Les trois nouveaux modèles de Google DeepMind pour agents IA

Si je devais tout résumer en une ligne, ce serait ceci : utilisez Gemini 3.5 Flash-Lite pour le routage de premier passage à bas coût, Gemini 3.6 Flash pour le travail d'agent principal, et Gemma 4 quand vous devez exécuter sur vos propres systèmes.

Voici la version courte. L'article compare trois modèles sur les points qui comptent le plus pour les agents IA : latence, coût, usage d'outils, entrées multimodales, planification et contrôle du déploiement. Un modèle est conçu pour le triage à fort volume, un autre convient à l'exécution quotidienne, et le dernier est fait pour les charges de travail auto-hébergées et privées.

Ce qui m'a le plus marqué :

• Gemini 3.5 Flash-Lite est le répartiteur de trafic à bas coût pour la classification, l'extraction et le routage, avec une latence inférieure à 200 ms
• Gemini 3.6 Flash se situe au milieu comme cheval de trait principal pour les appels d'outils, le travail sur documents et les étapes de workflow, à environ ~500 ms de latence
• Gemma 4 déplace le compromis vers les poids ouverts, la licence Apache 2.0, le déploiement local et le traitement de données privées
• Gemma 4 va de 2.3B à 31B de paramètres, avec un contexte allant jusqu'à 256K
• La version 26B A4B MoE active 3.8B de ses 25.2B de paramètres à l'inférence
• Une configuration par niveaux peut réduire les dépenses en gardant les tâches simples sur les petits modèles et en envoyant les cas difficiles vers les plus grands

Si vous devez choisir vite :
prenez Flash-Lite pour le routage, Flash pour l'exécution, et Gemma 4 pour le contrôle auto-hébergé.

Le 3.6 Flash de Google prouve que les agents IA vont bientôt coûter moins cher

Comparaison rapide

Autrement dit, il ne s'agit pas de choisir le « meilleur » modèle unique. Il s'agit d'associer chaque modèle à la tâche via une API LLM unifiée pour que votre pile d'agents reste rapide, économe et sous votre contrôle là où c'est nécessaire.

1. Gemini 3.6 Flash

Adéquation aux charges de travail d'agents

Des trois modèles, Gemini 3.6 Flash est l'option axée sur le débit. Utilisez-le pour les agents à fort volume qui exigent une faible latence, un coût stable et des délais rapides.

Latence et débit

Cela en fait un bon choix pour les flux à forte densité de requêtes comme le triage de tickets, la recherche documentaire ou le routage de tâches à grande échelle. Dans ces cas, la vitesse compte surtout quand le modèle doit aussi agir de façon stable et fiable.

Usage d'outils et personnalisation

Vous pouvez l'associer au function calling, à la récupération d'informations, aux contrôles de politique et aux étapes d'approbation humaine pour garder l'automatisation sous contrôle. Par exemple, il convient bien à un agent qui lit une demande, récupère des documents sources, appelle des outils et envoie les cas limites à un humain.

Ensuite, Gemini 3.5 Flash-Lite déplace le compromis vers des tâches d'agent plus légères et moins coûteuses.

2. Gemini 3.5 Flash-Lite

Adéquation aux charges de travail d'agents

Gemini 3.5 Flash-Lite est le modèle à bas coût par défaut pour la classification, l'extraction et le routage à fort volume. Voyez-le comme la couche de contrôle légère d'une pile d'agents : il absorbe le gros du trafic tandis que les modèles plus grands interviennent pour les décisions plus difficiles.

Latence et débit

Sa latence inférieure à 200 ms en fait un excellent choix pour les workflows en fan-out, le traitement par lots et le routage rapide. Quand un système d'agents découpe un gros travail en de nombreuses petites tâches, Flash-Lite peut expédier ces sous-tâches rapidement, puis renvoyer les résultats pour consolidation.

Coût et modèle de déploiement

Son faible coût en fait le modèle de premier passage par défaut pour les grandes files de tâches simples. Si le contrôle du déploiement et les poids ouverts comptent plus que cette configuration, Gemma 4 déplace ce compromis.

Usage d'outils et personnalisation

Flash-Lite prend en charge les sorties structurées et un léger réglage par tâche pour le routage et l'extraction. Un schéma courant est simple : utiliser Flash-Lite comme classificateur ou extracteur de premier passage, puis n'envoyer que les cas limites vers un modèle plus puissant. Ainsi, les agents plus grands peuvent réserver les modèles plus lourds à la planification, au raisonnement multimodal et aux exceptions difficiles.

3. Gemma 4

Adéquation aux charges de travail d'agents

Gemma 4 est le choix priorité au contrôle pour les piles d'agents qui doivent tourner en local, travailler avec des données sensibles et rester faciles à régler. Sa licence Apache 2.0 permet aux équipes de le fine-tuner et de le déployer sur des systèmes locaux, ce qui convient aux environnements réglementés ou hors ligne avec des règles strictes de gouvernance des données. Il peut aussi caviarder les PII à l'entrée avant que les données ne quittent les systèmes locaux, ce qui est pratique pour les équipes de la santé et de la finance ^[1].

C'est important, car le contrôle local ne se limite pas à la confidentialité. Il s'agit aussi de décider à quel point vous pouvez régler le modèle, où il s'exécute et quel type de charge il peut gérer. Avec Gemma 4, cela se joue sur la taille du modèle, la fenêtre de contexte et le coût d'exécution.

Latence et débit

Gemma 4 va d'un modèle mobile de 2.3B à un modèle serveur de 31B. Cela donne aux équipes la marge d'adapter le modèle à la tâche au lieu de forcer un seul modèle à tout faire. Les petits modèles peuvent gérer les tâches en périphérie, tandis que les plus grands peuvent prendre en charge la planification ou le raisonnement à long contexte.

La variante 26B A4B MoE se distingue ici. À l'inférence, elle active 3.8B de ses 25.2B de paramètres, ce qui aide à garder l'exécution plus efficace. Côté longueur de contexte, les modèles plus petits prennent en charge 128K tokens, tandis que les modèles 12B, 26B A4B et 31B prennent en charge 256K tokens. C'est un bon choix pour les longs documents et les longues traces d'agents ^[1].

Coût et modèle de déploiement

Exécuter Gemma 4 sur votre propre matériel supprime les frais API au token, mais la facture ne disparaît pas. Elle se déplace vers les serveurs, la mise à l'échelle et la disponibilité. Au lieu de payer un fournisseur, vous payez donc la pile derrière le modèle.

Gemma 4 offre aussi aux équipes plusieurs moyens de réduire l'usage mémoire. Des checkpoints Quantization-Aware Training (QAT) sont disponibles aux formats GGUF, wNa8o8 optimisé mobile et Compressed Tensors w4a16. Ils peuvent réduire les besoins en mémoire tout en gardant une qualité de sortie proche de bfloat16 ^[1].

Cette configuration fait du modèle un excellent choix quand les agents ont besoin de contrôle local et d'exécution structurée, et quand l'équipe est prête à gérer l'infrastructure qui va avec.

Usage d'outils et personnalisation

Gemma 4 prend en charge le function calling natif et un rôle système natif, ce qui donne aux développeurs d'agents un contrôle plus direct sur le flux de conversation et l'exécution des tâches ^[1]. Il fonctionne aussi avec transformers, vLLM et llama.cpp ^[1], il peut donc s'insérer dans des piles que beaucoup d'équipes utilisent déjà.

La variante Unified 12B peut recevoir directement des entrées image et audio. C'est utile pour les agents multimodaux qui ont besoin d'un seul chemin de fine-tuning couvrant les entrées texte, image et audio ^[1].

Gemma 4 inclut aussi un mode « Thinking » intégré. Il aide sur les tâches plus difficiles, mais ajoute de la latence. En termes simples : utilisez-le pour la planification et le raisonnement complexe, pas pour le routage rapide ^[1]. Donc si Gemma 4 mise à fond sur le contrôle, ce contrôle s'accompagne d'exigences d'infrastructure et de quelques compromis de vitesse.

Compromis, options d'intégration, avantages et inconvénients

Si vous regardez ces modèles comme une pile, ils se répartissent assez nettement en trois métiers : triage, exécution et contrôle local.

La décision principale n'est donc pas seulement quel modèle est le meilleur. C'est de savoir si vous voulez qu'un seul modèle gère tout, ou une configuration par niveaux où chaque modèle prend la partie qu'il fait le mieux.

Une architecture par niveaux convient généralement le mieux aux agents complexes à l'échelle de l'entreprise. Flash-Lite peut absorber le triage et le routage à fort volume avec la latence et le coût les plus bas. Gemini 3.6 Flash peut gérer l'exécution du workflow principal, l'usage d'outils et le travail à long contexte. Gemma 4 convient aux charges réglementées ou privées nécessitant l'auto-hébergement ou un déploiement en cloud privé.

Utilisées ainsi, les équipes peuvent réduire les coûts de façon significative par rapport à l'envoi de chaque requête vers un seul modèle plus capable. À ce stade, le compromis se déplace : contrôle du déploiement vs simplicité opérationnelle.

Pour la génération d'images ou de vidéos au-delà du raisonnement textuel, APIMart peut router les tâches via une seule API multimodale.

Le tableau ci-dessous résume les principaux chemins d'intégration.

En pratique, ces compromis dessinent un choix assez simple : utiliser un seul modèle de bout en bout, ou répartir le routage, l'exécution et les charges privées entre différentes couches.

Conclusion

Le bon modèle dépend de trois choses : la complexité de la tâche, le budget et le contrôle du déploiement.

Avec cette grille de lecture, Gemini 3.5 Flash-Lite est le premier choix pour le routage léger. Il convient bien au routage et à l'extraction à fort volume. Utilisez-le pour la classification, l'extraction et le routage de premier passage. Si la tâche exige plus de coordination, montez vers Gemini 3.6 Flash.

Gemini 3.6 Flash sert de couche d'exécution par défaut pour les agents en production. Il se situe entre le coût inférieur de Flash-Lite et le déploiement priorité-contrôle de Gemma 4, ce qui en fait un choix par défaut solide pour les équipes qui veulent une sortie de qualité à l'échelle. Si le contrôle du déploiement compte le plus, Gemma 4 devient le meilleur choix.

Gemma 4 est conçu pour les équipes qui ont besoin de contrôle, de confidentialité ou d'accès hors ligne. Il convient aux environnements réglementés car il prend en charge le traitement sur appareil ou auto-hébergé et le caviardage local des PII. Ses poids ouverts simplifient aussi le fine-tuning par domaine.

Utilisez Flash-Lite pour le routage, Gemini 3.6 Flash pour l'exécution, et Gemma 4 pour le contrôle auto-hébergé.

FAQ

Quand devrais-je utiliser une configuration de modèles par niveaux ?

Utilisez une configuration par niveaux quand vous devez équilibrer performance, coût et fiabilité à mesure que votre application grandit.

L'idée de base est la suivante : envoyez les tâches simples à fort volume vers des modèles moins chers, et réservez les modèles frontier au travail complexe à fort enjeu.

Cette répartition peut réduire les coûts d'API de 60% à 80%, surtout quand vous n'escaladez une requête qu'après l'échec d'un modèle plus léger à atteindre votre seuil de confiance.

C'est un compromis assez simple. Votre modèle le plus avancé n'a pas besoin de traiter chaque tâche routinière. Laissez le modèle plus léger faire le premier passage, puis faites intervenir le modèle plus lourd seulement quand la tâche l'exige.

Comment choisir entre Gemini 3.6 Flash et Gemma 4 ?

Choisissez selon ce qui compte le plus pour vous : la vitesse, l'échelle ou le contrôle.

Gemini 3.6 Flash est un modèle multimodal haute performance conçu pour les tâches à faible latence et fort volume. Cela en fait un excellent choix pour les applications temps réel et les workflows sensibles aux coûts.

Gemma 4 a plus de sens si vous voulez plus de contrôle et de flexibilité, comme le déploiement local ou l'exécution du modèle sur votre propre infrastructure. Optez pour Gemini 3.6 Flash pour une production rapide et évolutive. Choisissez Gemma 4 pour un usage privé sur appareil ou un fine-tuning personnalisé.

Quelles tâches d'agent conviennent le mieux à Flash-Lite ?

Flash-Lite convient bien au travail à fort volume et sensible aux coûts où l'efficacité compte plus que le raisonnement profond. Il excelle particulièrement dans l'extraction de données basique et la classification.

Il fonctionne aussi très bien comme première couche d'une cascade de modèles. Dans de nombreuses configurations, il peut traiter 70% à 85% des requêtes avant d'envoyer les plus difficiles vers des modèles premium. Cela peut réduire les coûts de 60% à 75% tout en gardant les workflows d'agents standards stables.