Google envió cuatro modelos Gemini Flash en 106 días. Pero su maniquí fronterizo insignia aún no se ve por ninguna parte.

Google presentó su posterior maniquí de inteligencia sintético, Gemini 3.8 Flash, el miércoles. Google dijo que el maniquí sobresale en codificación y en algunos puntos de narración, su rendimiento igualó al de modelos más grandes de compañías rivales de IA, pero los completó a un costo mucho beocio.

El divulgación del maniquí se produce casi nada tres semanas luego del divulgación de su predecesor, Gemini 3.7 Flash. Y, en universal, la compañía ha valiente carencia menos que cuatro modelos Gemini Flash desde mayo. Flash es la designación que Google utiliza para las versiones más pequeñas y rápidas de los modelos que produce. Generalmente están diseñados para usuarios que buscan respuestas a bajo costo, sin martirizar demasiado poder cognitivo.

Pero el maniquí insignia de Google, Gemini 3.5 Pro, que según el director ejecutor Sundar Pichai llegaría en junio, todavía no está en obra. Esto ha llevado a muchos expertos de la industria de la IA a preguntarse si Google todavía es capaz de alcanzar la frontera de la tecnología de la IA.

“Positivamente odio decirlo, pero… ¿Géminis quién?” El director de IA de Meta, Alexander Wang, trolleó a Google en X esta semana luego del divulgación del nuevo maniquí Muse Spark 1.3 de su propia compañía, que superó a todos los modelos de Google en un punto de narración de rendimiento muy seguido. En ese punto de narración, el Índice de Inteligencia de Observación Fabricado, el maniquí de mejor rendimiento de Google, Gemini 3.8 Flash, ahora ocupa el décimo oficio.

Google esperaba que Gemini 3.5 Pro se enviara en junio. Todavía estaba en pruebas en julio y el sitio web de Google todavía lo incluye como “próximamente”. Los candidatos internos fueron descartados porque no mejoraron lo suficiente con respecto a Flash, informó el Wall Street Journal.

Google, sin retención, ha comenzado a señalar el ritmo al que ha podido editar nuevos modelos Flash como una señal de que está cada vez más a la vanguardia cuando se tráfico de un método secreto de construcción de IA que preocupa profundamente a la industria de la IA: la automejora recursiva, o RSI para abreviar. RSI se refiere a un maniquí de IA que puede mejorar y optimizar su propio código, generando versiones de sí mismo cada vez más capaces. Para muchos investigadores de IA, la RSI ha sido un objetivo a liberal plazo, mientras que para muchos expertos en seguridad de la IA ha estado entre sus principales temores. Esto se debe a que les preocupa que una vez que los modelos de IA puedan automejorarse con poca décimo o supervisión humana, podría acaecer una “ataque de inteligencia” que rápidamente conduzca a modelos que sean mucho más inteligentes que toda la humanidad, con consecuencias nefastas para los humanos.

Muchos laboratorios de IA han comenzado a sumergirse en técnicas de construcción de IA que son poco similares a RSI: utilizan una coexistentes de modelos de IA para ayudar a diseñar y construir la subsiguiente, pero generalmente con mucha supervisión y décimo humana.

El investigador de Google DeepMind, Shunyu Yao, escribió en una publicación X sobre el primicia de Gemini 3.8 Flash que el maniquí representaba “un pequeño paso para el maniquí, un brinco hércules para RSI”.

Google dijo en su anuncio de divulgación que Gemini 3.8 fue “acelerado aún más” por bucles de agentes de IA de larga duración que “evalúan y refinan recursivamente los modelos subyacentes”.

Esta es una afirmación más directa sobre el progreso de modelos que la que Google hizo en sus anuncios Flash anteriores. En mayo, Google utilizó un “rizo de superación personal” para que dos agentes crearan y jugaran un esparcimiento. En agosto, describió un rizo de tres agentes que ayudaba a entrenar un maniquí robótico. Para Gemini 3.8 Flash, Google dice que los bucles refinaron los propios modelos Gemini.

No está claro qué presagia el uso de “bucles de mejoramiento personal” por parte de Google sobre su uso de técnicas similares para modelos de IA más grandes. Podría ser que las versiones Flash más pequeñas de Gemini sean más fáciles de mejorar usando estos métodos que las versiones más grandes de Gemini Pro.

Los modelos Flash requieren menos capacidad informática para modificarse, según personas citadas por el Journal. Esto permite que varios equipos de investigación prueben diferentes enfoques en paralelo. Los cambios en los modelos Pro más grandes de Google requieren más bienes.

Los incentivos comerciales asimismo favorecen a Flash. Pichai llamó a Flash la serie “heroína de batalla” de Google y dijo que alcanzó el “punto espléndido de rendimiento y costo”. En su convocatoria de resultados del segundo trimestre, Google dijo que sus API maniquí estaban procesando en torno a de 22 mil millones de tokens por minuto, frente a los 16 mil millones del trimestre aludido. La compañía dijo que el suministro de computadoras seguía siendo escaso.

Esa combinación le da a Google una razón comercial para seguir mejorando Flash a medida que crece la demanda de API y la capacidad informática sigue siendo limitada. Su configuración de esfuerzo asimismo permite a los clientes trocar rendimiento por velocidad y costo.

Sin retención, asimismo podría darse el caso de que Google espere utilizar técnicas similares a RSI para retornar pronto al frente de la carrera de la IA, creando modelos que serían más capaces que el Mythos 5 de Anthropic o el Astra de OpenAI.

Lo que se sabe es que el divulgación de Gemini 3.8 Flash sigue a meses de inversión interna en codificación y educación por refuerzo. Desde principios de año, Google ha destinado más tiempo y bienes informáticos de los investigadores a mejorar las capacidades de codificación de Gemini, informó The Wall Street Journal.

En abril, Google había reunido un equipo de ataque de codificación, con el cofundador Sergey Brin y el patriarca de tecnología de DeepMind, Koray Kavukcuoglu, directamente involucrados, informó The Information. Brin dijo a los empleados que mejorar la codificación era un paso en dirección a la mejoramiento de la IA e instó a DeepMind a convertir sus modelos en “desarrolladores primarios” de código, informó la publicación.

Brin dijo a los empleados que los modelos de codificación más sólidos eran un paso en dirección a sistemas de IA capaces de mejorarse a sí mismos. En un memorando interno, instó a Google a cerrar su brecha en la ejecución de agentes y convertir sus modelos en “desarrolladores primarios” de código, según la historia.

La cadencia Flash más rápida de Google no se ha extendido a su segmento insignia Pro.

Google dijo que Gemini 3.8 Flash mejoró con respecto a versiones anteriores en ingeniería de software, tareas de agente y razonamiento de múltiples pasos. Igualmente lanzó una traducción de ciberseguridad a través de Fairwind, un software de camino controlado para gobiernos y autoridades cibernéticas nacionales, operadores de infraestructura crítica y organizaciones que mantienen software ampliamente utilizado.

Pruebas independientes sitúan a Gemini 3.8 más cerca de modelos fronterizos más caros en algunas tareas de codificación. DeepSWE v1.1 prueba si los agentes de codificación pueden convertir una solicitud breve en un cambio utilitario en una almohadilla de código existente. Gemini 3.8 Flash con stop esfuerzo y Claude Opus 5 de Anthropic con mayor esfuerzo superaron cada uno en torno a del 74% de las carreras anotadas. Los rangos de error informados se superpusieron.

En todos los intentos puntuados, Gemini promedió 2,36 dólares en costes de uso del maniquí por tarea. Opus tuvo un promedio de 11,84 dólares. Gemini utilizó más tokens de salida y tomó más medidas de agente, pero su precio de token más bajo mantuvo el costo promedio de la tarea por debajo de Opus.

Ese patrón explica la afirmación de Google de que Gemini 3.8 “trabaja más duro”. El maniquí toma pasos de razonamiento adicionales y vehemencia a herramientas repetidamente cuando se enfrenta a una tarea difícil.

Más trabajo asimismo puede hacerlo más caro que su predecesor. Google mantuvo el precio de API introductorio de Gemini 3.8 Flash en 75 centavos por millón de tokens de entrada y 3,75 dólares por millón de tokens de salida. Fabricado Analysis descubrió que, con un razonamiento elevado, Gemini 3.8 Flash cuesta en torno a de un 40% más por tarea que Gemini 3.7 Flash, a pesar de los precios simbólicos idénticos. Atribuyó el aumento a un 30% más de tokens de salida por tarea y a más turnos en las evaluaciones de agentes.

Esta historia apareció originalmente en Fortune.com