DeepMind lancia Gemini 3.7 Flash, ottimizzato per coding e sviluppo web
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Rilasciato tre settimane dopo la 3.6 Flash, promette più accuratezza nel codice e un prezzo introduttivo pari alla metà per milione di token.
Sviluppi Ne abbiamo scritto di nuovo il 3 set: DeepMind lancia Gemini 3.8 Flash e versione Cyber per la cybersicurezza
Gemini 3.7 Flash dimezza il prezzo per milione di token rispetto alla 3.6 Flash e mira a tagliare i costi di coding, agenti e sviluppo web. Arriva tre settimane dopo la 3.6 e si presenta come il modello di punta della serie Flash per questi casi d’uso1.
L’azienda lega il salto di qualità a due fattori: feedback degli sviluppatori e nuove tecniche di addestramento. Le stesse innovazioni, promette, confluiranno nei modelli futuri1.
Sui task di programmazione, i test interni indicano progressi in debugging, risoluzione di issue e accuratezza al primo passaggio. Nei benchmark citati, la generazione di codice “production-ready” migliora su due suite: FrontierCode 1.1 Main sale al 43,6% con 3.7 rispetto al 34,4% di 3.6; DeepSWE v1.1 passa al 65,3% da 49,0%1. Questi numeri provengono dalla stessa azienda che rilascia il modello e riflettono la sua metodologia di valutazione1.
Nel web development, 3.7 Flash genera layout funzionali e app complete con meno prompt, secondo la descrizione fornita. Sulla creazione di interfacce, il modello mostra alta aderenza al design di riferimento e raggiunge parità rispetto all’input, che può essere uno screenshot, un’immagine o un design system completo1.
Il posizionamento commerciale accompagna il profilo tecnico. Il nuovo listino parte da metà del costo per milione di token della 3.6 Flash. L’obiettivo dichiarato è sostenere i flussi di software engineering, knowledge work e sviluppo web con maggiore efficienza d’uso, riducendo la spesa per chi esegue grandi volumi di chiamate al modello1.
Il ritmo di rilascio resta serrato: tre settimane separano 3.7 da 3.6. La cadenza, spiega la società, segue un ciclo rapido di feedback e iterazione. Il risultato atteso è una crescita dell’intelligenza del modello su workflow complessi, dal debugging alla creazione di applicazioni web complete1.
La definizione scelta è netta: “il nostro modello workhorse più intelligente finora per coding e agenti”. È un posizionamento che combina ambizione e pragmatismo d’uso: un modello veloce, a basso costo per token, mirato a compiti strutturati e ripetibili tipici di pipeline di sviluppo e automazione1.
Resta un punto di metodo: i miglioramenti riportati provengono da benchmark e valutazioni presentati dall’azienda. Serviranno riscontri indipendenti per misurare l’aderenza dei guadagni a contesti reali, soprattutto nei flussi dove il costo per token e l’accuratezza al primo passaggio incidono sul budget e sui tempi di consegna1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Il filo della storia
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.