Gemini 3.7 Flash vs Qwen3.8 Flash
Quale scegliere e quando
Scegli gemini-3.7-flash quando l'audio fa parte del mix di input: accetta testo, immagini, audio e video a $0.75 per milione di token di input e $3.75 in output, con un contesto di 1048576 token. Scegli qwen3.8-flash per lavori su testo, immagini e video a un costo di input circa 5x inferiore e un costo di output circa 8x inferiore ($0.15 e $0.47), con un contesto di 1000000 token, il doppio dell'output massimo a 131072 token, un flag per contesti lunghi e l'opzione per disattivare il thinking. Entrambi coprono chat, vision, codice, tool e ragionamento, quindi la differenza principale è l'input audio contro token più economici e risposte più lunghe.
Benchmark
Dati pubblicati dai fornitori: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
Prezzi
| Gemini 3.7 Flash | Qwen3.8 Flash | Δ | |
|---|---|---|---|
| Input / 1M token | $0.75 | $0.15 | 5× |
| Output / 1M token | $3.75 | $0.47 | 8× |
| Lettura cache / 1M token | $0.075 | $0.016 | 4.7× |
| Scrittura in cache | - | 1.25x | - |
Le tariffe provengono dal catalogo live al momento della build; la pagina di ciascun modello riporta la scheda attuale.
Dove si posizionano - prezzo di input per 1M di token rispetto a tutti gli 71 modelli chat con questa unità di fatturazione (scala logaritmica)
Capacità
| Gemini 3.7 Flash | Qwen3.8 Flash | |
|---|---|---|
| Utilizzo dei tool | sì | sì |
| Controllo del ragionamento | sì - il fornitore non pubblica il controllo | configurabile |
| Output strutturato | sì | sì |
| Prompt caching | implicito + esplicito | implicito + esplicito |
| Durata della cache | non pubblicato | explicit: 5m, reset on hit |
| Prefisso minimo in cache | 4096 token | 1024 token |
Specifiche
| Gemini 3.7 Flash | Qwen3.8 Flash | |
|---|---|---|
| Modalità di input | testo immagine audio video | testo immagine video |
| Modalità di output | testo | testo |
| Rilascio | 2026-08-13 | 2026-08-27 |
| Cutoff di conoscenza | 2026-03 | - |
| Finestra di contesto | 1M | 1M |
| Output massimo | 66K | 131K |
| Parametro thinking | - |
|
| Valori accettati | - | enable_thinking
thinking_budget
preserve_thinking
|
| Predefinito | - | on qwen3.8-flash is hybrid thinking with thinking enabled by default, thinking_budget defaults to the 262,144-token chain maximum, and preserve_thinking is off |
Le specifiche sono trascritte dalla documentazione di ciascun fornitore; una riga che un fornitore non pubblica viene omessa anziché essere dedotta. Fonti complete: Gemini 3.7 Flash · Qwen3.8 Flash
Un solo prompt, entrambi i modelli - misurati attraverso il gateway
Gemini 3.7 Flash superato · 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.
out 878 tok (+799 ragionamento) latenza 6.9 s
Qwen3.8 Flash superato · 3 sentences
Enabling reasoning makes the model spend additional output tokens to plan and validate answers before responding, and those tokens are billed. It also increases compute and latency per request, so each task consumes more capacity than a non-reasoning call. As a result, billable tokens and compute roughly doubled, directly driving the higher invoice.
out 330 tok (+262 ragionamento) latenza 8.9 s
Rispetto dell'istruzione (esattamente tre frasi - contabili), adattamento al pubblico (registro da CFO), e il divario di fatturazione del pensiero nascosto che i contatori di token qui sotto rivelano.
Gemini 3.7 Flash superato · 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.
out 1050 tok (+827 ragionamento) latenza 6.4 s
Qwen3.8 Flash superato · 8/8 cases
```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 ``` The bug is that the original version counts adjacent equal pairs rather than items in a run, starting both `cur` and `best` at `0`, and it resets `cur` to `0` after a mismatch, thereby discarding the first element of the new run. That makes single-element inputs return `0`, and because every run is effectively measured in “steps” between equal elements, the last element is not counted—particularly noticeable when the longest run ends at the final index.
out 2123 tok (+1933 ragionamento) latenza 43.8 s
Se la correzione è davvero giusta (eseguibile), la densità della spiegazione, e l'efficienza in token su un compito delimitato.
Gemini 3.7 Flash superato · 5/5 fields, guidance "withheld"
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": null, "guidance": "withheld" } ```
out 918 tok (+858 ragionamento) latenza 6.2 s
Qwen3.8 Flash superato · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }
out 519 tok (+463 ragionamento) latenza 10.5 s
Aderenza allo schema (nessun campo inventato), pressione di allucinazione (guidance è esplicitamente sospesa), e differenze nel percorso di output strutturato.
Gemini 3.7 Flash superato · 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.
out 2858 tok (+2718 ragionamento) latenza 14.1 s
Qwen3.8 Flash superato · 120 words, 0 banned, 1 question
We are announcing prompt caching across providers in our API gateway. Store approved prompt outputs once and reuse them across supported model providers, cutting latency, cost, and duplicate token spend. The feature matches identical requests, checks validity, and returns cached results while preserving routing controls. Developers keep existing endpoints; the gateway manages storage, invalidation, and provider differences. This reduces noisy repeat calls, improves steady responses, and frees teams to focus on better agent workflows. OpenAI, Anthropic, Google, Mistral, and custom routes are supported. Cache hits appear in analytics with latency, token, and cost reductions visible. Check retention and privacy rules before enabling it. Ready to add cache controls to your gateway? Enable it in settings and watch spend drop now.
out 5958 tok (+5805 ragionamento) latenza 88.8 s
Rispetto dei vincoli (budget di parole, elenco di parole vietate, l'unica domanda), impronta stilistica, e controllo della lunghezza.
Passa dall'uno all'altro con una sola riga
Entrambi gli id sono presenti in ogni scheda qui sotto - la coppia di righe evidenziata è l'unica modifica. Stesso endpoint, stessa chiave, stessa struttura della richiesta.
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="gemini-3.7-flash",
# model="qwen3.8-flash", # decommenta questa riga, commenta quella sopra
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
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-3.7-flash",
// model: "qwen3.8-flash", // decommenta questa riga, commenta quella sopra
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
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-3.7-flash",
# "model": "qwen3.8-flash", # decommenta questa riga, commenta quella sopra
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'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-3.7-flash",
// Model: "qwen3.8-flash", // decommenta questa riga, commenta quella sopra
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("gemini-3.7-flash")
// .model("qwen3.8-flash") // decommenta questa riga, commenta quella sopra
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));FAQ
Qual è più economico, Gemini 3.7 Flash o Qwen3.8 Flash?
Qwen3.8 Flash è più economico per input / 1m token ($0.15 contro $0.75, 5.0× di differenza). Altre righe potrebbero indicare il contrario - la tabella sopra riporta la scheda completa, e il costo reale dipende dal tuo mix.
Posso fare un A/B test di Gemini 3.7 Flash contro Qwen3.8 Flash senza due integrazioni?
Sì. Entrambi sono serviti tramite lo stesso endpoint compatibile con OpenAI con una singola chiave API - il passaggio richiede la modifica della stringa del modello in una sola riga, quindi puoi instradare una frazione del traffico verso ciascuno e confrontare direttamente le fatture.
Gemini 3.7 Flash e Qwen3.8 Flash supportano il prompt caching?
Sì - entrambi fatturano le letture in cache a un prezzo inferiore rispetto alla loro tariffa di input, quindi i carichi di lavoro con warm-prefix costano meno di quanto suggeriscano le tariffe di listino. Le righe esatte per la lettura in cache si trovano nella tabella dei prezzi qui sopra.