Gemini 3.7 Flash vs GPT-5.6
Qual usar e quando
Ambos os modelos são modelos de raciocínio com saída de texto, suporte a ferramentas, visão e código, e possuem efetivamente o mesmo contexto (1048576 para o gemini-3.7-flash, 1050000 para o gpt-5.6), portanto a real diferença está no preço e nas entradas: o gemini-3.7-flash roda a $0.75 na entrada e $3.75 na saída contra $5 e $30 para o gpt-5.6, sendo aproximadamente 6.7x mais barato na entrada e 8x na saída, e também aceita áudio e vídeo. Escolha o gpt-5.6 quando desejar seus 128000 tokens máximos de saída ou a opção de desativar o raciocínio; escolha o gemini-3.7-flash para trabalhos de alto volume com texto, imagem, áudio ou vídeo a uma tabela de preços muito mais baixa.
Benchmarks
20 medidos em ambos, 1 empatados.
Publicado pelos provedores: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
Preços
| Gemini 3.7 Flash | GPT-5.6 | Δ | |
|---|---|---|---|
| Entrada / 1M tokens | $0.75 | $5 | 0.15× |
| Saída / 1M tokens | $3.75 | $30 | 0.13× |
| Leitura de cache / 1M tokens | $0.075 | $0.5 | 0.15× |
| Escrita de cache | - | sem cobrança separada | - |
Tarifas do catálogo em tempo real, lidas no momento do build; a página de cada modelo traz a tabela de preços atual.
Onde cada um fica: preço de entrada por 1M tokens entre os 76 modelos de chat com esta unidade de cobrança (escala logarítmica)
Capacidades
| Gemini 3.7 Flash | GPT-5.6 | |
|---|---|---|
| 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 (automático) |
| Tempo de vida do cache | não publicado | 5-10m, up to 1h |
| Prefixo mínimo em cache | 4096 tokens | 1024 tokens |
Especificações
| Gemini 3.7 Flash | GPT-5.6 | |
|---|---|---|
| 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 | 1M | 1.1M |
| Saída máxima | 66K | 128K |
| Parâmetro de raciocínio | - | reasoning.effort |
| Valores aceitos | - | reasoning.effort
|
| 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
Um prompt, os dois modelos, medidos pelo gateway
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 passou · 3 sentences
Enabling reasoning makes the model generate many additional internal tokens before producing an answer, so each request consumes substantially more compute. Those reasoning tokens are billed even though they are not visible to users, and longer processing can also increase tool calls, retries, and output length. The bill doubled because our cost per request rose, not necessarily because usage volume increased; we can control it by limiting reasoning effort and routing simpler tasks to cheaper models.
saída 126 tok (+30 raciocínio) latência 3.0 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.
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 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: best = max(best, cur) cur = 1 return max(best, cur) ``` The original code counted equal *transitions* rather than items, so a run of one had length `0`, a run of three had length `2`, and tracking from zero caused the off-by-one error. The corrected version starts each run at length `1`, resets to `1` when the value changes, and performs a final `max` after the loop so a run ending at the last element is included; an empty input still returns `0`.
saída 277 tok (+93 raciocínio) latência 4.2 s
Se a correção está mesmo certa (dá para executar), a densidade da explicação e a eficiência em tokens em uma tarefa bem delimitada.
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 passou · 5/5 fields, guidance "withheld pending the Q4 close"
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": null, "guidance": "withheld pending the Q4 close" }
saída 179 tok (+118 raciocínio) latência 3.7 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.
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 passou · 120 words, 0 banned, 1 question
Today we are introducing Prompt Cache, a new API gateway feature that stores reusable prompt prefixes and serves them across supported model providers. By recognizing identical system instructions, tools, examples, and context blocks, Prompt Cache reduces repeated input processing, lowers latency, and helps control token costs without changing application code. Teams can configure retention windows, cache keys, provider routing, encryption, and regional storage policies from one dashboard or API. What happens when a preferred provider is unavailable? The gateway can route requests to another provider while reusing eligible cached content, preserving performance and consistency. Built-in metrics report hit rates, savings, latency, and provider usage, while audit logs support governance. Prompt Cache is available today in public preview for all customers.
saída 628 tok (+473 raciocínio) latência 7.3 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", # descomente esta linha, comente a linha acima
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: "gpt-5.6", // descomente esta linha, comente a linha acima
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": "gpt-5.6", # descomente esta linha, comente a linha acima
"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: "gpt-5.6", // descomente esta linha, comente a linha acima
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("gpt-5.6") // descomente esta linha, comente a linha acima
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Perguntas frequentes
Qual é mais barato, Gemini 3.7 Flash ou GPT-5.6?
Gemini 3.7 Flash sai mais barato na linha “Entrada / 1M tokens” ($0.75 contra $5, 6.7× de diferença). Outras linhas podem pender para o outro lado: a tabela acima mostra todos os preços, e o custo real depende do seu mix de uso.
Posso fazer um teste A/B de Gemini 3.7 Flash contra GPT-5.6 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 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.