Gemini 3.5 Flash vs Gemini 3.7 Flash
Lequel, quand — verdict de synthèse, pas un tableau de benchmarks
Ces deux modèles Google Flash sont identiques sur l'essentiel — un contexte de 1048576 tokens, 65536 en sortie maximale, et texte, image, vidéo et audio en entrée avec texte en sortie — donc la différence réside dans le prix et la génération : gemini-3.7-flash (sorti le 2026-08-13) facture $0.75 l'entrée et $3.75 la sortie contre $1.5 et $9 pour gemini-3.5-flash, le rendant 2x moins cher en entrée, 2.4x en sortie, et environ 6.7x moins cher sur l'entrée audio à $0.75 contre $5 par million. Il comporte également le flag de capacité de raisonnement. Ne choisissez gemini-3.5-flash que si vous y êtes déjà épinglé ; sinon gemini-3.7-flash couvre le même périmètre pour moins cher.
Tarification
| Gemini 3.5 Flash | Gemini 3.7 Flash | Δ | |
|---|---|---|---|
| Entrée / 1M tokens | $1.5 | $0.75 | 2× |
| Sortie / 1M tokens | $9 | $3.75 | 2.4× |
| Lecture en cache / 1M tokens | $0.15 | $0.075 | 2× |
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 63 modèles chat pour cette unité de facturation (échelle logarithmique)
Capacités
| Gemini 3.5 Flash | 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 | implicite + explicite | implicite + explicite |
| Durée de vie du cache | non publié | non publié |
| Préfixe minimum mis en cache | 4096 jetons | 4096 jetons |
Spécifications
| Gemini 3.5 Flash | Gemini 3.7 Flash | |
|---|---|---|
| Modalités d'entrée | texte image audio vidéo | texte image audio vidéo |
| Modalités de sortie | texte | texte |
| Sortie | 2026-05-19 | 2026-08-13 |
| Limite de connaissances | 2025-01 | — |
| Fenêtre de contexte | 1M | 1M |
| Sortie maximale | 66K | 66K |
| Paramètre de réflexion | thinkingLevel | — |
| Valeurs acceptées |
| — |
| Par défaut | medium | — |
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 : Gemini 3.5 Flash · Gemini 3.7 Flash
Un prompt, deux modèles — mesurés via la passerelle
Gemini 3.5 Flash réussi · 3 sentences
Reasoning models do not just generate a final answer; they perform a silent, multi-step "thinking" process beforehand to ensure higher accuracy. We are billed for every single one of these invisible reasoning steps (called "thinking tokens"), which drastically increases the computational volume per query. Consequently, while our user activity remained flat, our unit costs doubled because the AI is now doing significantly more backend processing to deliver these higher-quality results.
sortie 1152 tok (+1065 réflexion) latence 7.7 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.
Gemini 3.5 Flash réussi · 8/8 cases
Here is the corrected version of the 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 code initialized `best` and `cur` to `0` instead of `1` (the minimum run length for any non-empty list), which caused it to count the number of adjacent duplicate *transitions* rather than the actual number of *elements* in a run. This resulted in an off-by-one error for all runs and caused single-element lists to incorrectly return `0`. […]
sortie 2386 tok (+2110 réflexion) latence 12.7 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.
Gemini 3.5 Flash réussi · 5/5 fields, guidance "withheld pending the Q4 close"
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": null, "guidance": "withheld pending the Q4 close" } ```
sortie 1950 tok (+1885 réflexion) latence 12.7 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.
Gemini 3.5 Flash manqué · 50 words, 0 banned, 0 questions
thought 51: OpenAI, 52: Anthropic, 53: and 54: Cohere. 55: When 56: a 57: client 58: submits 59: a 60: matching 61: request, 62: the 63: gateway 64: retrieves 65: the 66: cached 67: result 68: instantly, 69: slashing 70: latency 71: and 72: reducing 73: your 74: monthly 75: […]
sortie 4092 tok (+3933 réflexion) latence 19.1 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="gemini-3.5-flash",
# model="gemini-3.7-flash", # décommentez cette ligne, commentez celle du dessus
messages=[{"role": "user", "content": "Summarize this diff"}],
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "gemini-3.5-flash",
// model: "gemini-3.7-flash", // décommentez cette ligne, commentez celle du dessus
messages: [{ role: "user", content: "Summarize this diff" }],
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-3.5-flash",
# "model": "gemini-3.7-flash", # décommentez cette ligne, commentez celle du dessus
"messages": [{"role": "user", "content": "Hello"}]
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "gemini-3.5-flash",
// Model: "gemini-3.7-flash", // décommentez cette ligne, commentez celle du dessus
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("gemini-3.5-flash")
// .model("gemini-3.7-flash") // décommentez cette ligne, commentez celle du dessus
.addUserMessage("Summarize this diff")
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));FAQ
Lequel est le moins cher, Gemini 3.5 Flash ou Gemini 3.7 Flash ?
Gemini 3.7 Flash est moins cher sur entrée / 1m tokens ($0.75 contre $1.5, avec un écart de 2.0×). 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 Gemini 3.5 Flash 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 Gemini 3.5 Flash 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.