Gemini 3.8 establece un nuevo estándar para el razonamiento de la IA, no por la puntuación de una sola línea, sino porque Google DeepMind combina un razonamiento más sólido con velocidad práctica, ejecución agéntica, entradas multimodales y un esfuerzo computacional controlable. Lanzado en septiembre de 2026, Gemini 3.8 Flash se describe como la «siguiente iteración» de la familia Gemini 3 y está orientado específicamente a la ingeniería de software y a los flujos de trabajo agénticos del conocimiento. Por lo tanto, las pruebas disponibles apuntan a un modelo de razonamiento orientado al trabajo, en lugar de a un sistema diseñado únicamente para destacar en instrucciones aisladas.
Esta distinción es importante al evaluar las afirmaciones sobre un nuevo estándar de IA. Google califica Gemini 3.8 Flash como su «modelo de batalla más inteligente hasta la fecha» para programación y agentes, y afirma que ofrece «razonamiento avanzado con la latencia y la escala propias de Flash». Son afirmaciones contundentes sobre el producto, pero la ficha del modelo proporciona resultados concretos en programación, trabajo del conocimiento, finanzas, tareas jurídicas, capacidades multimodales, contexto extenso, uso de ordenadores y razonamiento científico. Considerados en conjunto, e interpretados teniendo en cuenta las salvedades pertinentes sobre las pruebas comparativas, los resultados muestran por qué Gemini 3.8 Flash representa un avance significativo.
Por qué Gemini 3.8 Flash se presenta como un gran avance en razonamiento
La idea central de Gemini 3.8 Flash no es simplemente que pueda generar mejores respuestas. Google DeepMind lo presenta como un modelo capaz de aplicar un razonamiento sostenido y riguroso, sin dejar de ser adecuado para un uso a gran escala. La página del producto califica el modelo de «inteligente y riguroso» y afirma que emplea «un esfuerzo de razonamiento riguroso para producir resultados de mayor calidad».
Este planteamiento distingue a Gemini 3.8 Flash de los modelos cuyos modos de razonamiento más potentes pueden ser difíciles de implementar de manera generalizada debido al tiempo de respuesta, el coste o la complejidad operativa. La promesa de Google de ofrecer razonamiento avanzado con la latencia y la escala propias de Flash sugiere que el modelo está concebido para hacer más práctico el análisis profundo en los sistemas cotidianos.
Google DeepMind describe Gemini 3.8 Flash como su «modelo de batalla más inteligente hasta la fecha» para programación y agentes, con «razonamiento avanzado y la latencia y la escala propias de Flash».
La expresión «modelo de batalla» es importante. Implica que se espera que el modelo gestione tareas frecuentes y sustanciales, en lugar de servir únicamente como una opción prémium para preguntas difíciles ocasionales. En un entorno empresarial, esto podría incluir revisar una gran colección de documentos, planificar y ejecutar cambios de software, interpretar contenidos de distintos formatos o coordinar varios pasos entre diferentes herramientas.
Un anuncio de Google DeepMind publicado en indonesio va más allá y describe Gemini 3.8 como el mejor modelo de razonamiento y programación de la empresa hasta la fecha. Esta declaración establece la opinión de Google sobre el lugar que ocupa el modelo en su catálogo, aunque no debe considerarse una evaluación independiente de su superioridad en todos los casos de uso posibles.
El razonamiento solo es útil cuando puede implementarse
La inteligencia del modelo es una parte de un sistema de producción. Los equipos también deben tener en cuenta la latencia, el consumo de tokens, la fiabilidad, el esfuerzo de integración y si el modelo puede completar un flujo de trabajo en lugar de limitarse a sugerir el siguiente paso. Gemini 3.8 Flash está diseñado en torno a esta realidad operativa más amplia.
Google afirma que el modelo admite niveles de esfuerzo personalizables que permiten a los desarrolladores equilibrar la calidad, el coste y la latencia. Esto ofrece a los equipos una forma de reservar un mayor esfuerzo de razonamiento para los casos difíciles y gestionar las tareas rutinarias de manera más eficiente. Una tarea sencilla de clasificación, por ejemplo, puede no requerir el mismo nivel de deliberación que un cambio de código en todo un repositorio o un análisis basado en numerosos documentos financieros.
- Calidad: Se puede asignar un mayor esfuerzo de razonamiento cuando un análisis incompleto generaría un riesgo posterior considerable.
- Latencia: Un menor esfuerzo puede ser más apropiado cuando una aplicación necesita una respuesta inmediata.
- Coste: Las cargas de trabajo pueden distribuirse según su valor y complejidad, en lugar de utilizar el máximo esfuerzo para cada solicitud.
- Escala: Un modelo de la categoría Flash está concebido para poner un razonamiento competente a disposición de un mayor volumen de interacciones.
Esta capacidad de control es una de las razones por las que puede afirmarse razonablemente que el lanzamiento establece un estándar. El estándar no consiste únicamente en un techo de inteligencia más alto. Consiste en la capacidad de convertir el razonamiento en un recurso de producción ajustable.
Las mejoras en las pruebas comparativas muestran avances en programación y trabajo del conocimiento
Las pruebas concretas más sólidas proceden de las evaluaciones recogidas en la ficha de Gemini 3.8 Flash. Google afirma que el modelo se probó en ingeniería de software, trabajo del conocimiento, capacidades multimodales, tareas de contexto extenso, uso de ordenadores y razonamiento científico. Cuatro comparaciones publicadas con Gemini 3.7 Flash ofrecen una visión específica del progreso generacional.
Ingeniería de software a largo plazo
En DeepSWE v1.1, una evaluación de ingeniería de software a largo plazo, Gemini 3.8 Flash obtuvo un 73,7 %. Gemini 3.7 Flash obtuvo un 65,3 %, lo que supone una mejora de 8,4 puntos porcentuales. La ficha del modelo también sitúa a Gemini 3.8 Flash por encima de varios modelos avanzados de la competencia en esta evaluación.
La ingeniería a largo plazo es un objetivo más exigente que generar una función breve a partir de una instrucción estrictamente definida. Puede requerir comprender un contexto de código más amplio, mantener un plan, modificar componentes conectados y recuperarse cuando un enfoque inicial no funciona. El resultado de DeepSWE concuerda con la decisión de Google de orientar el modelo hacia la ingeniería de software y la ejecución agéntica.
Trabajo general del conocimiento
En GDPVal-AA v2, Gemini 3.8 Flash obtuvo una puntuación Elo de 1545, frente a los 1482 de Gemini 3.7 Flash. Esto supone un incremento de 63 puntos en la escala Elo publicada. Aunque un resultado Elo debe interpretarse dentro de la metodología de la evaluación específica, la dirección del cambio respalda la afirmación de Google sobre los avances en los flujos de trabajo agénticos del conocimiento.
El trabajo del conocimiento es una categoría amplia. En organizaciones reales, puede implicar localizar pruebas, conciliar documentos, producir un entregable estructurado y perfeccionar el resultado después de comprobar si existen lagunas. Un modelo que rinda bien en este ámbito necesita algo más que una prosa fluida: debe conservar la intención de la tarea a lo largo de múltiples pasos de razonamiento.
Resultados de agentes financieros y jurídicos
Gemini 3.8 Flash alcanzó un 61,4 % en Vals Finance Agent v2, que evalúa tareas de analistas financieros. Gemini 3.7 Flash registró un 59,0 %, lo que supone una mejora de 2,4 puntos porcentuales. En la prueba Harvey’s Legal Agent Benchmark, Gemini 3.8 Flash logró una tasa de aprobación total del 10,0 %, frente al 8,8 % del modelo Flash anterior, es decir, una mejora de 1,2 puntos porcentuales.
Estas mejoras son menores que la registrada en DeepSWE, y el resultado de aprobación total en el ámbito jurídico también ilustra lo exigentes que siguen siendo los flujos de trabajo profesionales especializados. Una tasa de aprobación total del 10,0 % no debe interpretarse como una prueba de que el modelo pueda sustituir de manera independiente la revisión de profesionales jurídicos cualificados. En cambio, indica un progreso cuantificable en una prueba estricta de agentes, aunque todavía exista un amplio margen de mejora.
- DeepSWE v1.1: 73,7 % para Gemini 3.8 Flash frente al 65,3 % de Gemini 3.7 Flash.
- GDPVal-AA v2: 1545 puntos Elo frente a 1482.
- Vals Finance Agent v2: 61,4 % frente a 59,0 %.
- Harvey’s Legal Agent Benchmark: 10,0 % de aprobación total frente a 8,8 %.
La conclusión responsable no es que Gemini 3.8 Flash haya resuelto todas las formas de razonamiento profesional. Es que el modelo mejora con respecto a Gemini 3.7 Flash en cuatro categorías de tareas diferentes, con un avance especialmente notable en la ingeniería de software a largo plazo. Esta amplitud aporta más credibilidad a la afirmación sobre su razonamiento que si se basara en una sola prueba favorable.
La fiabilidad agéntica cambia el significado práctico del razonamiento
Un modelo puede elaborar un plan excelente y aun así fracasar como agente. Los sistemas agénticos deben actuar conforme a ese plan, observar lo sucedido, gestionar resultados inesperados y decidir si deben volver a intentarlo, revisar el enfoque o escalar el problema. Google DeepMind afirma que Gemini 3.8 Flash es «fiable en la ejecución agéntica», lo que significa que está diseñado para sortear obstáculos y resolver con precisión problemas de programación y del mundo real.
Este énfasis concuerda bien con el posicionamiento del modelo. Los repositorios de software y los entornos empresariales de conocimiento rara vez están limpios u organizados de forma predecible. Pueden faltar archivos, las instrucciones pueden ser contradictorias, las llamadas a herramientas pueden fallar y un cambio aparentemente correcto puede hacer que una prueba falle en otro lugar. El razonamiento útil debe resistir el contacto con estas condiciones.
Un ciclo práctico de agente
En un flujo de trabajo de producción, las capacidades de Gemini 3.8 Flash pueden entenderse como el respaldo de una secuencia como la siguiente:
- Interpretar el objetivo. El sistema identifica el resultado solicitado, las restricciones pertinentes y el formato esperado.
- Recopilar contexto. Lee código, documentos, imágenes u otras entradas disponibles, en lugar de depender únicamente de la instrucción inicial.
- Crear y ejecutar un plan. El modelo divide la tarea en pasos y utiliza las herramientas disponibles cuando resulta apropiado.
- Inspeccionar el resultado. Comprueba los resultados, prueba los cambios o compara los hallazgos con el material de origen.
- Recuperarse de los obstáculos. Cuando una acción falla o aparecen nuevas pruebas, ajusta el enfoque en lugar de detenerse de inmediato.
- Entregar un resultado trazable. La respuesta o el artefacto final puede revisarse respecto a la solicitud original y las pruebas que lo respaldan.
Esta descripción es un patrón de implementación, no una garantía de que todas las implementaciones de Gemini 3.8 Flash funcionen a la perfección. La calidad de los agentes también depende del diseño de las herramientas, los permisos, la gestión del contexto, las instrucciones, la lógica de verificación y las reglas de escalado. El modelo puede ser el motor de razonamiento, pero la arquitectura que lo rodea determina a qué puede acceder y con qué seguridad puede actuar.
Google ofrece un ejemplo destacado comunicado por el cliente Glean. Según Google, Glean descubrió que Gemini 3.8 Flash completaba más de tres veces más tareas que Gemini 3.7 Flash en flujos de trabajo prolongados y con gran cantidad de documentos. La declaración es relevante porque se refiere a la finalización de tareas y no solo a la preferencia por determinadas respuestas, pero sigue siendo un testimonio de un cliente destacado por Google y no una garantía universal de rendimiento.
Para los responsables de la toma de decisiones, la conclusión principal es que una ejecución agéntica más sólida puede cambiar la economía de la automatización. Si un modelo completa más tareas de varios pasos sin necesitar repetidamente la intervención humana, el valor no procede únicamente de unas respuestas individuales mejores, sino también de una menor fricción en el flujo de trabajo. Aun así, las organizaciones deben validar ese efecto utilizando sus propios documentos, herramientas, permisos y definiciones de finalización satisfactoria.
El razonamiento multimodal reúne código, elementos visuales, audio y vídeo
Google describe Gemini 3.8 Flash como «verdaderamente multimodal», con compatibilidad con texto, audio, imágenes, código y vídeo. Esto es importante porque muchas tareas reales no encajan claramente en un único tipo de datos. Un problema de software puede combinar código fuente, una captura de pantalla, un recurso de diseño, registros y una demostración grabada de un comportamiento inesperado.
La compatibilidad multimodal permite al modelo razonar sobre esas entradas dentro de un mismo flujo de trabajo. En lugar de utilizar sistemas separados para interpretar imágenes, analizar código y planificar mediante texto, un equipo puede proporcionar a un solo modelo una representación más completa del problema. El valor no reside únicamente en reconocer cada entrada, sino en conectar las pruebas entre distintos formatos.
Ámbitos en los que la multimodalidad puede reforzar el razonamiento
- Desarrollo de interfaces: Un modelo puede comparar el código con un recurso visual o una captura de pantalla e identificar posibles discrepancias.
- Control de calidad: Puede considerar conjuntamente los requisitos escritos, los detalles de implementación y las pruebas visuales.
- Análisis con gran cantidad de documentos: El texto puede interpretarse junto con gráficos, diagramas o materiales visuales escaneados.
- Flujos de trabajo multimedia: El audio y el vídeo pueden aportar un contexto que se perdería en una solicitud basada únicamente en texto.
- Asistencia técnica: Un usuario puede proporcionar una descripción del error, una captura de pantalla y el código pertinente en la misma interacción.
El centro de modelos Gemini destaca el testimonio de Loopit, que afirma que Gemini 3.8 Flash ayudó con la «programación, el razonamiento sobre recursos y la validación visual rápida». Este ejemplo refleja fielmente el posicionamiento multimodal del modelo: la programación se combina con la comprensión de recursos y la comprobación de resultados visuales. Como sucede con cualquier testimonio publicado por un proveedor, es una prueba de una experiencia comunicada, no una demostración de que todas las organizaciones obtendrán resultados idénticos.
La experiencia destacada de Loopit conecta tres capacidades prácticas: «programación, razonamiento sobre recursos y validación visual rápida».
La expresión «validación visual rápida» también señala una evolución importante en el desarrollo de software asistido por IA. La corrección del código no siempre queda reflejada en la compilación o en las pruebas automatizadas. En las interfaces y aplicaciones con abundante contenido multimedia, un cambio puede ser técnicamente válido y, aun así, producir un diseño, estilo o comportamiento de los recursos incorrectos. El razonamiento visual puede añadir otra capa de verificación.
No obstante, la capacidad multimodal debe probarse con los medios, la resolución, el dominio y el flujo de trabajo exactos que una organización pretenda utilizar. La compatibilidad con un tipo de entrada no implica una precisión uniforme en todas las imágenes, grabaciones de audio, vídeos o bases de código. Los contenidos multimedia sensibles también pueden requerir controles de privacidad, políticas de conservación y restricciones de acceso más estrictos que las instrucciones de texto ordinarias.
Los niveles de esfuerzo personalizables convierten el razonamiento en una decisión de ingeniería
Google afirma que Gemini 3.8 Flash admite niveles de esfuerzo personalizables para equilibrar la calidad de los resultados, el coste y la latencia. Esto es más que una opción práctica. Ofrece a los diseñadores de aplicaciones una forma de tratar la profundidad del razonamiento como parte de la arquitectura del sistema.
Un error habitual consiste en enviar todas las solicitudes mediante la configuración de razonamiento más alta disponible. Esto puede desperdiciar recursos en tareas sencillas e introducir un tiempo de respuesta innecesario. El error opuesto consiste en optimizar únicamente la velocidad, incluso cuando un flujo de trabajo contiene pruebas ambiguas o decisiones de gran trascendencia.
Un enfoque de implementación fundamentado
- Clasificar la complejidad de las tareas. Separar la extracción y el formato rutinarios de las tareas que requieren planificación, conciliación o múltiples llamadas a herramientas.
- Estimar el coste de los errores. Un borrador de bajo riesgo puede tolerar más incertidumbre que un parche de código propuesto, un análisis financiero o un producto de trabajo jurídico.
- Seleccionar un nivel de esfuerzo inicial. Utilizar un esfuerzo menor para tareas claras y reversibles y un esfuerzo mayor cuando un análisis más profundo aporte un valor práctico.
- Añadir verificación. Las pruebas, las comprobaciones de evidencias, las reglas de salida estructurada y la revisión humana siguen siendo necesarias en los flujos de trabajo importantes.
- Medir los resultados completos. Realizar un seguimiento de la finalización satisfactoria de las tareas, las correcciones, la latencia, el uso de tokens y el escalado, no solo de si la respuesta parece pulida.
- Ajustar el enrutamiento con el tiempo. Los datos de las cargas de trabajo reales deben determinar qué solicitudes reciben un mayor esfuerzo de razonamiento.
Este enfoque concuerda con el posicionamiento de Google del modelo como una herramienta de alto rendimiento para el trabajo diario. También evita tratar el «razonamiento avanzado» como una etiqueta abstracta. En producción, el razonamiento se convierte en un recurso que se asigna según la dificultad de la tarea y el riesgo empresarial.
Según la ficha de Gemini 3.8 Flash publicada el 2 de septiembre de 2026, el precio del nivel mencionado es de 0,75 dólares por cada millón de tokens de entrada y 3,75 dólares por cada millón de tokens de salida. Estas cifras proporcionan un punto de partida concreto para estimar el uso, pero deben interpretarse en el contexto del nivel de precios aplicable y contrastarse con las condiciones comerciales vigentes antes de tomar una decisión de compra.
Los precios de los tokens no determinan por sí solos el coste total de una implementación agéntica. Los flujos de trabajo prolongados pueden utilizar llamadas repetidas al modelo, una gran cantidad de contexto, herramientas externas, recuperación de datos, infraestructura de evaluación y revisión humana. Por el contrario, un modelo más competente puede generar ahorros si completa tareas que antes requerían nuevos intentos o intervención manual. Por lo tanto, un análisis de costes válido debe examinar todo el flujo de trabajo.
Gemini 3.8 Flash Cyber extiende el razonamiento a la seguridad defensiva
El lanzamiento de septiembre de 2026 también incluye Gemini 3.8 Flash Cyber, un modelo complementario de seguridad. Google lo describe como su «modelo de ciberseguridad más competente», con detección de vulnerabilidades de nivel avanzado y aplicación automatizada de parches. Se trata de un modelo y una afirmación distintos del posicionamiento general de Gemini 3.8 Flash, aunque ambos formen parte del mismo lanzamiento.
La seguridad es una prueba natural del razonamiento agéntico, porque corregir vulnerabilidades implica algo más que detectar código sospechoso. Un sistema puede necesitar comprender una base de código, confirmar que una debilidad es real, determinar su impacto, diseñar una solución y verificar que el parche no introduzca regresiones.
El programa Fairwind de Google combina Gemini 3.8 Flash Cyber con CodeMender para ayudar a los defensores a «encontrar, verificar y corregir vulnerabilidades a escala agéntica». La formulación recoge tres etapas distintas que no deben reducirse a una sola:
- Encontrar: Identificar código o comportamientos que puedan representar una vulnerabilidad.
- Verificar: Determinar si el hallazgo es válido y pertinente, en lugar de actuar ante cada alerta.
- Corregir: Producir y evaluar una solución que resuelva el problema sin afectar al funcionamiento previsto.
Esta secuencia ilustra por qué la calidad del razonamiento es fundamental para la automatización defensiva. Un gran volumen de alertas sin una verificación fiable puede saturar a los equipos de seguridad, mientras que los parches automatizados sin pruebas pueden crear nuevos problemas. Por lo tanto, el posible estándar establecido por el modelo Cyber no se limita a un análisis más rápido, sino que incluye un ciclo de corrección más completo.
Las descripciones de Google deben seguir considerándose afirmaciones sobre el producto que requieren una evaluación en cada entorno de destino. Los equipos de seguridad necesitan entornos aislados, acceso con privilegios mínimos, registros de auditoría, revisión de parches, cobertura de pruebas y vías de escalado claras. Ninguna prueba comparativa ni designación de producto elimina la necesidad de controles operativos seguros.
El modelo complementario también demuestra que Google está aplicando el enfoque de razonamiento de Gemini 3.8 a ámbitos especializados, en lugar de asumir que una única configuración general es óptima para todos los casos. Esto puede marcar una dirección importante para la IA empresarial: bases multimodales y agénticas comunes combinadas con modelos, herramientas o políticas específicos para cada ámbito.
Cómo evaluar la afirmación de que Gemini 3.8 establece un nuevo estándar
Los argumentos a favor de un nuevo estándar se basan en varios hechos relacionados. Gemini 3.8 Flash mejora respecto a Gemini 3.7 Flash en las pruebas publicadas de programación, trabajo del conocimiento, finanzas y agentes jurídicos. Está diseñado para trabajos a largo plazo, admite varios tipos de entrada, ofrece un esfuerzo de razonamiento ajustable y hace hincapié en la recuperación ante obstáculos durante la ejecución agéntica.
La fecha de lanzamiento y la documentación también aportan un contexto útil. La página «Últimas noticias» de Google DeepMind enumera «Presentamos Gemini 3.8 Flash y 3.8 Flash Cyber» como un lanzamiento de septiembre de 2026. El índice de fichas de modelos muestra que Gemini 3.8 Flash se actualizó el 2 de septiembre de 2026 y que, en el momento de la publicación, era la ficha de modelo Gemini más reciente incluida allí.
Pruebas que respaldan el argumento del nuevo estándar
- Google orienta el modelo tanto a la ingeniería de software como a los flujos de trabajo agénticos del conocimiento, en lugar de limitarlo a una categoría de razonamiento específica.
- La puntuación publicada de DeepSWE v1.1 aumenta 8,4 puntos porcentuales respecto a Gemini 3.7 Flash.
- GDPVal-AA v2, Vals Finance Agent v2 y Harvey’s Legal Agent Benchmark también muestran mejoras generacionales.
- Los niveles de esfuerzo personalizables vinculan la calidad del razonamiento con la gestión de la latencia y el coste.
- El texto, el audio, las imágenes, el código y el vídeo pueden incorporarse a flujos de trabajo multimodales.
- Glean y Loopit ofrecen testimonios destacados sobre mejoras en la ejecución de tareas con gran cantidad de documentos y en flujos de trabajo de programación visual.
- Gemini 3.8 Flash Cyber aplica el razonamiento agéntico al descubrimiento, la verificación y la corrección de vulnerabilidades.
Limitaciones que los compradores responsables deben tener presentes
El rendimiento en las pruebas comparativas no equivale a un rendimiento garantizado en producción. Las evaluaciones utilizan conjuntos de datos, reglas de puntuación, herramientas y condiciones definidos. Los documentos, la calidad del código, las interfaces de herramientas y los requisitos de gobernanza de cada empresa pueden crear un entorno operativo sustancialmente diferente.
Las descripciones de los proveedores y los testimonios de los clientes también desempeñan una función probatoria específica. Pueden revelar la intención de diseño y experiencias comunicadas, pero no constituyen pruebas independientes de una superioridad universal. La evaluación más fiable combina la ficha publicada del modelo con pruebas controladas en tareas internas representativas.
Las organizaciones que consideren utilizar Gemini 3.8 Flash deben crear un conjunto de pruebas que incluya casos ordinarios, casos difíciles, instrucciones ambiguas, fallos de herramientas y entradas adversarias o engañosas. Deben medir la precisión factual, el éxito completo de las tareas, el comportamiento de recuperación, la latencia, el coste total y la cantidad de correcciones humanas necesarias.
En trabajos regulados o de gran trascendencia, los resultados deben seguir sujetos a la revisión de profesionales cualificados. Las pruebas financieras y jurídicas publicadas demuestran avances, pero no establecen una responsabilidad profesional ni eliminan el riesgo de análisis incorrectos. La supervisión humana, la trazabilidad de las pruebas y los controles de acceso siguen formando parte de una implementación fiable.
Por lo tanto, Gemini 3.8 Flash establece su estándar más sólido en el ámbito del sistema: un razonamiento competente, la persistencia agéntica, el contexto multimodal y el esfuerzo configurable se reúnen en un modelo concebido para un uso a gran escala. Las mejoras publicadas en las pruebas comparativas concretan este posicionamiento, especialmente en la ingeniería de software a largo plazo, mientras que los resultados de trabajo del conocimiento y de agentes especializados muestran unas capacidades más amplias, aunque todavía en desarrollo.
El veredicto fundamentado es que Gemini 3.8 representa un avance significativo en el razonamiento práctico de la IA, pero no el fin de los desafíos de fiabilidad del sector. Los equipos deben utilizar la ficha del modelo de Google DeepMind, los precios publicados, las descripciones del producto y los testimonios de clientes como base inicial de pruebas, para después validar el modelo en sus propios flujos de trabajo. Si la combinación de calidad, velocidad, coste y fiabilidad en la finalización de tareas se mantiene en esas condiciones, Gemini 3.8 Flash se habrá ganado el nuevo estándar que su lanzamiento pretende establecer.
