Nouveau Inscription gratuite, 10 appels offerts. Jusqu'à 1 $, sans carte.

Claude Sonnet 5.5 vs Gemini 3.7 Flash

vs

Lequel, quand

Les deux modèles facturent par million de tokens et sont très proches l'un de l'autre concernant le contexte (1000000 pour claude-sonnet-5-5 contre 1048576 pour gemini-3.7-flash), donc la vraie différence réside dans le prix et les entrées : les tarifs d'Anthropic de $2 en entrée, $10 en sortie et $0.2 en lecture de cache sont environ 2.7x plus élevés que les $0.75, $3.75 et $0.075 de Google sur toute la ligne. Choisissez claude-sonnet-5-5 lorsque vous avez besoin de jusqu'à 128000 tokens en sortie dans une seule réponse, soit le double du plafond de 65536 de gemini-3.7-flash. Choisissez gemini-3.7-flash pour la grille tarifaire moins chère et pour les entrées audio ou vidéo, que le modèle Anthropic limité au texte et à l'image ne peut pas accepter.

Benchmarks

Claude Sonnet 5.5 : le fournisseur n'a publié aucun résultat de benchmark.

Au-dessus de la moyenneAucun meilleurGemini 3.7 Flash17 / 243 / 24
Claude Sonnet 5.5 Gemini 3.7 Flash autres modèles mesurés moyenne des modèles comparés ★ aucun autre modèle n'a fait mieux
DeepSWE 1.1
N/A
65.3%
BioMysteryBench hard
N/A
43.5%
OSWorld 2.0
N/A
47.9%
Finance Agent v2
N/A
59%
Harvey Lab-AA
N/A
90.7%
HLE-Verified
N/A
53.6%
AutomationBench (v1.0.6)
N/A
52.3%
LVBench
N/A
aucun autre modèle n'a fait mieux 85.4%

Chiffres publiés par les fournisseurs : Alibaba (Qwen) Anthropic DeepSeek Google Moonshot OpenAI Tencent Z.ai

Tarification

Claude Sonnet 5.5 Gemini 3.7 Flash Δ
Entrée / 1M tokens $2 $0.75 2.7×
Sortie / 1M tokens $10 $3.75 2.7×
Lecture en cache / 1M tokens $0.2 $0.075 2.7×
Écriture cache 1.25x (5m) / 2x (1h) - -

Tarifs issus du catalogue en direct au moment de la compilation ; chaque page de modèle présente la fiche actuelle.

Où ils se situent - prix en entrée pour 1M de tokens sur l'ensemble des 76 modèles chat pour cette unité de facturation (échelle logarithmique)

Capacités

Claude Sonnet 5.5 Gemini 3.7 Flash
Utilisation d'outils oui oui
Contrôle de la réflexion toujours activé oui - réglage du fournisseur non publié
Sortie structurée oui oui
Mise en cache du prompt explicite (vous indiquez le préfixe) implicite + explicite
Durée de vie du cache 5m default, 1h option non publié
Préfixe minimum mis en cache 1024 jetons 4096 jetons

Spécifications

Claude Sonnet 5.5 Gemini 3.7 Flash
Modalités d'entrée texte image texte image audio vidéo
Modalités de sortie texte texte
Sortie 2026-09-28 2026-08-13
Limite de connaissances 2026-06 2026-03
Fenêtre de contexte 1M 1M
Sortie maximale 128K 66K
Paramètre de réflexion thinking.type -
Valeurs acceptées
thinking.type
  • adaptive (default)
  • between_tools
-
Par défaut adaptive, effort high -

Les spécifications sont transcrites à partir de la documentation de chaque fournisseur ; une ligne qu'un fournisseur ne publie pas est omise plutôt que déduite. Sources complètes : Claude Sonnet 5.5 · Gemini 3.7 Flash

Un prompt, deux modèles - mesurés via la passerelle

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. VÉRIFIER exactement 3 phrases

Claude Sonnet 5.5 réussi · 3 sentences

Enabling reasoning makes the model "think" before it answers, and that internal thinking is generated as extra text (reasoning tokens) that we are billed for at the same rate as output tokens, even though users never see it. Output tokens also cost several times more than input tokens, so a single request that used to produce a short answer can now generate many times more billable text behind the scenes. Because our request volume and prompts didn't change, the doubling comes almost entirely from this hidden thinking, and we can bring it down by limiting reasoning effort, turning it off for simple tasks, and reserving it for the workloads where the accuracy gain justifies the cost.

sortie 205 tok latence 3.6 s

Gemini 3.7 Flash réussi · 3 sentences

Enabling reasoning causes the model to generate a high volume of invisible "thinking tokens" behind the scenes to deliberate and solve complex logic before delivering a final response. Because our vendor bills strictly on token volume, this additional internal computation effectively doubled our billable output per query. In short, our costs increased because we are now paying for the extra compute capacity required to produce significantly higher-accuracy answers.

sortie 878 tok (+799 réflexion) latence 6.9 s

Suivi de l'instruction (exactement trois phrases - comptables), adaptation à l'audience (registre CFO), et l'écart de facturation lié à la réflexion cachée que les compteurs de tokens ci-dessous révèlent.

PROMPT This function is supposed to return the longest run of consecutive equal items, but callers report it is off by one on single-element inputs and misses runs that end at the last index. Fix it and explain the bug in one paragraph. VÉRIFIER le correctif passe les tests

Claude Sonnet 5.5 réussi · 8/8 cases

**The bug:** `cur` counts the number of *adjacent equal pairs* rather than the number of items in the run. A run of length k contains only k−1 such pairs, so every result is one too small. The counter also starts at 0 and the loop starts at index 1, so a single-element list never updates `best` and returns 0 instead of 1. (An empty list should return 0.) In addition, `cur` resets to 0 on a mismatch, when it should reset to 1, because the item at `xs[i]` begins a new run of length 1. The claim that it "misses runs ending at the last index" is really the same off-by-one: the final run is counted, but as one less than its true length. Because `best` is updated inside the loop on every extension, the last run isn't skipped. […]

sortie 444 tok latence 6.7 s

Gemini 3.7 Flash réussi · 8/8 cases

Here is the corrected function: ```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 best = max(best, cur) return best ``` ### Explanation of the Bug The original function tracked equal adjacent transitions instead of the actual number of elements in a run, causing all non-empty run lengths to be undercounted by one (e.g., returning `0` instead of `1` for single-element lists because the loop never executes, and `1` instead of `2` for pairs). Initializing both `best` and `cur` to `1` (after handling empty inputs) and resetting `cur` to `1` on a mismatch ensures every individual element is counted as a valid run of at least length one.

sortie 1050 tok (+827 réflexion) latence 6.4 s

Si le correctif est réellement juste (exécutable), la densité de l'explication, et l'efficacité en tokens sur une tâche bornée.

PROMPT Extract a JSON object with fields {company, quarter, revenue_usd_m, growth_pct, guidance} from this text. Use null for anything not stated; add no other fields. VÉRIFIER JSON valide, schéma exact

Claude Sonnet 5.5 réussi · 5/5 fields, guidance null

Here is the extracted JSON: ```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null } ``` Notes on the choices: - **quarter**: The text says "September quarter" without specifying a fiscal year or Q-number, so I kept the wording as stated. - **revenue_usd_m**: The text gives "412" for the topline, with no currency or unit stated explicitly. I've taken it as 412 million USD per the field definition, but the text does not confirm that, and the figure is constant-currency. - **growth_pct**: "Eleven and change" means slightly above 11, so 11 is an approximation. The exact figure isn't given. - **guidance**: Guidance is withheld pending the Q4 close, so no guidance is stated, hence null.

sortie 300 tok latence 3.5 s

Gemini 3.7 Flash réussi · 5/5 fields, guidance "withheld"

```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": null, "guidance": "withheld" } ```

sortie 918 tok (+858 réflexion) latence 6.2 s

Respect du schéma (aucun champ inventé), pression d'hallucination (guidance est explicitement retenue), et différences de chemin pour la sortie structurée.

PROMPT Write a 120-word product announcement for an API gateway feature that caches prompts across providers. Forbidden words: "seamless", "unlock", "game-changer", "revolutionize", "empower". Exactly one sentence must be a question. VÉRIFIER 120 mots, 0 mot interdit

Claude Sonnet 5.5 réussi · 122 words, 0 banned, 1 question

**Introducing Cross-Provider Prompt Caching** Your API gateway now caches prompts across every connected LLM provider, whether you route traffic to OpenAI, Anthropic, Google, or a self-hosted model. Here's how it works: the gateway fingerprints each prompt prefix, stores it centrally, and applies the right provider-specific caching mechanism automatically. When you switch providers or fail over during an outage, your cached context follows you. Early testing shows input token costs dropping by up to 70% on repeated system prompts and long documents, with latency improvements of 40% or more on cache hits. Tired of paying to send the same instructions thousands of times a day? Enable it with one configuration flag. Cache rules, TTLs, and per-team isolation are available in the dashboard today.

sortie 266 tok latence 3.8 s

Gemini 3.7 Flash réussi · 120 words, 0 banned, 1 question

Why pay twice for identical AI queries simply because you routed them to different model vendors? Today, we introduce Universal Prompt Caching directly within our unified API gateway architecture. This capability stores repeated prompt contexts across OpenAI, Anthropic, and local models, instantly returning stored results to eliminate redundant computation fees. When your application sends an LLM request, the gateway inspects the payload, identifies semantic matches, and returns accurate cached responses in under ten milliseconds. Engineering teams can now slash inference latency by eighty percent while dramatically reducing monthly token expenditures across diverse production deployments. You retain complete privacy control, flexible cache eviction policies, and granular metrics through a single dashboard. Update your routing settings today to accelerate overall system performance.

sortie 2858 tok (+2718 réflexion) latence 14.1 s

Respect des contraintes (budget de mots, liste de mots interdits, l'unique question), empreinte stylistique, et contrôle de la longueur.

Basculez de l'un à l'autre avec une seule ligne

Les deux ids sont dans chaque onglet ci-dessous - la paire de lignes en surbrillance est la seule modification. Même endpoint, même clé, même structure de requête.

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.chat.completions.create(
    model="claude-sonnet-5-5",
    # model="gemini-3.7-flash",  # décommentez cette ligne, commentez celle du dessus
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtenez votre clé API →

FAQ

Lequel est le moins cher, Claude Sonnet 5.5 ou Gemini 3.7 Flash ?

Gemini 3.7 Flash est moins cher sur entrée / 1m tokens ($0.75 contre $2, avec un écart de 2.7×). D'autres lignes peuvent indiquer l'inverse - le tableau ci-dessus contient la fiche complète, et le coût réel dépend de votre combinaison.

Puis-je faire un test A/B de Claude Sonnet 5.5 par rapport à Gemini 3.7 Flash sans deux intégrations ?

Oui. Les deux sont servis via le même endpoint compatible OpenAI avec une seule clé API - le basculement est un changement de chaîne de modèle en une ligne, vous pouvez donc diriger une fraction du trafic vers chacun et comparer les factures directement.

Est-ce que Claude Sonnet 5.5 et Gemini 3.7 Flash prennent en charge le prompt caching ?

Oui - les deux facturent les lectures en cache en dessous de leur tarif d'entrée, donc les charges de travail à préfixe chaud coûtent moins cher que ce que les tarifs de base suggèrent. Les lignes exactes des lectures en cache se trouvent dans le tableau de tarification ci-dessus.

Comparaisons associées

Issu de nos études mesurées