Gemini 3.5 Flash vs Gemini 3.7 Flash
Qual usar, quando — veredito curado, não uma tabela de benchmark
Esses dois modelos Google Flash coincidem nos aspectos essenciais — um contexto de 1048576 tokens, saída máxima de 65536, e entrada de texto, imagem, vídeo e áudio com saída de texto — então a divisão é preço e geração: gemini-3.7-flash (lançado em 2026-08-13) cobra $0.75 na entrada e $3.75 na saída contra $1.5 e $9 do gemini-3.5-flash, tornando-o 2x mais barato na entrada, 2.4x na saída, e cerca de 6.7x mais barato na entrada de áudio a $0.75 versus $5 por milhão. Ele também traz a flag de capacidade de raciocínio. Escolha o gemini-3.5-flash apenas se você já estiver preso a ele; caso contrário, o gemini-3.7-flash cobre o mesmo escopo por menos.
Preços
| Gemini 3.5 Flash | Gemini 3.7 Flash | Δ | |
|---|---|---|---|
| Entrada / 1M tokens | $1.5 | $0.75 | 2× |
| Saída / 1M tokens | $9 | $3.75 | 2.4× |
| Leitura de cache / 1M tokens | $0.15 | $0.075 | 2× |
Tarifas do catálogo em tempo real no momento do build; a página de cada modelo contém o cartão atual.
Onde eles se posicionam — preço de entrada por 1M tokens entre todos os 63 modelos de chat nesta unidade de cobrança (escala logarítmica)
Capacidades
| Gemini 3.5 Flash | Gemini 3.7 Flash | |
|---|---|---|
| Uso de ferramentas | sim | sim |
| Controle de raciocínio | sempre ativo | sim — o fornecedor não publica o controle |
| Saída estruturada | sim | sim |
| Cache de prompt | implícito + explícito | implícito + explícito |
| Tempo de vida do cache | não publicado | não publicado |
| Prefixo mínimo em cache | 4096 tokens | 4096 tokens |
Especificações
| Gemini 3.5 Flash | Gemini 3.7 Flash | |
|---|---|---|
| Modalidades de entrada | texto imagem áudio vídeo | texto imagem áudio vídeo |
| Modalidades de saída | texto | texto |
| Lançamento | 2026-05-19 | 2026-08-13 |
| Corte de conhecimento | 2025-01 | — |
| Janela de contexto | 1M | 1M |
| Saída máxima | 66K | 66K |
| Parâmetro de raciocínio | thinkingLevel | — |
| Valores aceitos |
| — |
| Padrão | medium | — |
As especificações são transcritas da documentação de cada fornecedor; uma linha que um fornecedor não publica é omitida em vez de ser inferida. Fontes completas: Gemini 3.5 Flash · Gemini 3.7 Flash
Um prompt, ambos os modelos — medidos pelo gateway
Gemini 3.5 Flash passou · 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.
saída 1152 tok (+1065 pensamento) latência 7.7 s
Gemini 3.7 Flash passou · 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.
saída 878 tok (+799 pensamento) latência 6.9 s
Cumprimento da instrução (exatamente três frases — contáveis), ajuste ao público (registro de CFO), e a lacuna de cobrança do pensamento oculto que os medidores de tokens abaixo expõem.
Gemini 3.5 Flash passou · 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`. […]
saída 2386 tok (+2110 pensamento) latência 12.7 s
Gemini 3.7 Flash passou · 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.
saída 1050 tok (+827 pensamento) latência 6.4 s
Se a correção é de fato certa (executável), a densidade da explicação, e a eficiência em tokens numa tarefa delimitada.
Gemini 3.5 Flash passou · 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" } ```
saída 1950 tok (+1885 pensamento) latência 12.7 s
Gemini 3.7 Flash passou · 5/5 fields, guidance "withheld"
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": null, "guidance": "withheld" } ```
saída 918 tok (+858 pensamento) latência 6.2 s
Obediência ao esquema (sem campos inventados), pressão de alucinação (guidance é explicitamente retida), e diferenças no caminho de saída estruturada.
Gemini 3.5 Flash falhou · 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: […]
saída 4092 tok (+3933 pensamento) latência 19.1 s
Gemini 3.7 Flash passou · 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.
saída 2858 tok (+2718 pensamento) latência 14.1 s
Obediência às restrições (orçamento de palavras, lista de palavras proibidas, a única pergunta), impressão digital de estilo, e controle de comprimento.
Alterne entre eles com uma linha
Ambos os IDs estão em todas as abas abaixo — o par de linhas destacado é a única edição. Mesmo endpoint, mesma chave, mesmo formato de requisição.
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", # descomente esta linha, comente a linha acima
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", // descomente esta linha, comente a linha acima
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", # descomente esta linha, comente a linha acima
"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", // descomente esta linha, comente a linha acima
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") // descomente esta linha, comente a linha acima
.addUserMessage("Summarize this diff")
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));FAQ
Qual é mais barato, Gemini 3.5 Flash ou Gemini 3.7 Flash?
Gemini 3.7 Flash é mais barato em entrada / 1m tokens ($0.75 vs $1.5, com 2.0× de diferença). Outras linhas podem apontar para o outro lado — a tabela acima traz o quadro completo, e o custo real depende do seu mix.
Posso fazer um teste A/B de Gemini 3.5 Flash contra Gemini 3.7 Flash sem duas integrações?
Sim. Ambos são servidos pelo mesmo endpoint compatível com OpenAI com uma única chave de API — a troca é uma alteração de uma linha na string do modelo, de modo que você pode rotear uma fração do tráfego para cada um e comparar as faturas diretamente.
Gemini 3.5 Flash e Gemini 3.7 Flash suportam prompt caching?
Sim — ambos cobram leituras em cache abaixo da sua taxa de entrada, então cargas de trabalho com warm-prefix custam menos do que as taxas listadas sugerem. As linhas exatas de leitura em cache estão na tabela de preços acima.