Gemini 3.7 Flash 评测：速度、价格与编程能力，胜在规模化推理

速度是 Gemini 3.7 Flash 最突出的差异化优势

Artificial Analysis 的独立评估显示，Gemini 3.7 Flash 在 Intelligence Index 上得分 56，高于 Claude Sonnet 5 的 55 分，略低于 GPT-5.6 Terra 的 57 分。

速度则是它最清晰的竞争优势。Artificial Analysis 测得其输出速度约为每秒 340 tokens，平均任务耗时指标为 1.7，并称在最高推理强度下，Flash 比 GPT-5.6 Terra 快约 40%。

这些数字反映的是评测或服务商环境下的测量结果，并不代表所有用户都会获得完全相同的体验。网络状况、服务商路由、提示词长度、工具响应时间和推理设置，都会影响端到端延迟。

编程与智能体表现：强劲，但并非全面第一

Google 表示，Gemini 3.7 Flash 相较 Gemini 3.6 Flash，在软件工程、调试、问题修复、网页开发和智能体工作流方面都有明显提升。 现有资料中的关键编程结果包括：

• FrontierCode 1.1 Main：43.6%，高于 Gemini 3.6 Flash 的 34.4%。
• Code Arena 网页开发：1588 Elo。
• Terminal-Bench 2.1：85.8%，高于 Claude Sonnet 5 的 80.4%，但低于 GPT-5.6 Terra 的 87.4%。

这些成绩说明 Flash 是一款有竞争力的编程和终端智能体模型，但不能据此称其为所有场景的赢家。至少在所引用的 Terminal-Bench 结果中，GPT-5.6 Terra 仍然领先；Flash 的主要优势在于速度和发布初期的低成本。

ARC-AGI：分数亮眼，单任务成本也低

在高推理强度下，ARC Prize 公布的结果显示，Gemini 3.7 Flash 获得：

• ARC-AGI-1 Semi-Private：95.5%，每个任务成本 0.12 美元；
• ARC-AGI-2 Semi-Private：84.6%，每个任务成本 0.25 美元。

考虑到报告中的单任务成本，这些表现相当突出。不过，ARC-AGI 成绩更适合作为模型能力信号，而不是生产级软件智能体可靠性的直接预测。真实智能体可能需要多次调用模型、运行外部工具、重试失败操作，并处理远大于基准任务的上下文。

与主要竞争模型的价格和定位对比

这张表不是统一条件下的全球排行榜。不同模型的基准测试可能采用了不同设置，现有来源也没有建立覆盖所有模型的单一受控测试；价格还可能对应不同的托管、折扣或可用性条件。

Google 的策略：不追求每项最高分，而是争夺吞吐量

从现有对比来看，Google 的定位选择相当明确。Gemini 3.7 Flash 在所引 Intelligence Index 上已经接近前沿，但并非最高分：GPT-5.6 Terra 以 57 分略高于 Flash，且在所引用的 Terminal-Bench 对比中也领先。

Google 更强调的是能力、延迟和成本之间的平衡。对于编程助手、自动修复 issue、网页开发智能体，以及需要持续调用工具的流程，一款足够聪明、响应足够快、成本又能支持高频调用的模型，可能比一款只在狭窄基准上领先、但更慢更贵的模型更实用。

这也是 2026 年 8 月模型发布潮中的关键竞争点：Qwen3.8-Max 加强了软件工程和智能体竞争，GLM-5.3 与 Nemotron 3.5 Lightning 推动低价和效率路线，Claude Opus 5 与 GPT-5.6 则瞄准更高端的能力市场。

结论：更像高吞吐“工兵”，而不是绝对最强模型

Gemini 3.7 Flash 最适合被理解为一款高吞吐主力模型，而不是毫无争议的“最聪明模型”。它的核心竞争力在于：Intelligence Index 56 分、约每秒 340 tokens 的生成速度、可靠的编程与终端智能体成绩，以及极具吸引力的限时价格。

对开发者而言，最值得警惕的并非技术能力，而是价格有效期：每百万输入/输出 tokens 0.75/3.75 美元的促销价将在 2026 年 12 月 31 日结束，次日开始执行 1.50/7.50 美元的标准价格。

Google 所说的增长纪录未来或许能够得到数据证实，但就目前证据而言，Gemini 3.7 Flash 已经证明的是一种产品策略：让快速、低价的推理成为开发者规模化使用智能体的默认选项，而不是已经验证的模型采用率冠军。