最大的改动：没重新训练，只换了推理算法

三周迭代一代，快得反常。原因是这一代根本没有重新训练：3.7 Flash 直接建在 3.6 Flash 上，架构、训练数据、硬件、软件四项原样沿用，属于 3.7 自己的改动只有一处，核心推理上的算法改进。

新一代模型是另一条线上的事。三周前发 3.6 Flash 时，Google 顺带提了一句，为了 Gemini 4，迄今最有野心的一次预训练已经开跑。3.7 Flash 是那次预训练跑完之前，在同一个底座上做出来的算法迭代。

升级了什么：编程、网页、文档、流程

编程：一次写对的比例明显变高

调试和排查问题这类活干得更好了，一次就写出能用的代码的比例也更高。生产级代码质量从 34.4% 提到 43.6%，同一项 Claude Sonnet 5 是 42.7%、GPT-5.6 Terra 是 41.3%，它排第一。要跑很多轮才能收尾的长周期软件工程，从 48.6% 提到 65.3%。在终端里干活也从 78.0% 提到 85.8%。

网页开发：更少的提示词就能出可用页面

一次生成的布局更完整，功能也更齐，来回改的次数变少。做界面时给它一张截图、一张图片或者一整套设计系统当参照，它照着做出来的东西跟原样的贴合度更高。网页开发的排位分从 1538 涨到 1588，同项四个模型里它最高（Claude Sonnet 5 是 1541，GPT-5.6 Terra 是 1523）。

复杂文档：金融、法律、生物这类专业领域读得更准

这几个领域的共同点是文档又长又密，术语一层套一层。专业 PDF 理解从 22.0% 提到 34.0%，涨了一半还多；长上下文里精确找信息做到 97.0%，同项四个模型里也是它最高。

业务流程自动化：翻了将近一倍

这一项测的是把真实的公司流程交给模型，让它自己一步步办完。成绩从 17.0% 提到 30.4%，同一项 Claude Sonnet 5 只有 10.7%，GPT-5.6 Terra 是 23.6%。这是四块里拉开对手最多的一块。

用起来更省心

除了跑分，Google 还提了几处使着舒服的变化：遇到卡住的地方更会绕过去，意图不清楚时会先问一句再动手，给的指令执行得更贴。多步骤的规划和工具调用上它肯下更多力气，于是要人盯着、要推倒重来的次数变少了。

官方放出的四段演示片

这四段有个共同点：里面没有一次是你问一句、它答一句。每一段都是一个模型在下面指挥一堆子任务，自己把整件事从头做到尾。

完整跑分表：20 项里拿下 9 项第一

官方给的对照表一共 20 项，对手是自家上一代 3.6 Flash、Claude Sonnet 5、GPT-5.6 Terra，还有 Meta 的 Muse Spark 1.2。3.7 Flash 在其中 9 项拿到全场最高分：生产级代码质量、网页开发、企业流程自动化、复杂法律流程、专业 PDF 理解、长视频理解、长上下文找信息、多学科专家推理、生物研究真实任务。

这张表可以换对手看。默认对的是上一代 3.6 Flash，点上面的按钮换成别家，同样 20 行会按新对手重新标一遍胜负。

官方原表。上面两行是价格，两个 Gemini 后面都带星号，星号的意思在下面「价格砍到一半」那一节讲。图片来自 Google 官方模型卡。

短板：知识工作垫底，通用 Agent 全场不及格

它也有打不过的。知识工作那一项，3.7 Flash 的排位分是 1525，Muse Spark 1.2 是 1628、Claude Sonnet 5 是 1598、GPT-5.6 Terra 是 1578，四个模型里它垫底，而且不是差一点。这项测的是替人干真实白领活的水平，跟它主打的编程和流程自动化不是一回事。

还有一项比上一代退了。复杂图表理解在这张表里分成两档：不给工具时 84.5%，上一代是 85.2%；给工具时 88.7%，上一代是 89.4%。两档都掉了 0.7 个点，这是 20 项里唯一一项 3.7 Flash 比 3.6 Flash 低的。

最能说明问题的是通用 Agent 能力那一行。3.7 Flash 拿了 14.9%，比上一代的 5.4% 涨了将近三倍，听起来像个大跨步；但把这张表里所有模型的成绩放在一条 0 到 100 的刻度上，画面是这样的：

安全评估：网络攻击触到警戒线

Google 的前沿安全框架给每个风险领域画了两条线，下面一条是警戒线，上面一条是能力红线，过了红线就要触发额外的部署限制。3.7 Flash 的结论是：网络攻击这一项达到了警戒线，但没到红线。生化核那项也一样触到警戒线：专家红队确实能在完整的攻击链条上问出准确、可执行的信息，但因为平均分不高、而且要专家明确引导才问得出来，判定没有过线。两项都会继续挂着缓解措施。

评估里还有一条结论跟能力无关：3.7 Flash 的情境感知比 Gemini 3.1 Pro 更强，它能正确判断出自己正在被测试，只是绕不过测试环境的限制。

短板方面还有几条：会有幻觉；偶尔会慢或者超时；知识截止日期写的是 2026 年 3 月，但后面跟了一句限定，有些领域能给到更新的信息，另一些领域，它知道的东西只到 2025 年 1 月。这一条对做检索、做事实核对的场景影响不小，别只看那个 3 月。

价格砍到一半，但只到年底

3.6 Flash 三周前上市，定价是每 100 万输入字 1.50 美元、输出 7.50 美元。3.7 Flash 现在是 0.75 和 3.75，正好是那个价的一半。

3.6 Flash 现在也是 0.75 和 3.75，两代一个价。还在用 3.6 的，换过去不多花一分钱。

但这个价只到 2026 年 12 月 31 日。2027 年 1 月 1 日起，两代 Flash 一起恢复成 1.50 / 7.50，翻一倍。现在按 0.75 做的成本测算，四个半月后要乘以 2 重算一遍。

为什么降到这个数，看同一张表的价格行就明白了：Claude Sonnet 5 是 2.00 / 10.00，GPT-5.6 Terra 是 2.00 / 12.00，Muse Spark 1.2 是 1.25 / 4.25。0.75 / 3.75 把这三个全压在下面，而综合智能指数只比最高分少 1 分。

真正的账要按每个任务算

不过每 100 万字多少钱，其实还不是开发者最后付出去的那笔钱。

一个 Agent 干完一件事，中间要来回好多轮：读文件、想一下、调个工具、看结果、再想、再调。这一整趟总共烧掉多少字，是模型自己决定的，话多的模型单价再低，账单也可能更高；而思考档位调高一档，准确率会涨，烧的字也会涨。所以该看的是跑完一个任务平均花了多少钱，不是每 100 万字的挂牌价。这就像打车不看每公里多少钱，看的是从家到公司这一趟一共付了多少：绕路多的司机，单价再便宜也不便宜。

官方这次给的那张图，横轴就是这个，每个任务的平均花费，左边贵、右边便宜，右上角写着「most efficient」（最划算）。图上每个模型是一条线，线上的点是它不同的思考档位。三代 Flash 被一条浅蓝带子串了起来，一路往右上角走：分数越来越高，同时每个任务越来越便宜。

照着这条带子读下来大概是：3.5 Flash 要七美元上下跑一个任务，只做对三成七；3.6 Flash 三美元多，做对将近一半；到 3.7 Flash，两美元出头，做对六成五。而图上分数最高的 claude-opus-5 能到七成四，代价是一个任务十美元出头，就算把它的档位调到最省，也要五美元左右才守得住七成。

官方原图。横轴从左往右是 10 美元到 0 美元，越往右越便宜；每条线是一个模型的不同思考档位。被高亮在右上角的就是 3.7 Flash。图片来自 Google 发布页，数据来源 Datacurve AI。

怎么用：今天就能上，三个入口

3.7 Flash 从发布当天起全面可用，三类用户各走各的门。

Spark 是 Google 在 I/O 上发布的个人 Agent，7×24 小时替你干活，你给方向、它自己动手。从今天起它换成 3.7 Flash 驱动，改进落在两处：Google Workspace 那一套工具用得更准，以及复杂的、要跨好几种技能的流程输出质量更好，比如把散在各处的文件归并到一起、起草邮件、更新状态文档。

发布页上还挂了 12 家客户的证言，名单本身比话有信息量：Box、Databricks、Harvey、Hebbia、LangChain、Browser Use、Cartwheel、Emergent、Nunu.ai、Open Code、Pydantic，还有斯坦福大学生物系。企业文档、法律、数据平台、Agent 框架、浏览器自动化，都是要长时间反复调用模型的活。

在 Box 对真实企业知识工作的评测里，Gemini 3.7 Flash 比上一代更准，也快得多，提升最大的是那些最难的分析任务。 Yashodha Bhavnani，Box AI 产品副总裁

三周就能出新一代，是因为这次没有重新训练模型。架构、训练数据、硬件、软件四项原样沿用自 3.6 Flash，改动只有一处：换了一套核心推理算法。

编程、网页开发、复杂文档、流程自动化这四块涨得最多。同一张表里，它也有干不过对手、甚至比自己上一代还退步的地方。

3.7 Flash 的价格砍到 3.6 Flash 发布价的一半，3.6 现在也同步降到这个价，但这只是限时价，到 2026 年 12 月 31 日为止，明年 1 月 1 日两代 Flash 一起弹回原价。

每百万字的挂牌价，还不是开发者最后付的钱。一个 Agent 干一件事要来回好多轮，该看的是跑完一整个任务平均花多少钱。