深挖Gemini-3.5核心特性，解锁隐藏实用功能用法

做技术选型时经常需要在不同AI模型之间切换对比，c.kulaai.cn这类AI模型聚合平台提供了统一接入多个主流模型的能力，省去了逐个申请Key和适配SDK的精力。

概要

2026年5月20日，Google在I/O大会上正式发布Gemini 3.5 Flash。官方称其输出速度是Claude Opus 4.7和GPT-5.5的4倍，达到每秒289 tokens。Terminal-Bench编码测试76.2%，MCP Atlas代理基准83.6%，MMUU-Pro多模态理解81.2%。

但大多数开发者只用了3.5的皮毛。多数人的使用方式还停留在"打开网页→输入一段话→等结果→复制粘贴"。他们不知道的是，Gemini 3.5藏着五个被有意或无意隐藏的功能——激活之后使用效率会有质的提升。

本文从架构层拆解3.5的核心特性，结合实操给出五个隐藏功能的用法。

整体架构流程

3.5 Flash的技术底座

3.5 Flash采用的是谷歌内部Antigravity工具架构。I/O大会上谷歌演示了用Antigravity从零构建操作系统：启动93个子智能体，耗时12小时，生成26亿tokens。这个demo展示的不只是模型能力，更是Agent编排架构的成熟度。

text

text模型层：Gemini 3.5 Flash
├── Terminal-Bench 76.2%
├── MCP Atlas 83.6%
├── MMUU-Pro 81.2%
├── 输出速度 289 tokens/s
└── 上下文 100万token输入 + 65K输出

工具链层：Antigravity 2.0
├── CLI：命令行Agent开发环境
├── SDK：嵌入式Agent loop
└── Managed Execution：并行子Agent编排

能力层：五个隐藏功能
├── 四档思考强度
├── Thinking Retention
├── Dynamic Thinking
├── Antigravity 2.0工具链
└── Agentic Execution栈下沉

LMArena匿名跑分显示，3.5 Flash在SVG生成、交互式3D编码、动画处理上直接超越了前代旗舰3.1 Pro。谷歌把前沿技术"压缩"进轻量模型，让Flash在干活型benchmark上反超老旗舰。

技术名词解释

技术细节

隐藏功能一：四档思考强度

这是面向开发者最实用但最容易被忽略的升级。大多数人不知道这个功能或者全程用Medium。实测按任务复杂度切换能省约40%的token消耗。

text

textMinimal  → 快问快答、翻译、格式转换
Low      → 步骤较少的编码、代码补全
Medium   → 默认档，兼顾速度与质量
High     → 深度推理、并发安全分析、竞态检测

判断标准：涉及"跨文件""并发""时序"上High，其他时候Medium够用。全程用High的话同一个项目跑下来token消耗是按需切换的1.7倍左右。

这个特性本质上把AI调用从"统一定价"变成"按需定价"。简单任务用低档位省成本，复杂任务用高档位保质量。

隐藏功能二：Thinking Retention

模型在多轮对话中自动保留中间推理过程。后续对话沿用之前的推论脉络，不需要开发者更改API。

对比GPT-5.5在15轮以上长对话中需要主动在提示词里提醒约束条件，3.5 Flash自己就记住了。

实测代码审查场景：第一轮分析项目架构，第二轮追问某个模块的调用链，第三轮深入分析竞态条件。三轮下来它始终记得第一轮的架构理解，不需要重新喂上下文。

对Agent工作流来说这是关键的底层能力。多步任务中每一步的推理结果自动传递给下一步，整个流程的连贯性大幅提升。

隐藏功能三：Dynamic Thinking

3.5 Flash默认开启Dynamic Thinking。模型根据任务复杂度自动分配推理预算——简单查询几乎零延迟响应，复杂推理自动加深度。

这跟OpenAI让开发者直接设置推理深度、Anthropic的thinking budget策略都有所不同。Dynamic Thinking是模型自己判断的，开发者不需要手动干预。

配合四档手动覆盖能力形成"自动+手动"双保险。大多数场景让自动模式处理即可，特殊场景再手动切到High档。

python

python# API调用时显式设置思考档位（覆盖自动判断）
response = client.chat.completions.create(
    model="gemini-3.5-flash",
    messages=[...],
    extra_body={"thinking_level": "high"}  # 显式设置
)

隐藏功能四：Antigravity 2.0工具链

I/O大会同日发布的Agent开发工具。三个核心更新：

CLI：命令行直接启动多步骤Agent任务，对标Codex CLI和Claude Code。在终端里就能跑，不用开浏览器。

SDK：把agent loop嵌进自己的服务。不再依赖外部平台，适合需要私有化部署的团队。

Managed Execution：支持并行子Agent编排。现场演示93个subagent并行跑12小时处理26亿token，总成本不到$1000。

典型工作流：

text

textCLI发起任务
  → 3.5 Flash做代码生成
    → 子Agent并行测试
      → 结果汇总
        → 人工review

整个流程token消耗可控、延迟低、成本低。

隐藏功能五：Agentic Execution栈下沉

此前Pro版本才有的long-horizon planning、tool calling、parallel agent execution被下放到Flash层级。用最低价位的Flash模型跑完整agent loop成为现实。

MCP Atlas多步Agent工作流测试，3.5 Flash拿到83.6%，3.1 Pro是78.2%。差距5.4个百分点在Agent场景下意味着显著更高的任务完成率。

Cursor企业客户的数据显示AI生成代码比例一年内从15%-20%跳到了75%，30%的PR已由agent独立完成。当模型从"偶尔问一个问题"变成"持续不断被调用"，Flash的成本优势就是核心竞争力。

价格与成本优化

Flash定价输入1.50、输出1.50、输出9.00每百万token，比上代旗舰便宜40%。配合90%的缓存折扣企业大规模调用成本优势明显。

同样500道ScienceQA题目，GPT-5.5 Pro花费471，3.5Flash分数相近仅花费471，3.5Flash分数相近仅花费1.9。Token消耗只有其他模型的10%-20%。

成本优化技巧：

• 明确区分系统指令与任务描述
• 高频系统提示缓存化可降低90%的重复token成本
• 结构化输出（JSON Schema）通常比自由文本节省更多Token
• 按任务复杂度切换思考档位可省约40%的token消耗

安全与鉴权

API Key不要写死在代码里。建议放在环境变量或密钥管理系统里配合短期令牌机制。支持为不同项目生成独立Key并可随时吊销。

所有调用应统一经过代理服务记录token消耗和延迟。一个项目因为没做好可观测，上线第一周被恶意刷了十几万次调用费用超预算三倍。

请求编排建议分层处理，把复杂任务拆成多个阶段。这种方式比一次性大Prompt调用能节省约35%的token消耗。

小结

Gemini 3.5 Flash的核心竞争力不在于某一项指标的绝对领先，而在于"高速度+大上下文+低成本+Agent能力下沉"的组合。

五个隐藏功能的价值排序：四档思考强度和Dynamic Thinking让成本控制精确到任务级别；Thinking Retention让多轮协作不再失忆；Antigravity 2.0让Agent开发从概念验证进入生产落地；Agentic Execution栈下沉让Flash也能跑完整agent loop。

3.5 Pro目前仅在谷歌内部使用预计下月发布。等它出来格局可能还会再变。但产品逻辑已经很清楚：轻量级产品在核心业务指标上超越旗舰同时维持更低成本，AI基础设施正在从"能力竞赛"转向"效率竞赛"。

建议从四档思考强度开始试跑。同一个任务分别用Minimal和High跑一遍，对比输出质量和token消耗。找到自己场景下的最优档位组合，这一步就能省下大量成本。