이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
구글은 Gemini 3.6 Flash, 3.5 Flash-Lite, 3.5 Flash Cyber라는 세 가지 새로운 AI 모델을 출시했다. Gemini 3.6 Flash는 기존 3.5 Flash 대비 토큰 사용량을 17% 줄이면서 코딩과 지식 작업 성능을 높인 워크호스 모델이다. 3.5 Flash-Lite는 일상적인 에이전트 작업에 최적화된 비용 효율적인 모델이며, 3.5 Flash Cyber는 소프트웨어 취약점 탐지에 특화되었다. 이 모델들은 에이전트 워크플로우에서 더 적은 토큰으로 복잡한 작업을 수행하며, 향후 Gemini 3.5 Pro와 Gemini 4 출시가 예고되었다.
챕터별 상세
00:00
신규 Gemini 모델 공개
구글이 Gemini 3.6 Flash, 3.5 Flash-Lite, 3.5 Flash Cyber 등 3종의 신규 AI 모델을 공개했다. 이 모델들은 AI 에이전트의 속도와 효율성을 높이는 데 초점을 맞추었다.
00:09
모델별 특징 요약
Gemini 3.6 Flash는 기존 3.5 Flash 대비 동일 비용으로 더 높은 품질의 작업을 수행한다. 3.5 Flash-Lite는 문서 처리와 에이전트 검색에 최적화된 비용 효율적 옵션이며, 3.5 Flash Cyber는 소프트웨어 취약점 탐지 전용 모델이다.
00:42
Gemini 3.6 Flash 성능
Gemini 3.6 Flash는 DeepSWE, MLE-Bench 등 벤치마크에서 이전 세대 대비 성능이 향상되었다. 특히 토큰 사용량을 17% 절감하여 비용 효율성을 크게 개선했다.
03:13
에이전트 작업 수행
Gemini 3.6 Flash는 위키피디아에서 특정 이미지를 찾아 다운로드하고 파이썬 스크립트로 변환하는 복잡한 에이전트 작업을 수행했다. 기존 모델 대비 더 적은 단계와 토큰으로 정확한 결과를 도출했다.
python
import cv2
img = cv2.imread('morse.png')
img_resized = cv2.resize(img, (200, 200))
cv2.imwrite('morse_processed.jpg', img_resized)이미지를 다운로드한 후 OpenCV를 사용하여 200x200 픽셀로 리사이징하고 저장하는 파이썬 스크립트이다.
03:49
금융 데이터 분석
Tickr 플랫폼에서 Gemini 3.6 Flash는 SEC 공시 자료를 분석하여 재무 데이터를 추출했다. 관리형 에이전트를 통해 복잡한 금융 데이터를 더 빠르게 처리했다.
05:13
텍스처 추출 도구
Gemini 3.6 Flash는 텍스처 추출 도구를 구축하여 3D 워크플로우를 지원한다. 멀티모달 소프트웨어 구축 능력을 통해 사용자의 요청에 따라 즉각적인 결과물을 생성했다.
05:38
와이어프레임 변환
Gemini 3.6 Flash는 tldraw와 연동하여 와이어프레임을 인터랙티브 테마 스튜디오로 변환했다. 시각적 이해 능력을 바탕으로 UI 요소를 업데이트했다.
06:07
Gemini 3.5 Flash-Lite
Gemini 3.5 Flash-Lite는 에이전트 워크플로우 확장에 최적화되었다. 초당 350 토큰 처리 속도와 저렴한 비용으로 반복적인 에이전트 작업에 적합하다.
07:07
Gemini 3.5 Flash Cyber
Gemini 3.5 Flash Cyber는 코드 취약점 탐지 벤치마크인 CyberGym에서 타 모델과 대등한 성능을 보였다. 보안 전문가용 모델로서 효율적인 취약점 패치를 지원한다.
07:58
향후 출시 계획
구글은 현재 Gemini 3.5 Pro를 파트너들과 테스트 중이며, 차세대 모델인 Gemini 4의 사전 학습을 시작했다.
용어 해설
- 대규모 언어 모델(LLM)
- — 방대한 텍스트 데이터를 학습하여 자연어 이해와 생성을 수행하는 인공지능 모델이다. 복잡한 추론과 코드 작성, 멀티모달 작업을 처리하는 핵심 엔진으로 사용된다.
- 에이전트 워크플로우(Agentic Workflow)
- — AI 모델이 스스로 계획을 세우고 도구를 사용하여 복잡한 작업을 단계별로 수행하는 방식이다. 외부 API 호출, 파일 조작, 코드 실행 등을 통해 자율적인 문제 해결을 가능하게 한다.
- 토큰 효율성(Token Efficiency)
- — 모델이 동일한 작업을 수행할 때 소비하는 토큰의 양을 최적화하는 지표이다. 토큰 사용량을 줄이면 추론 비용이 감소하고 처리 속도가 향상되어 대규모 서비스 운영에 필수적이다.
- 벤치마크(Benchmark)
- — AI 모델의 성능을 객관적으로 측정하기 위한 표준화된 데이터셋과 평가 지표이다. 모델 간의 코딩, 지식, 추론 능력을 비교하여 기술적 우위를 판단하는 근거로 활용된다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 07. 31.수집 2026. 07. 31.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.