O Gemini 2.5 Flash é o melhor modelo Gemini 2.5 em custo-benefício do Google, voltado para cargas de trabalho de baixa latência e alto volume que ainda exigem raciocínio, incluindo processamento em larga escala e aplicações agênticas.
- Entrada
- texto imagem vídeo áudio $0.3/M
- Saída
- texto $2.5/M
- Entrada de áudio
- $1/M
- Leitura de cache
- $0.03/M
- Contexto
- 1M
- vs GPT-4o
- ~94% mais barato
- Corte de conhecimento
- 2025-01
Benchmarks
Publicado pelos provedores: Alibaba (Qwen) Amazon Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
O preço em contexto
Posição do preço entre 68 modelos comparáveis
A barra mostra onde fica o preço deste modelo entre todos os modelos do mesmo tipo na Synthorai. Nas extremidades aparecem o mais barato e o mais caro. São as tarifas base; os descontos de batch, região e escrita de cache estão na página de preços.
Especificações e limites
Tokens
| Janela de contexto (especificação do provedor) | 1.048.576 |
|---|---|
| Saída máxima (especificação do provedor) | 65.536 |
| Corte de conhecimento | 2025-01 |
Cache de prompts
| Modo | automático + explícito |
|---|---|
| Prefixo mín. | 4.096 |
Raciocínio
| Parâmetro do provedor | thinkingBudget (generateContent) · thinking_level (Interactions API) |
|---|---|
| Valores aceitos | thinkingBudget 0 to 24576, or -1 for dynamic · Interactions API: low, medium, high |
| Valor padrão | raciocínio dynamic (thinkingBudget -1) usado quando a requisição não define nada |
| Pode ser desativado | Sim |
| Comportamento do raciocínio | thinkingBudget 0 desliga o raciocínio; os tokens de raciocínio são cobrados como tokens de saída (thoughtsTokenCount); o 2.5 retorna thought signatures apenas quando o raciocínio está ativo e a requisição declara funções. |
| Parâmetro | reasoning_effort |
| Valores | minimal · low · medium · high parâmetros expostos pelo gateway; vale o mapeamento do provedor indicado acima |
Modelo
| Modalidades | texto + imagem + vídeo + áudio → texto |
|---|
- Primeiro lançamento estável do 2.5 Flash
- 1.048.576 tokens de entrada / 65.536 de saída
- entrada de texto+imagem+vídeo+áudio
- raciocínio suportado
conforme documentação oficial da Google ↗
Um prompt, medido pelo gateway
Gemini 2.5 Flash passou · 3 sentences
Enabling LLM reasoning means the model processes more complex thoughts, often requiring multiple steps or internal iterations to generate accurate answers. This translates directly to higher token consumption per query, as the model "thinks" more deeply and generates more internal and external text for each request. While increasing cost, this deeper processing significantly enhances output quality and reliability, delivering more robust solutions for critical business functions.
saída 368 tok (+290 raciocínio) latência 3.1 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 2.5 Flash passou · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = 1 # Initialize best to 1, as a non-empty list always has at least one run of length 1 cur = 1 # Initialize current run length to 1 for the first element for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 # Extend the current run else: cur = 1 # Start a new run of length 1 with the current element xs[i] best = max(best, cur) # Always update best after processing the current element return best ``` **Explanation of the bug:** The original code had two primary flaws. First, it initialized `best` to 0 and `cur` to 0. For single-element inputs (e.g., `[1]`), the loop `range(1, len(xs))` would be empty, causing the function to incorrectly return 0 instead of 1. […]
saída 3871 tok (+3463 raciocínio) latência 19.8 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 2.5 Flash passou · 5/5 fields, guidance "withheld pending the Q4 close for Meridi"
```json { "company": null, "quarter": "September", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "withheld pending the Q4 close for Meridian Robotics" } ```
saída 380 tok (+314 raciocínio) latência 2.5 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 2.5 Flash passou · 111 words, 0 banned, 1 question
Introducing our latest API Gateway enhancement: **Cross-Provider Prompt Caching**. This new feature intelligently stores and reuses frequently used prompts across all your integrated AI services, regardless of the underlying provider. Eliminate redundant API calls and unnecessary expenses from sending identical requests repeatedly. By intelligently serving cached responses, your applications will experience significantly reduced latency and improved operational efficiency, leading to faster user interactions. This update ensures consistent, rapid delivery of AI-generated content, optimizing resource utilization across your entire AI infrastructure. Are you ready to accelerate your AI-driven workflows and reduce operational spend? Experience substantial performance gains and smarter resource management with this advanced capability, bolstering your AI strategy for greater effectiveness.
saída 1242 tok (+1108 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.
Use o Gemini 2.5 Flash em 30 segundos
Compatível com OpenAI: troque a base_url, mantenha seu SDK. POST /v1/chat/completions
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="gemini-2.5-flash",
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-2.5-flash",
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-2.5-flash",
"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-2.5-flash",
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-2.5-flash")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Sobre o Gemini 2.5 Flash
- A página de modelo do Google o chama de “melhor modelo em termos de custo-benefício, oferecendo capacidades completas”, a escolha intermediária entre o Flash-Lite, que abre mão de profundidade de raciocínio por custo, e o 2.5 Pro, que abre mão de latência por profundidade.
- É um modelo de raciocínio (thinking) com uma janela de contexto de 1.048.576 tokens e limite de saída de 65.536 tokens, aceitando entrada de texto, imagem, vídeo e áudio e retornando texto.
- As capacidades suportadas incluem function calling, saídas estruturadas, execução de código, grounding por busca e Maps, contexto de URL, cache de contexto, a Batch API e inferência Flex e Priority; Live API, geração de imagens, geração de áudio e uso de computador não são.
- O raciocínio roda dinamicamente por padrão, e o 2.5 Flash é um dos poucos modelos Gemini em que ele pode ser desligado por completo: thinkingBudget aceita de 0 a 24.576, com -1 para dinâmico e 0 desabilitando o raciocínio inteiramente.
- Vale escolher essa configuração deliberadamente, porque os tokens de raciocínio são cobrados como tokens de saída mesmo quando apenas um resumo é retornado.
- A Interactions API mais nova do Google expõe o mesmo controle como uma string thinking_level em low, medium ou high em vez de um orçamento numérico, então a superfície que você chama muda a forma de pedir.
- O corte de conhecimento é janeiro de 2025.
- Os desenvolvedores o alcançam na Synthorai pela familiar API de chat completions compatível com OpenAI.
Perguntas frequentes
A API do Gemini 2.5 Flash é gratuita para testar?
Sim. Contas novas recebem 10 chamadas de teste e até $1 em créditos gratuitos, sem precisar de cartão. A $0.3/M de tokens de entrada, só esse crédito já cobre cerca de 416 requisições de ~8K tokens ao Gemini 2.5 Flash.
Em que o Gemini 2.5 Flash é melhor?
Melhor custo-benefício para raciocínio de alto volume; modelo de raciocínio com contexto de 1.048.576 tokens; execução de código e grounding por busca integrados. Veja na seção Sobre o quadro completo, tirado das notas de lançamento do próprio provedor.
Quanto custa o Gemini 2.5 Flash?
Na Synthorai, o Gemini 2.5 Flash custa $0.3 por milhão de tokens de entrada e $2.5 por milhão de tokens de saída. É o preço de tabela do provedor, sem markup da plataforma. Tokens de entrada em cache são cobrados a $0.03/M.
Qual é a janela de contexto do Gemini 2.5 Flash?
O Gemini 2.5 Flash tem uma janela de contexto de 1M tokens na Synthorai. Uma única resposta pode ter até 65,536 tokens.
O Gemini 2.5 Flash suporta cache de prompts?
Sim: o cache automático vem ativado por padrão, com um modo explícito para economia garantida. Tokens de entrada em cache são cobrados a $0.03/M, contra $0.3/M sem cache; os prompts precisam de um prefixo estável de 4,096 tokens para entrar em cache. Guia de cache de prompts →
Como obtenho acesso ao Gemini 2.5 Flash?
Aponte o SDK da OpenAI que você já usa para base_url="https://synthorai.io/v1", defina model="gemini-2.5-flash" e pronto. Uma única chave de API cobre todos os modelos do gateway.
Qual é o corte de conhecimento do Gemini 2.5 Flash?
O corte de conhecimento do Gemini 2.5 Flash é 2025-01, segundo a documentação oficial do provedor (verificado em 2026-07-09).
Modelos relacionados
Comparar
Cada valor desta página foi transcrito da documentação do provedor, com link acima, e traz a data em que foi verificado. Os preços são comparados em todo o catálogo; já as especificações que cada provedor define de um jeito aparecem com a diferença indicada, em vez de irem para um gráfico. Nada aqui foi medido por nós, e nada recebe nota.