Gemini 3.6 Flash 正式發布：API 價格、模型差異與 AI Agent 任務成本一次看懂

Google 在 2026 年 7 月 21 日推出 Gemini 3.6 Flash 與 Gemini 3.5 Flash-Lite，同時公布資安專用模型 Gemini 3.5 Flash Cyber。前兩款模型已可透過 Gemini API 等服務使用；Flash Cyber 則預計透過 CodeMender 啟動限量試辦，現階段並不是一般開發者可以直接呼叫的公開模型。

表面上，這又是 Gemini 系列的又一次版本更新，但對正在導入 AI Agent 的企業來說，更值得注意的是，新模型能否用較少的 token、推理步驟與工具呼叫，完成同一項工作。

這不代表企業導入後一定能省下固定比例的費用，因為真正影響成本的，還包括任務失敗後要重跑幾次、是否需要人工修改，以及不同模型之間如何分工。

因此，企業不能只問模型單價是多少，更應該追蹤一個 AI Agent 成功完成一次任務，總共要花多少錢。這也是 Gemini 3.6 Flash 這次最值得討論的地方。

Gemini 3.6 Flash 更新重點快速看

Google 這次公布的三款模型，不只是效能由高到低的排列，它們分別承擔不同工作。

3.6 Flash 負責較複雜的規劃與執行，Flash-Lite 承接大量重複工作；Flash Cyber 則把高風險資安能力放在受控環境中。

Gemini API 文件目前將 3.6 Flash 與 3.5 Flash-Lite 列為 stable 模型。3.6 Flash 的模型代號是 gemini-3.6-flash，Flash-Lite 則是 gemini-3.5-flash-lite。

Gemini 3.6 Flash 價格與效能，企業該如何控管 AI 成本？

Gemini 3.6 Flash 與 Flash-Lite 的 API 價格差多少？

Gemini 3.6 Flash 的 Gemini API 標準價格為：

• 每 100 萬輸入 token：1.50 美元
• 每 100 萬輸出 token：7.50 美元

Gemini 3.5 Flash-Lite 的價格則是：

• 每 100 萬輸入 token：0.30 美元
• 每 100 萬輸出 token：2.50 美元

兩款模型都支援約 100 萬 token 的上下文視窗，以及最長約 6.5 萬個輸出 token。

只看價目表，Flash-Lite 明顯便宜很多，但這不代表所有流程都應該改用 Lite，因為企業購買的不是 token，而是可驗收的工作結果。

一份報告寫得便宜，卻需要員工花半小時重做，總成本未必比較低；反過來說，某些分類或欄位抽取任務規則很清楚，使用較昂貴的主力模型也可能只是浪費。

輸出 token 變少，不等於帳單等比例下降

Google 表示，新模型完成多步驟流程時，會使用較少的推理步驟與工具呼叫，Gemini 3.6 Flash 在 Artificial Analysis Index 中，比 3.5 Flash 少使用約 17% 的輸出 token；在 DeepSWE 等特定評測中，輸出 token 的減少幅度最高達 65%。

這些數字可以當成模型效率改善的訊號，卻不能直接套用到每一家企業，實際帳單還會受到下列因素影響：

• 系統提示與背景資料有多長
• 是否反覆讀取相同文件
• Agent 呼叫搜尋、資料庫或外部 API 的次數
• 任務失敗後重試幾次
• 是否使用快取或批次處理
• 最後需不需要人工檢查與修改

所以，輸出 token 少 17% 不等於每月 AI 費用一定少 17%，真正應該比較的，是同一項任務在不同模型與流程設計下，最後花了多少成本才成功完成。

工具呼叫變多後，成本不只來自 token

Gemini 3.6 Flash 支援 Computer Use，代表 Agent 不只產生文字，也能根據畫面提出點擊、輸入或捲動等操作。不過，這項能力目前仍屬 Preview，開發者也必須自行建置接收與執行指令的用戶端環境。

對企業來說，成本除了 token，還要納入工具呼叫、操作失敗、重試、監控與人工核准。

Agent 能操作你的電腦，也不代表適合完全自動化，寄信、付款、刪除資料與修改權限等高風險動作，仍應保留人工確認與完整日誌。這些核准與監控成本，也應計入每個成功任務的總成本。

📌 延伸閱讀：Tool Use 是什麼？AI 如何呼叫工具完成任務

📌 延伸閱讀：Human in the loop 是什麼？AI Agent 為何需要人類把關

企業真正該算的是每個成功任務的成本

評估 AI Agent 任務成本時，可以先用這個公式計算：

每個成功任務成本＝ 模型 token 費用＋工具費用＋重試成本＋基礎設施成本＋人工覆核成本

其中，模型 token 費用最容易直接計算，但它只是總成本的一部分。以下先用相同資料量，比較單一模型與混合模型的 token 支出。

假設某家公司每次需要處理一批文件，總共讀入 100 萬個 token，並產生 10 萬個輸出 token。以下只計算模型 token 費用，不包含快取、搜尋、工具、稅金與人工成本。

在這組假設下，混合模型方案的 token 費用約低 68%，但這還不能直接證明方案 B 的整體成本比較低。

假如 Flash-Lite 的抽取結果較不穩定，導致任務多重跑兩次，或員工需要花更多時間逐筆修正，原本省下的 token 費用很快就可能被抵銷；反過來說，若批次任務規則清楚，且結果能自動驗證，混合模型分工才比較可能真正降低成本。

因此，企業不只要比較 API 帳單，還要同步記錄任務成功率、重試次數、人工修改時間與錯誤代價，只有在相同驗收標準下完成任務，成本比較才有意義。

該如何利用 AI 分工？Gemini 3.5 Flash-Lite 適合哪些工作？

Gemini 3.5 Flash-Lite 是 3.5 系列中速度最快、成本最低的模型。Google 引用 Artificial Analysis 的測試結果，表示其輸出速度可達每秒 350 個 token；官方將它定位於低延遲與高吞吐工作，例如 Agent 搜尋、文件處理與大量生產流量。

工作現場比較常見的使用方式，是把流程拆開，並非由 Flash-Lite 從頭包辦。例如，一個合約分析 Agent 可以這樣分工：

1. 由 Gemini 3.6 Flash 判斷要檢查哪些條款。
2. 讓 Flash-Lite 從數百份文件中抽取日期、金額與責任歸屬。
3. 再由 3.6 Flash統整差異、辨識例外並產生最終報告。
4. 涉及法律判斷或高風險決策的部分，交由專業人員確認。

同樣的設計也能用在客服分類、商品資料整理、履歷初步結構化、發票欄位抽取與內部知識庫清理。

Flash-Lite 不只是回答比較便宜，它的價值在於讓大量中間步驟不必全部使用主力模型。

什麼樣的情況下，不該因為便宜就改用 Gemini 3.5 Flash-Lite？

便宜模型比較適合規則清楚、容錯範圍明確，而且結果容易檢查的任務。遇到以下情況，不宜只看價格就全面改用 Flash-Lite：

• 任務需要跨越多個步驟規劃
• 錯誤會造成付款、合約或法規風險
• 資料本身模糊，必須理解前後文
• 最終結果需要提出理由或引用來源
• 一次錯誤可能引發大量後續重工

Flash-Lite 並不是不能處理複雜工作，官方測試結果只能當參考，是否真的適合你的流程，還是要用公司自己的資料實測。

Gemini 3.5 Flash Cyber 為什麼採受控開放（Controlled Release / Staggered Rollout）？

Gemini 3.5 Flash Cyber 是一款專門檢查程式碼漏洞的模型，它可以協助找出可疑程式碼、確認漏洞是否真的存在，並提供修補方向。

Google 目前沒有把這項能力直接開放給所有人，而是先透過 CodeMender 提供給政府與可信任夥伴測試。原因很簡單，能幫企業找漏洞的工具，也可能被拿來尋找可以攻擊的弱點，這類模型的能力越強，使用權限就越需要嚴格控管。

實際執行漏洞檢查時，CodeMender 不一定只問模型一次，它可能會讓 Flash Cyber 從不同角度反覆檢查同一份程式碼，再把結果整理成完整報告。

這也代表，資安 Agent 的成本不能只看一次模型呼叫多少錢，企業還要計算模型被呼叫幾次、掃描多少程式碼、是否需要重試，以及最後要花多少人工時間確認結果。

目前誰能使用 Gemini 3.5 Flash Cyber？

Flash Cyber 目前不是一般使用者可直接選用的新 Gemini 模型，也沒有公開 API 的全面開放時程。Google 表示，基於資安技術的雙重用途風險，Flash Cyber 將透過 CodeMender 提供給政府及可信任夥伴，先進行限量試辦，之後再逐步擴大。

這項限制有其必要性，能幫防守者找出漏洞的模型，也可能被拿來分析可利用的攻擊路徑，能力越強，發布方式就越不能只採用「註冊帳號即可使用」的產品邏輯。

3.6 Flash、Flash-Lite 與 Flash Cyber 怎麼選？

選模型時，不必先問哪一款最強，而要先看工作需要什麼。

多模型分工不是越複雜越好，若公司一個月只處理幾十次任務，省下的 token 費用可能不足以抵銷架構、監控與維護成本。等到流量放大，或不同步驟的品質要求明顯不同，再導入模型路由通常更合理。可以先用四個問題做初步判斷：

1. 這個步驟出錯後，結果能不能自動檢查？
2. 錯一次的實際代價有多高？
3. 任務是否需要跨工具規劃與反覆判斷？
4. 把工作交給較便宜模型後，人工修改時間有沒有增加？

只要其中一題答不清楚，就不適合只靠價格決定模型。

評估 AI Agent 時，企業應追蹤哪些指標？

企業常見的問題，是測試階段只記錄模型回答看起來好不好，正式上線後才發現成本、失敗率與人工工作量無法掌握。至少應該追蹤以下 7 個指標：

1. 每個成功任務的總成本

不要只記錄單次 API 費用，應把失敗重試、搜尋工具、資料庫、基礎設施與人工處理時間一起納入。

2. 任務成功率

「API 成功回應」不等於任務完成，例如客服回覆已經產生，但引用錯誤退款政策；報表已經輸出，卻漏掉一個重要欄位。技術上沒有報錯，業務結果仍然失敗。

成功標準必須能被驗收，例如欄位正確率至少達到多少、回覆是否引用指定來源、是否完整處理所有文件、數字是否通過規則檢查、最終動作是否經過核准。

3. 工具呼叫與重試次數

同一任務若持續呼叫搜尋、反覆讀取檔案或在介面上來回點選，就算模型單價不高，成本與延遲仍會逐漸累積。

4. 人工接手率與修改時間

人工接手率能反映 Agent 到底省下多少工作，更重要的是記錄接手後要改多久。只看接手次數，無法區分改一個標點符號與重新做完整份報告的差異。

5. 任務完成時間

除了平均時間，也可以分別觀察中位數與較慢任務的完成時間，否則少數卡住半小時的流程，可能被平均值掩蓋。

6. 模型升級後的回歸測試

模型版本更新後，不應只測試新功能，原本能正確處理的報價信、客服案件、庫存表或程式碼，也要重新測試。新版本可能整體能力更高，卻在特定格式、語言或工具流程上出現退步。

7. 高風險動作的核准與追蹤

當 AI Agent 涉及對外發送、刪除資料、付款、採購或權限變更時，不能只確認任務是否完成，還要保留完整的操作紀錄。企業應能追溯這項動作由誰提出、模型根據哪些資料做出判斷、誰負責核准，以及系統最後實際執行了什麼。若結果出錯，也必須事先設計停止、撤回或還原機制。

真正可用的 AI Agent，不只是能把事情做完，更重要的是，當出現異常時，它停得下來，事後也查得到原因。

模型單價只是成本的一部分

過去大家習慣問哪一個模型最強？接下來更實際的問題會是，哪一組模型能以合理成本穩定完成整段工作，而且在高風險動作發生前停得下來？

準備導入時，不必急著把所有流程都交給新模型，先挑一項範圍清楚、結果可驗收的任務，記錄 token、工具呼叫、成功率、人工接手時間與錯誤代價。跑完一輪後，再決定該使用單一模型、多模型分工，還是保留更多人工判斷。

因為企業真正要買的，從來不是比較便宜的 token，是一次就能夠被驗收、被追蹤，也能對結果負責的工作。

常見問題

如果你對 AI Agent 提升企業效率、工作流程應用有興趣，歡迎訂閱我們📱💻

PreMedia 未來序｜帶你建立AI 時代企業新秩序

參考來源

Google Blog：Introducing Gemini 3.6 Flash, 3.5 Flash-Lite, and 3.5 Flash Cyber

Google AI for Developers：Gemini Developer API pricing

Google AI for Developers：Using the latest Gemini models

Google AI for Developers：Gemini 3.6 Flash model page

Google AI for Developers：Computer Use

Google DeepMind：Introducing Gemini 3.5 Flash Cyber