Gemini 3.5 Flash'teki yenilikler

Gemini 3.5 Flash, genel kullanıma sunulmuş (GK), kararlı ve ölçeklendirilmiş üretim kullanımına hazırdır. En akıllı Flash modelimiz olan Gemini 2.0 Flash, ajan tabanlı yürütme, kodlama ve uzun vadeli görevlerde ölçeklenebilir şekilde sürekli olarak en üst düzeyde performans sunar.

Bu kılavuzda, Gemini 3.5 Flash ile ilgili iyileştirmeler, API değişiklikleri ve taşıma yönergeleri hakkında genel bilgiler yer almaktadır.

Yeni model

Gemini 3.5 Flash, 1 milyon parçalık bağlam penceresini, 65 bin maksimum çıkış parçası sayısını, düşünme özelliğini ve Gemini 3 Flash ile aynı araç ve platform özelliklerini destekler. Bilgisayar Kullanımı şu anda desteklenmemektedir.

Tüm özellikler için modellere genel bakış başlıklı makaleyi inceleyin. Fiyatlandırma için fiyatlandırma sayfasına bakın.

Hızlı başlangıç kılavuzu

Bu kılavuzdaki tüm örneklerde GenerateContent API kullanılır. Etkileşimler API'si de desteklenir. Aynı yapılandırma seçenekleri ve öneriler geçerlidir.

from google import genai

client = genai.Client()

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents="Explain how parallel agentic execution works in three sentences.",
)
print(response.text)

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({});

async function main() {
  const response = await ai.models.generateContent({
    model: "gemini-3.5-flash",
    contents: "Explain how parallel agentic execution works in three sentences.",
  });
  console.log(response.text);
}

main();

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.5-flash:generateContent" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H 'Content-Type: application/json' \
  -X POST \
  -d '{
    "contents": [{
      "parts": [{"text": "Explain how parallel agentic execution works in three sentences."}]
    }]
  }'

Yenilikler

• Sürdürülebilir üstün performans: En akıllı Flash modelimiz, büyük ölçekte ajan ve kodlama görevleri için optimize edilmiştir.
• Ajan benzeri yürütme: Alt ajan dağıtımı, sorun çözme ve büyük ölçekte hızlı ajan benzeri döngüler.
• Kodlama: Alternatif yolları test etmek ve çözümleri dinamik olarak keşfetmek için yinelemeli kodlama döngüleri, hızlı keşif ve prototip oluşturma.
• Uzun vadeli: Çok adımlı iş akışları ve araçların büyük ölçekte kullanımı.
• Düşünce koruma: Model, çok aşamalı etkileşim sohbetlerinde ara muhakemeyi otomatik olarak korur. API'de değişiklik yapılması gerekmez.
• Yeni varsayılan çaba düzeyi: Varsayılan düşünme çabası high değerinden medium değerine değiştirildi. Ayrıntılar için Yeni varsayılan çaba düzeyi başlıklı makaleyi inceleyin.
• Geliştirilmiş low düşünme: low artık daha az adım gerektiren kod ve aracı görevleri için önemli ölçüde iyileştirildi. Daha düşük gecikme süresi ve maliyetle yüksek kalite sunuyor.
• GA sürümü: Ölçeklendirilmiş üretim kullanımı için kararlı model.

Doğru Flash modelini seçme

Gemini 3.5 Flash, en akıllı ve yetenekli Flash modelimizdir. Ancak farklı kullanım alanlarında farklı maliyet ve gecikme gereksinimleri olabilir.

• Gemini 3.1 Flash-Lite: 3.5 Flash'in gelişmiş akıl yürütme derinliğini gerektirmeyen, düşük maliyetli ve yüksek hacimli görevler için Gemini 3.1 Flash-Lite'ı kullanmanızı öneririz. Verimlilik için optimize edilmiş, uzun vadeli ve kararlı bir modeldir. Daha fazla bilgi için Flash-Lite geliştirici kılavuzuna bakın.
• Gemini 3 Flash Önizlemesi: Genel kullanıma yönelik kararlılık ve gelişmiş akıl yürütme için 3.5 Flash'e geçmenizi önersek de Gemini 3 Flash (Önizleme), önizleme modeliyle test etmeye devam etmek isteyen geliştiriciler için kullanılabilir.

Davranış değişiklikleri

Yeni varsayılan çaba düzeyi: medium

Gemini 3 Flash önizlemesinde high olan varsayılan düşünme çabası artık medium olarak değiştirildi. medium daha hızlı ve daha uygun maliyetli olmasının yanı sıra çok çeşitli görevlerde çok iyi sonuçlar verir. Karmaşık sorunlarda high, modeli daha derinlemesine düşünmeye teşvik eder.

Varsayılanı geçersiz kılmak için yapılandırmanızda thinking_level değerini ayarlayın:

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents="Prove that the square root of 2 is irrational.",
    config=types.GenerateContentConfig(
        thinking_config=types.ThinkingConfig(thinking_level="high")
    ),
)

print(response.text)

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({});

async function main() {
  const response = await ai.models.generateContent({
    model: "gemini-3.5-flash",
    contents: "Prove that the square root of 2 is irrational.",
    config: {
      thinkingConfig: {
        thinkingLevel: "HIGH",
      },
    },
  });
  console.log(response.text);
}

main();

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.5-flash:generateContent" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H 'Content-Type: application/json' \
  -X POST \
  -d '{
    "contents": [{
      "parts": [{"text": "Prove that the square root of 2 is irrational."}]
    }],
    "generationConfig": {
      "thinkingConfig": {
        "thinkingLevel": "HIGH"
      }
    }
  }'

Aşağıdaki tabloda, her model için hangi düşünce seviyelerinin desteklendiği gösterilmektedir:

Düşünceleri koruma

Model, çok aşamalı etkileşim sohbetlerindeki ara muhakemeyi otomatik olarak korur. Akıl yürütme bağlamı, sohbet geçmişinde mevcut olduğunda devam eder. Bu da yinelemeli hata ayıklama ve kod yeniden düzenleme gibi karmaşık çok adımlı görevlerde performansı artırır. API'de değişiklik yapılması gerekmez:

• Etkileşimler API'si: Düşünceler otomatik olarak korunur. Davranışta değişiklik yok.
• GenerateContent API: Gemini 3.5 Flash'tan itibaren model, görüşme geçmişinde düşünce imzaları varsa önceki tüm dönüşlerdeki akıl yürütme bağlamını kullanır. Bunu etkinleştirmek için contents içinde tam ve değiştirilmemiş sohbet geçmişini (düşünce imzaları dahil) iletin. SDK'lar bunu otomatik olarak işler.

Gemini 3.x'teki parametre güncellemeleri ve en iyi uygulamalar

Gemini 3.5 Flash dahil olmak üzere tüm Gemini 3.x modelleri için aşağıdakiler geçerlidir.

• temperature, top_p, top_k: Varsayılan değerlerin değiştirilmemesini önemle tavsiye ederiz. Gemini 3'ün akıl yürütme özellikleri, varsayılan ayarlar için optimize edilmiştir.
• thinking_budget yerine thinking_level kullanın.
• İşlev çağrısı yanıtı eşleştirme: id, name ve yanıt sayısı önceki çağrılarla eşleşmelidir.
• Çok formatlı işlev yanıtları: Çok formatlı içerik, işlev yanıtının dışında değil içinde yer almalıdır.
• İşlev yanıtlarındaki satır içi talimatlar: Ayrı parçalar olarak değil, işlev yanıtı metnine eklenir.
• Gereksiz araç çağrılarını azaltma: Düşünme seviyelerini düşürün veya sistem talimatlarıyla denemeler yaparak bağımsız iş akışlarındaki araç çağrılarını azaltın.

Kodunuzu nasıl güncelleyeceğinizi öğrenmek için aşağıdaki bölümlere bakın.

Örnekleme parametreleri (artık önerilmiyor)

temperature, top_p ve top_k artık tüm Gemini 3.x modelleri için önerilmemektedir. Gemini 3'ün muhakeme özellikleri, varsayılan ayarlar için optimize edilmiştir. Bu parametreleri tüm isteklerden kaldırın.

# ⚠️ Remove these parameters (not recommended)
config = types.GenerateContentConfig(
    temperature=0.7,
    top_p=0.9,
    top_k=40
)

Belirlenimi sağlamak için belirli kullanım alanınızla ilgili açık kurallar içeren bir sistem talimatı tanımlamanızı öneririz.

thinking_budget (artık önerilmiyor)

Ham sayısal thinking_budget parametresinin tüm Gemini 3.x modellerinde kullanılması artık önerilmiyor. Bunun yerine thinking_level dize sabit listesini kullanın.

# ⚠️ Before (not recommended)
config = types.GenerateContentConfig(
    thinking_config=types.ThinkingConfig(thinking_budget=7500)
)

# ✅ After
config = types.GenerateContentConfig(
    thinking_config=types.ThinkingConfig(thinking_level="medium")
)

Kullanılabilir değerler: minimal, low, medium (varsayılan) ve high.

İşlev çağrısı: katı yanıt eşleştirme

Etkileşimler API'si, eşleşmeyen işlev yanıtları için zaten hata veriyor. GenerateContent API henüz hata vermiyor ancak eşleşmeyen yanıtlar, modelin çoğu durumda finish_reason: STOP ile boş yanıtlar döndürmesine neden oluyor. Her zaman aşağıdaki kurallara uyun:

# ✅ Include matching id and name in the function response
final_response = client.models.generate_content(
    model="gemini-3.5-flash",
    config=config,
    contents=[
        *previous_contents,
        response.candidates[0].content,
        types.Content(role="user", parts=[
            types.Part.from_function_response(
                name=tool_call.name,
                response={"result": result},
                id=tool_call.id,
            )
        ]),
    ],
)

// ✅ Include matching id and name in the function response
const functionResponsePart = {
  functionResponse: {
    name: toolCall.name,
    response: { result: result },
    id: toolCall.id,
  },
};

const finalResponse = await ai.models.generateContent({
  model: "gemini-3.5-flash",
  contents: [
    ...previousContents,
    { role: "model", parts: [{ functionCall: toolCall }] },
    { role: "user", parts: [functionResponsePart] },
  ],
  config: config,
});

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.5-flash:generateContent" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H 'Content-Type: application/json' \
  -X POST \
  -d '{
    "contents": [
      {"role": "user", "parts": [{"text": "..."}]},
      {"role": "model", "parts": [{"functionCall": {"name": "my_function", "args": {...}}}]},
      {"role": "user", "parts": [{"functionResponse": {"name": "my_function", "id": "call_id", "response": {"result": "..."}}}]}
    ]
  }'

Çok formatlı işlev yanıtları

Müşterilerin genellikle işlev yanıtı dışında resimler sağladığını görüyoruz. Bu durum, beklenmedik model davranışlarına (ör. düşünce sızıntısı) ve daha düşük kaliteli çıktılara neden olabilir. Bunun yerine Multimodal Function Responses API dokümanlarındaki öneriyi uygulayın ve modele gönderdiğiniz işlev yanıtı bölümlerine çok formatlı içerik ekleyin. Model, daha bilinçli bir yanıt üretmek için bu çok formatlı içeriği bir sonraki turda işleyebilir.

# ✅ Include multimodal content in the function response
final_response = client.models.generate_content(
    model="gemini-3.5-flash",
    config=config,
    contents=[
        *previous_contents,
        response.candidates[0].content,
        types.Content(role="user", parts=[
            types.Part.from_function_response(
                name=tool_call.name,
                response={
                    "result": "instrument.jpg",
                    "image": base64_image_data,
                },
                id=tool_call.id,
            )
        ]),
    ],
)

// ✅ Include multimodal content in the function response
const finalResponse = await ai.models.generateContent({
  model: "gemini-3.5-flash",
  contents: [
    ...previousContents,
    { role: "model", parts: [{ functionCall: toolCall }] },
    {
      role: "user",
      parts: [{
        functionResponse: {
          name: toolCall.name,
          id: toolCall.id,
          response: {
            result: "instrument.jpg",
            image: base64ImageData,
          },
        },
      }],
    },
  ],
  config: config,
});

İşlev yanıtlarında satır içi talimatlar

Müşterilerin, işlev yanıtlarıyla birlikte ek talimatlar sağladığını sıklıkla görüyoruz. Bu talimatlar, sonraki Parts olarak değerlendirilir. Bu durum, modelin beklenmedik şekilde davranmasına (ör. düşünce sızıntısı) ve daha düşük kaliteli çıkışlar üretmesine neden olabilir. Bunun yerine, ek talimatları iki yeni satırla ayrılmış şekilde işlev yanıtı metninin sonuna ekleyin.

# ✅ Append inline instructions to the end of the function response separated by two newlines
result_text = f"{json.dumps(result)}\n\n<your inline instructions>"

final_response = client.models.generate_content(
    model="gemini-3.5-flash",
    config=config,
    contents=[
        *previous_contents,
        response.candidates[0].content,
        types.Content(role="user", parts=[
            types.Part.from_function_response(
                name=tool_call.name,
                response={"result": result_text},
                id=tool_call.id,
            )
        ]),
    ],
)

// ✅ Append inline instructions to the end of the function response separated by two newlines
const resultText = `${JSON.stringify(result)}\n\n<your inline instructions>`;

const finalResponse = await ai.models.generateContent({
  model: "gemini-3.5-flash",
  contents: [
    ...previousContents,
    { role: "model", parts: [{ functionCall: toolCall }] },
    {
      role: "user",
      parts: [{
        functionResponse: {
          name: toolCall.name,
          id: toolCall.id,
          response: { result: resultText },
        },
      }],
    },
  ],
  config: config,
});

Gereksiz araç çağrılarını azaltma

Araç çağrıları aşırı kullanılıyorsa bu çağrıları en aza indirmenize yardımcı olacak iki teknik vardır:

1. Düşünme düzeyini azaltarak başlayın (medium, low veya minimal): Daha yüksek düşünme düzeyleri, modelin keşfetmek ve doğrulamak için daha fazla araç kullanmasını teşvik eder. Bu nedenle, düzeyi düşürmek araç çağrılarını azaltabilir.

2. Sistem talimatı ekleyin: Düşünme düzeyi ayarlandıktan sonra aşırı kullanım devam ederse araç kullanımını kısıtlayan bir istem kullanmayı deneyin. Örneğin:

   You have a limited action budget of <n> tool calls. Use them efficiently.
   

Taşıma kontrol listesi

Gemini 3 Flash önizlemesinden geçiş yapma

• Model adını güncelleme: gemini-3-flash-preview → gemini-3.5-flash
• Fiyatlandırmayı inceleyin. Gemini 3.5 Flash, Gemini 3 Flash Önizleme sürümünden daha pahalıdır. Kullanım alanınız maliyete karşı çok hassassa Gemini 3.1 Flash-Lite'a geçmeyi düşünebilirsiniz. Ayrıntılar için fiyatlandırma sayfasına göz atın.
• temperature, top_p, top_k öğelerini yapılandırmanızdan kaldırın (artık önerilmemektedir).
• thinking_budget yerine thinking_level koyun.
• Tüm FunctionResponse bölümlerine id ve eşleşen name değerlerini ekleyin.
• İstemlerinizi test edin. Varsayılan çaba high → medium olarak değiştirildi. Kaliteyi, hızı ve maliyeti doğrulayın.
• Düşünce koruma özelliği artık varsayılan olarak etkindir. Muhakeme bağlamı, dönüşümler arasında aktarılır. Bu durum performansı artırır ancak jeton kullanımını yükseltebilir.
• Gereksiz araç çağrılarını azaltın: Düşünme düzeyini azaltarak başlayın (medium, low veya minimal). Aşırı kullanım devam ederse araç kullanımını kısıtlamak için bir sistem talimatı ekleyin.
• Bilgisayar Kullanımı şu anda Gemini 3.5'te desteklenmemektedir. Flash. Bilgisayar Kullanımı iş yükleri için Gemini 3 Flash Preview'u kullanmaya devam edin.

Gemini 2.5'ten geçiş yapma

Yukarıdakilerin tümüne ek olarak:

• İstemleri basitleştirin. Muhakeme yapmaya zorlamak için zincirleme düşünce istem mühendisliği kullandıysanız bunun yerine daha basit istemlerle thinking_level: "medium" veya "high"'yi deneyin.
• PDF ve medya iş yüklerini test edin. Yoğun doküman ayrıştırma için belirli bir davranışa güveniyorsanız doğruluğun devam etmesini sağlamak amacıyla media_resolution_high ayarını test edin. Varsayılan olarak Gemini 3'e geçiş yapmak, PDF'ler için jeton kullanımını artırabilir ancak videolar için azaltabilir. İstekler bağlam penceresini aşarsa media_resolution değerini açıkça azaltın. Ayrıntılar için medya çözünürlüğü belgelerini inceleyin.
• Birleşik araç kullanımından yararlanın. Google Arama, URL bağlamı, kod yürütme ve özel işlevler aynı istekte kullanılabilir.
• Çok formatlı işlev yanıtları kullanıyorsanız çok formatlı içeriği işlev yanıtı bölümlerinin içine taşıyın, yanına değil.
• İşlev yanıtlarıyla satır içi talimatlar kullanılıyorsa bunları ayrı parçalar olarak değil, iki yeni satırla ayrılmış şekilde işlev yanıtı metnine ekleyin.
• Görüntü segmentasyonu, Gemini 3.x'te desteklenmez. Segmentasyon iş yükleri için düşünme özelliği devre dışı bırakılmış Gemini 2.5 Flash'ı veya Gemini Robotics-ER 1.6'yı kullanmaya devam edin.
• Yapılandırmanızdan candidate_count öğesini kaldırın (Gemini 3.x'te desteklenmez)

Gemini 3 ailesinin özellikleri

Gemini 3.5 Flash, Bilgisayar Kullanımı hariç tüm Gemini 3 ailesi özelliklerini devralır. Gemini 3'te kullanıma sunulan ve devam eden özellikler:

• Düşünme: Şifrelenmiş API çağrıları arasında muhakeme bağlamı korunur. Etkileşimler API'sinde otomatik, GenerateContent'te ise örtülüdür.
• Araçlarla yapılandırılmış çıkışlar: JSON modunu yerleşik araçlarla (arama, URL bağlamı, kod yürütme, işlev çağrısı) birleştirin.
• Çok formatlı işlev yanıtları: İşlev çağrısı sonuçlarında resim, ses ve diğer medya türlerini döndürün.
• Görüntülerle kod yürütme: Görüntüleri işleyen ve oluşturan kodları yürütün.
• Birleşik araç kullanımı: Yerleşik araçları ve özel işlev çağrılarını aynı istekte kullanın.
• Medya çözünürlüğü: Resim, video ve PDF girişleri için jeton dağıtımı üzerinde ayrıntılı kontrol. Gemini 3 modelleri, karma doğruluklu istemler için içerik öğesi başına çözünürlük ayarlarını (low, medium, high, ultra_high) destekler.
• Düşünce imzaları: Modelin dahili muhakemesinin şifrelenmiş temsilleri. Çok aşamalı etkileşimli işlev çağrısı için gereklidir. Resmi SDK'lar tarafından otomatik olarak yönetilir.

İstemlerle ilgili en iyi uygulamalar

Gemini 3.x modelleri, akıl yürütme modelleridir. Bu nedenle istemlerinizi farklı şekilde yazmanız gerekir.

• Net talimatlar: Kısa ve öz olun. Gemini 3.x, doğrudan ve net talimatlara en iyi şekilde yanıt verir. Eski modeller için tasarlanmış ayrıntılı veya karmaşık istem mühendisliği teknikleri, modelin aşırı analiz yapmasına neden olabilir.
• Çıkış ayrıntı düzeyi: Gemini 3.x varsayılan olarak daha az ayrıntılıdır ve doğrudan, etkili yanıtları tercih eder. Kullanım alanınızda sohbet tonu gerekiyorsa isteminizde modeli açıkça yönlendirin (ör. "Bunu arkadaş canlısı ve konuşkan bir asistan gibi açıkla").
• Bağlam yönetimi: Büyük veri kümeleriyle (ör. kitapların tamamı, kod tabanları veya uzun videolar) çalışırken verilerle ilgili bağlamdan sonra, istemin sonuna özel talimatlarınızı veya sorularınızı ekleyin. Sorunuzu "Yukarıdaki bilgilere göre..." gibi bir ifadeyle başlatarak modelin muhakemesini sabitleyin.

İstem tasarımı stratejileri hakkında daha fazla bilgiyi istem mühendisliği kılavuzunda bulabilirsiniz.

Sınırlamalar

• Görüntü segmentasyonu, Gemini 3.x'te desteklenmez. Segmentasyon iş yükleri için düşünme özelliği devre dışı bırakılmış Gemini 2.5 Flash'ı veya Gemini Robotics-ER 1.6'yı kullanmaya devam edin.

SSS

1. Gemini 3.5 Flash'ın bilgi kesme tarihi nedir? Gemini 3.5 Flash'ın bilgi kesme tarihi Ocak 2025'tir. Daha güncel bilgiler için Search Grounding aracını kullanın.

2. Bağlam penceresi sınırları nelerdir? Gemini 3.5 Flash, 1 milyon parçalık giriş bağlamı penceresini ve 65 bin çıkış parçasına kadar olan verileri destekler.

3. Eski thinking_budget kodum çalışmaya devam eder mi? Evet, thinking_budget geriye dönük uyumluluk için hâlâ desteklenmektedir ancak daha öngörülebilir bir performans için thinking_level'ye geçmenizi öneririz. Aynı istekte ikisini birden kullanmayın.

4. Gemini 3.5 Flash, Batch API'yi destekliyor mu? Evet. Ayrıntılar için Batch API kılavuzuna bakın.

5. Bağlamı önbelleğe alma özelliği destekleniyor mu? Evet, Context Caching (Bağlam Önbelleğe Alma) desteklenir.

6. Hangi araçlar desteklenir? Gemini 3.5 Flash; Google Arama, Google Haritalar ile temellendirme, Dosya Arama, Kod Yürütme, URL Bağlamı ve birleşik araç kullanımı dahil olmak üzere standart işlev çağırma'yı destekler. Bilgisayar Kullanımı, Gemini 3.5 Flash'ta desteklenmez.

Sonraki adımlar

• İstem tasarımı stratejileri hakkında daha fazla bilgiyi istem mühendisliği kılavuzunda bulabilirsiniz.
• Gemini 3 Cookbook'u kullanmaya başlayın
• Gemini API optimizasyonu ve çıkarımı hakkında bilgi edinin.