience Accuracy | 48.3% |
| Artificial Analysis | Gemini 3.8 Flash (Low) AA-Omniscience Non-Hallucination Rate | 31.9% |
| Artificial Analysis | Gemini 3.8 Flash (High) Intelligence Index | 30,8 |
| Artificial Analysis | Gemini 3.8 Flash (High) Coding Index | 76,3 |
| Artificial Analysis | Gemini 3.8 Flash (High) Agentic Index | 40,2 |
| Artificial Analysis | Gemini 3.8 Flash (High) GPQA Diamond | 95.3% |
| Artificial Analysis | Gemini 3.8 Flash (High) HLE | 47.8% |
| Artificial Analysis | Gemini 3.8 Flash (High) AA-LCR | 81.3% |
| Artificial Analysis | Gemini 3.8 Flash (High) τ-Bench Banking | 44.9% |
| Artificial Analysis | Gemini 3.8 Flash (High) GDPval-AA | 47.1% |
| Artificial Analysis | Gemini 3.8 Flash (High) CritPt | 18.3% |
| Artificial Analysis | Gemini 3.8 Flash (High) SciCode | 56.6% |
| Artificial Analysis | Gemini 3.8 Flash (High) Terminal-Bench 4.0 | 19.7% |
| Artificial Analysis | Gemini 3.8 Flash (High) Terminal-Bench 2.1 | 87.6% |
| Artificial Analysis | Gemini 3.8 Flash (High) AA-Omniscience Accuracy | 50.5% |
| Artificial Analysis | Gemini 3.8 Flash (High) AA-Omniscience Non-Hallucination Rate | 44.9% |
| Artificial Analysis | Gemini 3.8 Flash (Medium) Intelligence Index | 30,1 |
| Artificial Analysis | Gemini 3.8 Flash (Medium) Coding Index | 74,1 |
| Artificial Analysis | Gemini 3.8 Flash (Medium) Agentic Index | 39,7 |
| Artificial Analysis | Gemini 3.8 Flash (Medium) GPQA Diamond | 93.5% |
| Artificial Analysis | Gemini 3.8 Flash (Medium) HLE | 42.1% |
| Artificial Analysis | Gemini 3.8 Flash (Medium) AA-LCR | 84.0% |
| Artificial Analysis | Gemini 3.8 Flash (Medium) τ-Bench Banking | 45.8% |
| Artificial Analysis | Gemini 3.8 Flash (Medium) GDPval-AA | 46.6% |
| Artificial Analysis | Gemini 3.8 Flash (Medium) CritPt | 12.3% |
| Artificial Analysis | Gemini 3.8 Flash (Medium) SciCode | 55.1% |
| Artificial Analysis | Gemini 3.8 Flash (Medium) Terminal-Bench 4.0 | 19.7% |
| Artificial Analysis | Gemini 3.8 Flash (Medium) Terminal-Bench 2.1 | 83.9% |
| Artificial Analysis | Gemini 3.8 Flash (Medium) AA-Omniscience Accuracy | 49.6% |
| Artificial Analysis | Gemini 3.8 Flash (Medium) AA-Omniscience Non-Hallucination Rate | 48.5% |
| Design Arena | Gemini 3.8 Flash Agents Arena Androidnative Elo | 1088 |
| Design Arena | Gemini 3.8 Flash Agents Arena Blender3d Elo | 1183 |
| Design Arena | Gemini 3.8 Flash Agents Arena Codetovideo Elo | 1194 |
| Design Arena | Gemini 3.8 Flash Agents Arena Full Stack Elo | 1216 |
| Design Arena | Gemini 3.8 Flash Agents Arena Godotgamedev Elo | 1247 |
| Design Arena | Gemini 3.8 Flash Agents Arena Mobile Apps Elo | 1225 |
| Design Arena | Gemini 3.8 Flash Agents Arena Pdf Elo | 1204 |
| Design Arena | Gemini 3.8 Flash Agents Arena Python-Pptxslides Elo | 1149 |
| Design Arena | Gemini 3.8 Flash Agents Arena Spreadsheet Elo | 1031 |
| Design Arena | Gemini 3.8 Flash Agents Arena Webapps Elo | 1214 |
| Design Arena | Gemini 3.8 Flash Models Arena 3D Elo | 1275 |
| Design Arena | Gemini 3.8 Flash Models Arena Asciiart Elo | 1261 |
| Design Arena | Gemini 3.8 Flash Models Arena Code Categories Elo | 1292 |
| Design Arena | Gemini 3.8 Flash Models Arena Data Visualization Elo | 1274 |
| Design Arena | Gemini 3.8 Flash Models Arena Game Development Elo | 1296 |
| Design Arena | Gemini 3.8 Flash Models Arena SVG Elo | 1289 |
| Design Arena | Gemini 3.8 Flash Models Arena UI Component Elo | 1303 |
| Design Arena | Gemini 3.8 Flash Models Arena Website Elo | 1291 |
| Vals AI | Gemini 3.8 Flash Access to Justice Benchmark | 67.1% |
| Vals AI | Gemini 3.8 Flash BioMysteryBench | 62.2% |
| Vals AI | Gemini 3.8 Flash Code Migration v1.1 | 38.6% |
| Vals AI | Gemini 3.8 Flash CyberBench v1.1 | 43.8% |
| Vals AI | Gemini 3.8 Flash EMB v1.1 | 72.9% |
| Vals AI | Gemini 3.8 Flash Finance Agent v2.1 | 65.8% |
| Vals AI | Gemini 3.8 Flash Vals Finance Index | 60.5% |
| Vals AI | Gemini 3.8 Flash Financial Coaching Bench | 66.3% |
| Vals AI | Gemini 3.8 Flash GPQA Diamond | 94.4% |
| Vals AI | Gemini 3.8 Flash HLAB-Vals-1.1 | 12.1% |
| Vals AI | Gemini 3.8 Flash Immigration | 63.4% |
| Vals AI | Gemini 3.8 Flash IOI | 56.9% |
| Vals AI | Gemini 3.8 Flash LiveCodeBench | 89.5% |
| Vals AI | Gemini 3.8 Flash LegalBench | 87.0% |
| Vals AI | Gemini 3.8 Flash Vals Legal Index | 69.8% |
| Vals AI | Gemini 3.8 Flash Legal Research Bench | 38.9% |
| Vals AI | Gemini 3.8 Flash MedCode | 48.1% |
| Vals AI | Gemini 3.8 Flash MedScribe | 84.5% |
| Vals AI | Gemini 3.8 Flash MMLU Pro | 90.2% |
| Vals AI | Gemini 3.8 Flash MMMU Pro | 89.1% |
| Vals AI | Gemini 3.8 Flash MortgageTax | 65.3% |
| Vals AI | Gemini 3.8 Flash MysteryMechanism | 36.5% |
| Vals AI | Gemini 3.8 Flash ProgramBench | 1.0% |
| Vals AI | Gemini 3.8 Flash ProofBench v1.1 | 48.0% |
| Vals AI | Gemini 3.8 Flash Public Benefits Bench v1.1 | 65.3% |
| Vals AI | Gemini 3.8 Flash Vals RSI Index | 19.9% |
| Vals AI | Gemini 3.8 Flash SAGE | 88.2% |
| Vals AI | Gemini 3.8 Flash Vals Science Index | 35.8% |
| Vals AI | Gemini 3.8 Flash SkillsBench | 58.0% |
| Vals AI | Gemini 3.8 Flash SRE Bench | 11.1% |
| Vals AI | Gemini 3.8 Flash SWE-bench | 80.0% |
| Vals AI | Gemini 3.8 Flash SWE-bench Multimodal | 40.8% |
| Vals AI | Gemini 3.8 Flash Tax Agent Bench | 32.1% |
| Vals AI | Gemini 3.8 Flash TaxEval v2 | 74.4% |
| Vals AI | Gemini 3.8 Flash Terminal-Bench 4.0 | 19.7% |
| Vals AI | Gemini 3.8 Flash Terminal-Bench-Science | 8.6% |
| Vals AI | Gemini 3.8 Flash Vals Index | 56.0% |
| Vals AI | Gemini 3.8 Flash Vibe Code Bench 1-100 | 18.8% |
| Vals AI | Gemini 3.8 Flash Vibe Code Bench v1.1 | 78.7% |
Aplicativos
Aplicativos públicos que enviam mais tráfego para este modelo. Um bom indicador de como são as cargas de trabalho reais em produção — e uma pista sobre os casos de uso para os quais este modelo é mais adequado.
Ainda não há dados suficientes sobre aplicativos que usam este modelo.
Atividade
Volume de tokens e tráfego de requisições para este modelo ao longo do tempo.
API
Código pronto para chamar este modelo. A API do OpenRouter é compatível com a OpenAI — a maioria dos SDKs funciona apenas trocando a URL base. A única coisa que muda entre os modelos é o slug do modelo abaixo.
Versões de Google: Gemini Flash
Atualmente indisponível por meio do roteamento intrarregional da UE. Documentação de roteamento na região
Documentação
Guias, receitas práticas, publicações de blog e ferramentas para desenvolver com Google: Gemini 3.8 Flash (batch) na OpenRouter.
- Reranking in RAG: How to Fix Bad Retrieval with a RerankerPublicação no blog
- How to Benchmark LLMsPublicação no blog
- How to Stop an AI Agent Stuck in an Infinite LoopPublicação no blog
- MCP vs CLI vs Skills: What Each Costs in ContextPublicação no blog
- How to Get Structured Output from Any LLM: JSON Schema, Tool Calls, or a Decision ModelPublicação no blog
- Best OCR Model for Scanned Documents, MeasuredPublicação no blog
- How to Extract Tables from a PDF with an LLMPublicação no blog
Perguntas frequentes
Gemini 3.8 Flash is Google's most intelligent Flash model with significant gains from 3.7 Flash across software engineering, agentic tasks, and multi-step reasoning.
A documentação de Gemini 3.8 Flash (batch) no OpenRouter inclui a publicação Reranking in RAG: How to Fix Bad Retrieval with a Reranker no blog, a publicação How to Benchmark LLMs no blog, a publicação How to Stop an AI Agent Stuck in an Infinite Loop no blog, a publicação MCP vs CLI vs Skills: What Each Costs in Context no blog, a publicação How to Get Structured Output from Any LLM: JSON Schema, Tool Calls, or a Decision Model no blog, a publicação Best OCR Model for Scanned Documents, Measured no blog e a publicação How to Extract Tables from a PDF with an LLM no blog. O guia de início rápido aborda chaves de API e sua primeira requisição, e a referência da API lista todos os parâmetros.
Gemini 3.8 Flash (batch) custa US$ 0,375/M de tokens de entrada e US$ 1,875/M de tokens de saída, com taxas separadas para Cache Read por US$ 0,0375/M tokens, Cache Write por US$ 0,04167/M tokens, Image Input por US$ 0,375/M tokens, Input Audio por US$ 0,375/M tokens, Input Audio Cache por US$ 0,0375/M tokens e Web Search por US$ 14,00/1K calls.
Gemini 3.8 Flash (batch) tem uma janela de contexto de 1.048.576 tokens. Ele aceita até 65.536 tokens de conclusão.
Sim. Gemini 3.8 Flash (batch) aceita tools e tool_choice para chamadas de função. Também oferece suporte a saídas estruturadas por meio de um esquema JSON em response_format.
Gemini 3.8 Flash (batch) aceita texto, imagens, vídeo, arquivos como PDFs e áudio como entrada e retorna texto.
Gemini 3.8 Flash (batch) é servido por 1 provedor no OpenRouter: Google Vertex.
Gemini 4 Hydrogen, Gemini Decision 1, Gemini 4 Carbon e mais 31 são outros modelos de texto de Google.
Gemini 3.8 Flash (batch) foi lançado em 2 de setembro de 2026.