Gemini 3.5 Flash Cyber : ce que c'est et qui peut l'utiliser

Ce qu'est vraiment Gemini 3.5 Flash Cyber

La famille Gemini de Google se divise en deux voies : les modèles Pro pour le raisonnement le plus exigeant, et les modèles Flash comme chevaux de bataille rapides et bon marché. Flash Cyber est une troisième chose, un spécialiste. Google a pris la base générale de Gemini 3.5 Flash et l'a affinée intensément sur une tâche étroite et à fort enjeu : détecter, valider et corriger des problèmes de sécurité du code à grande échelle, à un prix par token plus bas qu'un grand modèle de pointe.

La raison de construire sur Flash plutôt que sur Pro est la même raison pour laquelle Flash existe. Le scan de sécurité est un travail de volume. On fait tourner un modèle sur d'énormes bases de code, encore et encore, à la recherche d'aiguilles. Une base moins chère et plus rapide signifie qu'on peut se permettre de la faire tourner beaucoup, ce qui est exactement ce qu'exige la recherche de bugs rares. C'est la logique d'efficacité qui sous-tend toute la ligne Flash, appliquée à un seul domaine.

Voici le cadrage honnête que la plupart des articles de lancement omettent : Flash Cyber n'est pas un chatbot avec lequel on discute. C'est un composant. Seul, un modèle capable de repérer un dépassement de tampon est un tour de fête. La valeur n'apparaît qu'une fois qu'on l'intègre dans un système qui trouve le bug, prouve que le bug est réel, écrit un correctif et vérifie que ce correctif n'a rien cassé. Ce système, c'est CodeMender.

CodeMender : le système qui rend le modèle utile

CodeMender est l'agent IA de Google DeepMind dédié à la sécurité du code, et c'est là que vit réellement Flash Cyber. Le choix de conception à noter : il n'utilise pas un seul appel de modèle. Google fait tourner plusieurs agents Gemini 3.5 Flash Cyber en parallèle, chacun examinant le code, puis combine leurs résultats en un seul rapport.

Ce schéma « plusieurs agents, un seul rapport » accomplit un vrai travail. Un seul passage d'un modèle sur une base de code est bruyant : il signale des choses qui ne sont pas des bugs et en manque d'autres qui en sont. Faire tourner plusieurs agents moins chers et concilier leurs résultats, c'est ainsi qu'on transforme un signal bruyant en quelque chose qu'une équipe de sécurité humaine peut exploiter, sans payer le prix d'un modèle de pointe à chaque passage. C'est la version sécurité d'un problème d'orchestration d'agents, et c'est pourquoi le faible coût du modèle compte autant : suffisamment bon marché pour tourner cinq fois l'emporte sur suffisamment cher pour tourner une seule fois.

Google présente cet objectif comme défensif : il veut donner une longueur d'avance aux défenseurs de première ligne pour trouver et corriger les vulnérabilités critiques avant que les attaquants ne puissent les exploiter, tout en limitant les usages abusifs plus larges.

Est-ce vraiment performant ? Les chiffres de CyberGym

Google a évalué la combinaison CodeMender plus Cyber sur CyberGym, un benchmark de sécurité, face à des configurations de pointe de laboratoires concurrents. Voici le graphique qui compte.

La lecture ici est plus intéressante qu'un simple chiffre gagnant. Cyber au sein de CodeMender se situe à 83,2 %, en plein milieu du peloton avec des agents de pointe bien plus grands et plus chers (regroupés entre 83 % et 85,6 %). Ce n'est pas la barre la plus haute du graphique. Mais c'est sans doute là tout l'intérêt : un modèle petit, bon marché et spécialisé qui atteint des performances de pointe compétitives sur une tâche difficile, pour une fraction du coût, parce que l'affinage et la conception de l'agent portent le poids que le nombre brut de paramètres devrait sinon porter.

C'est le même arbitrage que la ligne Flash est conçue pour gagner en général : pas « le modèle le plus intelligent du classement », mais « la meilleure capacité par dollar pour un travail exécuté en volume ».

Le hic : vous ne pouvez probablement pas l'utiliser

Voici maintenant la partie qui arrête net la plupart des lecteurs. Gemini 3.5 Flash Cyber est exclusivement disponible pour les gouvernements et les partenaires de confiance via CodeMender, dans le cadre d'un pilote à accès limité. Il n'y a ni API publique, ni bascule dans AI Studio, ni offre en libre-service.

La raison se trouve juste dans le nom de la préoccupation : le double usage. Un modèle excellent pour trouver des vulnérabilités exploitables dans du code est, par définition, aussi un outil qu'un attaquant adorerait. Google le verrouille donc comme on verrouillerait toute capacité qui aide autant les défenseurs que les attaquants : un déploiement contrôlé, d'abord auprès d'un petit groupe d'utilisateurs vérifiés. Si vous espériez le pointer vers vos propres dépôts cet après-midi, ce n'est pas envisageable.

Les deux modèles avec lesquels il a été lancé sont ceux que vous pouvez réellement utiliser aujourd'hui. Gemini 3.6 Flash et Gemini 3.5 Flash-Lite sont disponibles dans l'application et l'API Gemini ; notre décryptage de Gemini 3.6 Flash détaille leur coût et à qui ils s'adressent.

Pourquoi Gemini 3.5 Pro manque à ce lancement

Ce qu'il y a de plus révélateur dans tout le lancement du 21 juillet, c'est ce qui n'y figurait pas. Google a lancé trois modèles de classe Flash, Flash Cyber inclus, mais pas son modèle phare Gemini 3.5 Pro, mis à jour pour la dernière fois en février 2026 et présenté en mai comme « déjà utilisé en interne ». Bloomberg a rapporté que Pro avait subi des retards internes après avoir peiné à atteindre ses propres objectifs de performance.

Cela se produit alors qu'OpenAI déployait GPT-5.6 et qu'Anthropic lançait Claude Sonnet 5. Lu avec bienveillance, le choix de Google a du sens : garder frais et bon marché le niveau Flash, à fort volume et générateur de revenus, tout en livrant une réussite spécialisée comme Cyber, pendant que le modèle phare continue de mûrir. Logan Kilpatrick, de DeepMind, a déclaré que 3.5 Pro était en test avec des partenaires et devrait « arriver bientôt », et que l'équipe avait lancé son "run de pré-entraînement le plus ambitieux à ce jour" pour Gemini 4.

Ce que Flash Cyber enseigne sur la construction de tout agent IA

Voici pourquoi je pense que ce lancement compte même si vous ne toucherez jamais ce modèle, et c'est la partie qui me tient à cœur, parce que je construis des agents IA pour gagner ma vie.

Flash Cyber est la preuve d'un schéma que je retrouve dans chaque projet : le modèle est la couche de base, pas l'ensemble. Google n'a pas simplement livré un « modèle de sécurité » en considérant le travail terminé. L'entreprise a livré un modèle affiné plus CodeMender, le système qui détecte, valide, corrige et rend compte. L'intelligence réside autant dans cette enveloppe, dans le fait de faire tourner plusieurs agents et de les concilier, que dans les poids bruts.

J'ai passé des années à déployer l'IA sur des files de support en direct, et l'échec que j'ai observé encore et encore est exactement celui que CodeMender est conçu pour éviter : un modèle au ton assuré donnant une réponse erronée parce que personne n'a construit les couches autour de lui. En sécurité, un « correctif » non validé qui casse le build est le mode d'échec. Dans le service client, c'est un bot sûr de lui qui invente une politique de remboursement. Même maladie, domaine différent. Le remède, dans les deux cas, est le système : la recherche documentaire pour que le modèle réponde à partir de sources réelles plutôt que de deviner, les garde-fous pour qu'il transmette proprement, et des tests pour savoir comment il se comporte avant qu'il ne touche quoi que ce soit de réel.

Donc, quand un nouveau modèle comme Cyber (ou Gemini 3.6 Flash, ou le prochain) arrive, la bonne question pour une équipe de support n'est pas « ce modèle est-il assez bon ? ». Pour la plupart des tâches, il l'est déjà. La vraie question est « qui construit la recherche documentaire, les garde-fous, la simulation et l'intégration au helpdesk autour de lui ? ». C'est le vrai travail, et c'est pourquoi brancher soi-même une API brute dans son helpdesk est un piège : cela reviendrait à reconstruire l'équivalent de CodeMender à partir de zéro, puis à le maintenir alors que les modèles changent toutes les quelques semaines.

Essayer eesel

Pour le support, la couche que CodeMender représente pour la sécurité, eesel la représente pour votre helpdesk. Vous le branchez sur vos outils existants, il apprend dès le départ de vos anciens tickets et de votre base de connaissances, et il fonctionne sur des modèles de pointe, ce qui vous permet d'obtenir les gains d'efficacité sans câbler l'API vous-même.

La partie qui correspond directement au principe de conception de CodeMender, « valider avant de livrer », est la simulation : eesel vous permet de faire tourner l'agent sur vos tickets historiques avant qu'il ne réponde à un client réel, afin de voir le taux de résolution et les réponses exactes qu'il aurait envoyées. Et comme il est facturé selon le travail effectué, et non par token, vous évitez les calculs de tokens à chaque ticket. Si vous évaluez des modèles pour construire de l'automatisation de support, partez du résultat que vous voulez et laissez la plateforme choisir la plomberie. C'est gratuit à essayer.