Gemini 3.7 Flash

Lançado em 2026-08-13

chatVisãoCódigoChamada de ferramentasRaciocínioCache de prompts

Gemini 3.7 Flash é o modelo Flash mais capaz do Google, disponível desde 13 de agosto de 2026 e voltado a fluxos agênticos e raciocínio multimodal.

Entrada
texto imagem áudio vídeo $0.75/M
Saída
texto $3.75/M
Leitura de cache
$0.075/M
Entrada de áudio
$0.75/M
Leitura do cache de áudio
$0.075/M
Contexto
1M
vs GPT-4o
~85% mais barato
Corte de conhecimento
2026-03

Benchmarks

Acima da médiaNenhum melhor17 / 243 / 24
Gemini 3.7 Flash outros modelos medidos média dos modelos comparados ★ nenhum outro modelo teve pontuação maior
DeepSWE 1.1
65.3%
BioMysteryBench hard
43.5%
OSWorld 2.0
47.9%
Finance Agent v2
59%
Harvey Lab-AA
90.7%
HLE-Verified
53.6%
AutomationBench (v1.0.6)
52.3%
LVBench
nenhum outro modelo teve pontuação maior 85.4%

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

O preço em contexto

Posição do preço entre 79 modelos comparáveis

Entrada$0.75/M
$0.1 · Claude Haiku 5.5 GPT-5.4 Pro · $30
Saída$3.75/M
$0.275 · DeepSeek V4 Flash GPT-5.4 Pro · $180
Leitura de cache$0.075/M
$0.006 · DeepSeek V4.1 Flash Claude Fable 5 · $1

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 2026-03

Cache de prompts

Modo automático + explícito
Prefixo mín. 4.096

Raciocínio

Parâmetro reasoning_effort
Valores minimal · low · medium · high o conjunto aceito é o do provedor

Modelo

Modalidades texto + imagem + áudio + vídeo → texto
  • Google's most capable Flash model for agentic workflows and multimodal reasoning
  • output price includes thinking tokens, and audio and video input bill at the text rate

conforme fonte das especificações do modelo ↗

Um prompt, medido 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

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

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

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

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 3.7 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-3.7-flash",
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Sobre o Gemini 3.7 Flash

  • Ele aceita texto, imagens, áudio e vídeo e devolve texto, de modo que uma única chamada pode raciocinar ao mesmo tempo sobre uma captura de tela, uma gravação e um prompt, sem encadear vários modelos.
  • Dois detalhes de preço tornam o orçamento especialmente simples.
  • Primeiro, **não há degrau por comprimento de contexto**: um prompt de 900.000 tokens custa o mesmo por token que um de 900, então o trabalho de contexto longo não fica mais caro no meio do caminho.
  • Segundo, **também não há sobretaxa de modalidade**: a entrada de áudio e vídeo é cobrada à tarifa do texto, o oposto da maioria das tabelas multimodais, o que elimina o motivo usual para reduzir a qualidade da mídia antes de enviar.
  • O preço de saída **inclui os tokens de pensamento**, portanto uma resposta com muito raciocínio é cobrada sobre o traço completo e não apenas sobre o texto visível; considere isso ao definir a saída máxima.
  • O cache de contexto custa cerca de um décimo da tarifa de entrada, mais uma cobrança de armazenamento por hora, então fixar um prefixo estável compensa em laços de agente.
  • O grounding com a Busca do Google inclui uma cota mensal compartilhada pela família Gemini 3.
  • A Synthorai o oferece pelo endpoint de chat completions compatível com OpenAI.

Perguntas frequentes

A API do Gemini 3.7 Flash é gratuita para testar?

Sim. Contas novas recebem 10 chamadas de teste e até $1 em créditos gratuitos, sem precisar de cartão. A $0.75/M de tokens de entrada, só esse crédito já cobre cerca de 166 requisições de ~8K tokens ao Gemini 3.7 Flash.

Em que o Gemini 3.7 Flash é melhor?

Nível Flash mais capaz para trabalho agêntico; entrada de texto, imagem, áudio e vídeo; sem degrau de contexto nem sobretaxa de modalidade. Veja na seção Sobre o quadro completo, tirado das notas de lançamento do próprio provedor.

Quanto custa o Gemini 3.7 Flash?

Na Synthorai, o Gemini 3.7 Flash custa $0.75 por milhão de tokens de entrada e $3.75 por milhão de tokens de saída. É o preço de tabela do provedor, sem markup da plataforma. Entrada de áudio: $0.75/M tokens · Leitura do cache de áudio: $0.075/M tokens Tokens de entrada em cache são cobrados a $0.075/M.

Qual é a janela de contexto do Gemini 3.7 Flash?

O Gemini 3.7 Flash tem uma janela de contexto de 1M tokens na Synthorai. Uma única resposta pode ter até 65,536 tokens.

O Gemini 3.7 Flash suporta cache de prompts?

Sim: o cache automático vem ativado por padrão, e um modo explícito permite escolher o que vai para o cache. Tokens de entrada em cache são cobrados a $0.075/M, contra $0.75/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 3.7 Flash?

Aponte o SDK da OpenAI que você já usa para base_url="https://synthorai.io/v1", defina model="gemini-3.7-flash" e pronto. Uma única chave de API cobre todos os modelos do gateway.

Qual é o corte de conhecimento do Gemini 3.7 Flash?

O corte de conhecimento do Gemini 3.7 Flash é 2026-03, segundo a documentação oficial do provedor (verificado em 2026-08-15).

Modelos relacionados

Comparar

As especificações e os benchmarks dos fornecedores incluem links para as fontes. O suporte do gateway descreve a implementação da Synthorai. Os exemplos arquivados são solicitações individuais e não garantem o desempenho geral do modelo. Os preços vêm da API pública ou do snapshot usado na compilação.

Obtenha sua chave de API Compare seu custo →