Gemini 3 Pro набрала 54,2% в тесте Terminal-Bench 2.0
Google выпустила Gemini 3 Pro 18 ноября 2025 года и заявила, что модель набирает 54,2% в Terminal-Bench 2.0, тесте на то, насколько хорошо модель управляет компьютером через терминал. В тот же день она появилась в Gemini API, Vertex AI, приложении Gemini и новой платформе для агентной разработки Google Antigravity. Для команд разработки релиз это вопрос цены и инструментов: предварительный доступ стоит 2 доллара за миллион входных токенов и 12 долларов за миллион выходных.
Что Google выпустила 18 ноября 2025 года
Google представила Gemini 3, новое флагманское семейство мультимодальных моделей, и в тот же день сделала Gemini 3 Pro доступной в Поиске, приложении Gemini, Google AI Studio, Vertex AI, Gemini CLI и новой платформе разработки Antigravity. InfoQ отмечает, что прежние релизы Gemini сначала выходили в небольшом наборе продуктов, а этот появился как единая платформа для потребителей и бизнеса.
Более исследовательский режим, Gemini 3 Deep Think, должен появиться для подписчиков Google AI Ultra после дополнительных проверок безопасности. Сроки были сжатыми: TechCrunch написал, что запуск состоялся через семь месяцев после Gemini 2.5, менее чем через неделю после выхода GPT 5.1 от OpenAI и через два месяца после выхода Sonnet 4.5 от Anthropic.
Как модель показывает себя в тестах по коду и рассуждению
Главный показатель Google по коду это 54,2% в Terminal-Bench 2.0, который проверяет способность модели использовать инструменты для управления компьютером через терминал. Google также заявляет, что модель лидирует в рейтинге WebDev Arena с 1487 Elo и устанавливает новые рекорды в MMMU-Pro и Video MMMU по рассуждению об изображениях и видео.
Независимые рейтинги указывают в ту же сторону. TechCrunch сообщил о результате 37,4 в Humanity's Last Exam, самом высоком за всю историю, при прежнем рекорде 31,64 у GPT-5 Pro, и о первом месте в LMArena, который измеряет удовлетворенность пользователей. Форумы разработчиков, на которые ссылается InfoQ, обсуждают риск загрязнения бенчмарков и советуют запускать внутренние оценки до принятия решения.
Что Google Antigravity дает разработчикам
Antigravity это платформа агентной разработки Google, построенная вокруг модели. Разработчики управляют агентами в разных рабочих пространствах, а в основе остается знакомый редактор кода с ИИ; агенты планируют и выполняют задачи по разработке в редакторе, терминале и браузере и отчитываются через подробные артефакты.
«Агент может работать с вашим редактором, терминалом и браузером, чтобы помочь вам построить приложение наилучшим образом». Корай Кавукчуоглу, технический директор DeepMind
Публичный предварительный доступ бесплатен для MacOS, Windows и Linux. Модель также работает в Gemini CLI, Android Studio и сторонних инструментах, включая Cursor, GitHub, JetBrains, Manus и Cline.
Как получить доступ и сколько это стоит
Модель доступна в предварительном режиме через Gemini API в Google AI Studio и Vertex AI по цене 2 доллара за миллион входных токенов и 12 долларов за миллион выходных для запросов до 200 тыс. токенов. В Google AI Studio она бесплатна с ограничениями по частоте запросов.
По данным InfoQ, она принимает текст, изображения, видео, аудио и PDF в контекстном окне до 1 048 576 токенов, а вывод ограничен 65 536 токенами; ее также предлагают через Firebase AI Logic и Gemini Enterprise. Google добавила клиентский инструмент bash, который позволяет модели предлагать команды оболочки, размещенный серверный инструмент bash для партнеров раннего доступа и возможность сочетать Grounding с Google Search и контекст URL со структурированным выводом.
Кто уже пользуется Gemini
Релиз выходит на большую базу пользователей. По данным Google, которые приводит TechCrunch, у приложения Gemini более 650 млн активных пользователей в месяц, а 13 млн разработчиков ПО использовали модель в своей работе. Пользователи Gemini Code Assist в распространенных редакторах кода получают Gemini 3 в агентном режиме первыми: он выполняет многошаговые задачи по коду, а не только подсказки в строке.
Что это меняет для команд разработки и операций
Для бизнеса Google предлагает задачу: долгая многошаговая работа, переданная агенту. Google выделяет финансовый анализ, планирование цепочек поставок и проверку контрактов, а InfoQ отмечает, что модель принимает длинные PDF, скриншоты и видео в одном запросе, поэтому анализ документов, разбор журналов и аналитика с большим объемом медиа могут идти на одной модели вместо отдельных систем зрения, речи и языка.
Опубликованная цена позволяет команде оценить стоимость задачи до пилота. Google не привела результатов клиентов при запуске, поэтому измеренная ценность для конкретной компании придет из ее собственных оценок, что и советуют разработчики на форумах.
Вопросы и ответы
Что такое Terminal-Bench 2.0?
Это бенчмарк, который проверяет способность модели использовать инструменты для управления компьютером через терминал. Google говорит, что Gemini 3 Pro набирает в нем 54,2%.
Сколько стоит новая модель Google?
В предварительном режиме Google берет 2 доллара за миллион входных токенов и 12 долларов за миллион выходных для запросов до 200 тыс. токенов. В Google AI Studio она бесплатна с ограничениями по частоте запросов.
Что такое Google Antigravity?
Antigravity это платформа агентной разработки Google, где разработчики управляют агентами, работающими в редакторе, терминале и браузере. Публичный предварительный доступ бесплатен для MacOS, Windows и Linux.
Взгляд MOZGII
Как бы мы это построили
Оценка на бенчмарке говорит команде, какие модели стоит попробовать, а не какую покупать. Terminal-Bench измеряет, может ли модель выполнять команды и исправлять собственные ошибки в терминале, что близко к реальной работе агента, но у каждой компании свой код, документы и правила. Мы бы считали цифры Google поводом проверить модель и не более.
Если бы мы добавляли агента для кода или документов на такой модели, мы бы начали с фиксированного набора задач из нашей работы: настоящие тикеты, настоящие контракты, настоящие журналы, в каждом из которых известен верный результат. Каждая модель-кандидат проходила бы один и тот же набор, а сравнивали бы мы стоимость завершенной задачи, а не стоимость токена. Агент работал бы в изолированной среде с ограниченными правами, и инженер подтверждал бы любое изменение до попадания в общий код или боевые системы.
Схема сломается на длинных задачах. Агент, который планирует и действует много шагов, может сбиться, повторять работу или тратить токены без результата. Мы бы ограничивали число шагов и расход на каждую задачу и останавливали агента при превышении любого из них. Одну метрику мы бы отслеживали: долю задач, выполненных верно без доработки людьми.
Следующим шагом мы бы запускали тот же набор задач каждый раз, когда выходит новая модель, чтобы переход между провайдерами был измеренным решением, а не реакцией на запуск.
Источники
Откуда взяты факты этой новости.