Gemini 3.7 Flash vs GPT-5.6 Sol

vs

Qual usar e quando

O gemini-3.7-flash é cerca de 5.3 vezes mais barato que o gpt-5.6-sol em entrada, saída e entrada em cache ($0.75, $3.75 e $0.075 contra $4, $20 e $0.4), e além de texto e imagem também aceita vídeo e áudio. O contexto é quase idêntico: 1048576 contra 1050000 tokens. Escolha o gpt-5.6-sol se uma única resposta precisar de até 128000 tokens de saída (contra 65536) ou se quiser poder desativar o thinking.

Benchmarks

À frenteAcima da médiaNenhum melhorGemini 3.7 Flash717 / 243 / 24GPT-5.6 Sol1295 / 12128 / 121

20 medidos em ambos, 1 empatados.

Gemini 3.7 Flash GPT-5.6 Sol outros modelos medidos média dos modelos comparados ★ nenhum outro modelo teve pontuação maior
DeepSWE 1.1
65.3%
72.7%
BioMysteryBench hard
43.5%
44.7%
OSWorld 2.0
47.9%
62.6%
Cybergym
N/A
84.5%
HealthBench Professional
N/A
60.5%
Finance Agent v2
59%
53.8%
Harvey Lab-AA
90.7%
87.2%
HLE-Verified
53.6%
54.5%
AutomationBench (v1.0.6)
52.3%
45.8%
LVBench
nenhum outro modelo teve pontuação maior 85.4%
82.1%

Publicado pelos provedores: Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Alibaba (Qwen) Anthropic Anthropic Anthropic Anthropic Anthropic ByteDance DeepSeek DeepSeek DeepSeek Google Google Google Google MiniMax Moonshot Moonshot OpenAI OpenAI OpenAI OpenAI OpenAI OpenAI OpenAI Tencent Z.ai Z.ai Z.ai Z.ai

Preços

Gemini 3.7 Flash GPT-5.6 Sol Δ
Entrada / 1M tokens $0.75 $4 0.19×
Saída / 1M tokens $3.75 $20 0.19×
Leitura de cache / 1M tokens $0.075 $0.4 0.19×
Escrita de cache - 1.25x (30m) / 2.5x (12h) -

Tarifas do catálogo em tempo real, lidas no momento do build; a página de cada modelo traz a tabela de preços atual. A tabela principal mostra as tarifas base. O comprimento da entrada pode alterar a tarifa de toda a solicitação. Consulte as faixas nas páginas dos modelos.

GPT-5.6 Sol · Preços por comprimento de entrada

Toda a solicitação usa a tarifa da faixa de comprimento de entrada. Preços em USD por milhão de tokens.

Tokens de entradaEntradaSaída
0 - 272.000 $4 $20
272.001 - 1.050.000 $8 $30

Onde cada um fica: preço de entrada por 1M tokens entre os 91 modelos de chat com esta unidade de cobrança (escala logarítmica)

Gemini 3.7 Flash · $0.75 GPT-5.6 Sol · $4
$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Capacidades

Gemini 3.7 Flash GPT-5.6 Sol
Uso de ferramentas sim sim
Controle de raciocínio

sim

o provedor não publica o controle

configurável
Saída estruturada sim sim
Cache de prompts implícito + explícito implícito + explícito
Tempo de vida do cache não publicado at least 30m by default, 12h option on the Responses API
Prefixo mínimo em cache 4,096 tokens 1,024 tokens

Especificações

Gemini 3.7 Flash GPT-5.6 Sol
Modalidades de entrada texto imagem áudio vídeo texto imagem
Modalidades de saída texto texto
Lançamento 2026-08-13 2026-07-09
Corte de conhecimento 2026-03 2026-02
Janela de contexto 1.048.576 1.050.000
Saída máxima 65.536 128.000
Parâmetro de raciocínio - reasoning.effort
Valores aceitos -
reasoning.effort
  • none
  • low
  • medium
  • high
  • xhigh
  • max
Padrão - medium

As especificações são transcritas da documentação de cada provedor; quando um provedor não publica um dado, a linha é omitida, e não inferida. Fontes completas: Gemini 3.7 Flash · GPT-5.6 Sol

Um prompt, os dois modelos, medidos pelo gateway

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. VERIFICAÇÃO exatamente 3 frases

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 raciocínio) latência 6.9 s

GPT-5.6 Sol passou · 3 sentences

Enabling reasoning makes the model generate additional internal tokens before producing an answer, so each request consumes more billable compute. Reasoning may also increase response length, latency, tool calls, and retries, further raising per-request cost. In short, usage volume may be unchanged, but the cost per task increased enough to double the bill.

saída 111 tok (+34 raciocínio) latência 2.3 s

Se a instrução é seguida (exatamente três frases, dá para contar), a adequação ao público (tom para um CFO) e a diferença de cobrança causada pelo raciocínio oculto, que os medidores de tokens abaixo deixam à mostra.

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. VERIFICAÇÃO a correção passa nos testes

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 raciocínio) latência 6.4 s

GPT-5.6 Sol passou · 8/8 cases

```python def longest_run(xs): if not xs: return 0 best = 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 original function counted equal *adjacencies* rather than items, so a run of length one produced `0` and every longer run was undercounted by one. Initializing `cur` and `best` to `1` for nonempty input makes them represent item counts, resetting `cur` to `1` starts a new run at the current item, and updating `best` on every iteration ensures a run reaching the final index is included.

saída 316 tok (+135 raciocínio) latência 5.2 s

Se a correção está mesmo certa (dá para executar), a densidade da explicação e a eficiência em tokens em uma tarefa bem delimitada.

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. VERIFICAÇÃO JSON válido, schema exato

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 raciocínio) latência 6.2 s

GPT-5.6 Sol passou · 5/5 fields, guidance "withheld pending the Q4 close"

{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":"11+","guidance":"withheld pending the Q4 close"}

saída 194 tok (+147 raciocínio) latência 3.2 s

Aderência ao schema (sem campos inventados), pressão para alucinar (o texto diz explicitamente que o guidance não foi divulgado) e diferenças no caminho de saída estruturada.

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. VERIFICAÇÃO 120 palavras, 0 palavras proibidas

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 raciocínio) latência 14.1 s

GPT-5.6 Sol passou · 120 words, 0 banned, 1 question

Today, we’re introducing Provider Prompt Cache, a new API gateway feature that reuses prompt prefixes across supported AI providers, reducing latency, token costs, and duplicated processing. Teams can define cache policies once, route requests dynamically, and preserve provider flexibility without rewriting application logic. Switching models during testing or failover? The gateway identifies eligible prompt segments, applies provider-specific caching controls, and reports hits, misses, savings, and expiration details through unified logs and metrics. Configurable TTLs, tenant isolation, encryption, and cache-bypass options help teams balance performance, privacy, and freshness for every workload. Provider Prompt Cache is available today in beta through the dashboard and API, with SDK examples and migration guidance included. […]

saída 733 tok (+564 raciocínio) latência 7.7 s

Respeito às restrições (limite de palavras, lista de palavras proibidas, uma única pergunta), a marca de estilo de cada modelo e o controle do tamanho.

Troque de um para o outro mudando uma linha

Os dois ids estão em todas as abas abaixo; o par de linhas destacado é a única alteração. O endpoint, a chave e o formato da requisição são os mesmos.

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="gpt-5.6-sol",  # descomente esta linha, comente a linha acima
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtenha sua chave de API →

Perguntas frequentes

Qual é mais barato, Gemini 3.7 Flash ou GPT-5.6 Sol?

A tabela principal mostra as tarifas base. O comprimento da entrada pode alterar a tarifa de toda a solicitação. Consulte as faixas nas páginas dos modelos.

Posso fazer um teste A/B de Gemini 3.7 Flash contra GPT-5.6 Sol sem duas integrações?

Sim. Os dois são servidos pelo mesmo endpoint compatível com OpenAI, com uma única chave de API. Para trocar, basta mudar uma linha, a string do modelo; assim você pode direcionar uma parte do tráfego para cada um e comparar as contas diretamente.

Gemini 3.7 Flash e GPT-5.6 Sol suportam cache de prompts?

Sim. Os dois cobram as leituras de cache abaixo da tarifa de entrada, então cargas de trabalho com prefixo já em cache custam menos do que os preços de tabela sugerem. Os valores exatos de leitura de cache estão na tabela de preços acima.

Comparações relacionadas

Dos nossos estudos com medições