続・Gemini Agent追跡、Flashが6週間で3世代入れ替わった

📌 エグゼクティブサマリー
Gemini Agent関連の最新動向です。Flash級モデルが6週間で3回入れ替わり、最新の3.8 Flashはバグ修正セッション100回で約236ドルと、Claude Opus 5の約5分の1のコストでほぼ同等の成功率を報告。一方でGoogleはブラウザ型エージェントMarinerを終了し、市場は業務フロー統合へ向かっています。

エージェント向けのAIモデルが、6週間で3回も入れ替わりました。GoogleのGemini Agentをめぐっては、7月21日の3.6 Flash、8月13日の3.7 Flashに続き、9月2日にGemini 3.8 Flashが公開されています[2]。前回の記事では、仕事の入口を一本化する設計とコスト管理を取り上げました。今回はその後の追跡として、モデル側の進化スピードと、数字で見える実力を確認します。

Gemini 3.8 Flashは、自律的に動くエージェント(指示をもとに複数の作業を自分で進めるAI)向けに調整されたモデルです。価格は入力100万トークンあたり0.75ドル、出力が3.75ドル。コンテキスト長(一度に扱える文章の量)は約100万トークンで、出力は64Kまで確保されています[2]。パラメータの規模競争ではなく、長い作業を最後までやり切る設計に振り切った点が、従来のFlashから変わった部分です。セキュリティ特化の姉妹モデル、3.8 Flash Cyberも同時に公開されました[2]。

実力を示す数字は具体的です。ソフトウェア開発のベンチマークDeepSWE v1.1では73.7%となり、Claude Opus 5の74.0%にほぼ並びました。Terminal-Bench 2.1では89.4%で1位です。金融業務のVals Financeで61.4%、図表読みのCharXivで86.2%と、こちらでも1位のスコアです[2]。コストの差はさらに鮮明で、リポジトリ(コード一式)のバグを、やり取りを重ねるセッションで100件修正する場合を試算すると、3.8 Flashは約236ドル、Opus 5は約1,184ドル。同じ成功率なら8割以上安く済む計算になります[2]。

推論特化の上位モデルも、年初に大きな飛躍を見せていました。2月19日公開のGemini 3.1 Proは、ベンチマークARC-AGI-2で77.1%を記録します。3か月前のGemini 3 Proは35〜38%だったので、3か月で倍以上です[1]。汎用の指数でも、115モデルを対象にした比較で57を取り、ライバルの中央値26を大きく引き離しました[1]。価格は入力100万トークンあたり2ドル、出力が12ドルで、Low・Medium・Highの3段階から推論の深さを選べます[1]。ただし代償もあります。最初の回答が出るまでの待ち時間が約29秒かかるという指摘で、推論の深さと応答速度の両立が課題として浮かんでいます[1]。

しかし、話はここで終わりません。Claude Opus 5は、パソコン操作を評価するOSWorld-2.0で75.4%、難易度の上がったTerminal-Bench 4.0で51.8%、最新のARC-AGI-3で30.2%と、難しい領域では依然リードしています[2]。3.8 Flashが並んだのは、特定のベンチマーク上の話です。トークン単価は13分の1でありながら、最難関のスコアでは差が開いたままになっています[2]。

さらに意外なのが、Google自身の方向転換です。ブラウザを操作するエージェントとして注目されたProject Marinerが終了を迎え、エージェント市場はブラウザ操作の混乱から、業務フローへの組み込みへと向かっていると報じられています[3][4]。モデルの性能を競う段階から、実際の仕事の流れにどう組み込むかを競う段階への移行です。Google Cloudのエージェント基盤には、エージェントの振る舞いを評価するためのドキュメントも用意されています[5]。性能と失敗パターンを分析するレビュー記事も現れており[4]、検証の目はますます厳しくなっています。

6週間で3世代という入れ替わりの速さは、一度の評価で結論を出せないことを意味します。安くて長時間の作業をこなすFlash。難問でリードする競合。推論の深さと引き換えに速度を落とすPro。使い分けの軸は、ベンチマークの順位ではなく、自分の仕事のどの部分をどのコストで任せるかに戻ってきました。前回取り上げた入口の一本化と合わせ、モデルが入れ替わるたびに評価をやり直す体制が、事実上の標準になるのだと思います。