最大の変更点：再トレーニングなし、推論アルゴリズムの変更のみ

3週間での世代交代は、異例の速さです。その理由は、今回の世代は再トレーニングを行っていないからです。3.7 Flash は 3.6 Flash をベースに構築されており、アーキテクチャ、トレーニングデータ、ハードウェア、ソフトウェアの4項目はすべて踏襲されています。3.7 独自の変更点は、中核となる推論アルゴリズムの改善という1点のみです。

次世代モデルは別の話です。3週間前の 3.6 Flash 発表時、Google は Gemini 4 に向けた、これまでで最も野心的な事前学習がすでに始まっていると言及しました。3.7 Flash は、その事前学習が完了する前に、同じベースで行われたアルゴリズムの反復改善です。

改善点：コーディング、ウェブ、ドキュメント、プロセス

コーディング：一発で正しいコードを書ける割合が大幅に向上

デバッグやトラブルシューティングなどが改善され、初回から使えるコードを書ける割合も向上しました。本番品質のコード率は 34.4% から 43.6% に向上。同じ項目で Claude Sonnet 5 は 42.7%、GPT-5.6 Terra は 41.3% で、トップです。何度もやり取りが必要な長期ソフトウェアエンジニアリングは 48.6% から 65.3% に向上。ターミナルでの作業も 78.0% から 85.8% に向上しました。

ウェブ開発：より少ないプロンプトで実用的なページを生成

一回で生成されるレイアウトがより完全で、機能も充実し、修正の回数が減りました。UI 作成時にスクリーンショットや画像、またはデザインシステム一式を参照として与えると、より忠実に再現します。ウェブ開発のレーティングは 1538 から 1588 に上昇し、4モデル中最高です（Claude Sonnet 5 は 1541、GPT-5.6 Terra は 1523）。

複雑なドキュメント：金融、法律、生物学などの専門分野の読解精度が向上

これらの分野は、文書が長く情報密度が高く、専門用語が何層にも重なっているのが特徴です。専門 PDF の理解は 22.0% から 34.0% に向上、50%以上の伸びです。長いコンテキストでの正確な情報検索は 97.0% で、これも4モデル中最高です。

業務プロセス自動化：ほぼ2倍に

実際の企業プロセスをモデルに渡し、自律的に完了させる能力を測定します。スコアは 17.0% から 30.4% に向上。同じ項目で Claude Sonnet 5 は 10.7%、GPT-5.6 Terra は 23.6% です。この分野では他モデルとの差を最も大きく広げました。

使いやすさの向上

ベンチマーク以外にも、Google は使い勝手の改善をいくつか挙げています。行き詰まった際の回避が上手くなり、意図が曖昧な場合は先に確認してから動くようになり、指示の実行がより忠実になりました。多段階のプランニングとツール呼び出しにより力を入れるため、人間の監視ややり直しの回数が減りました。

公式デモ動画：4本

これらのデモには共通点があります。それは、ユーザーが質問してモデルが答えるという形式が一度もないことです。全て、モデルが下で多数のサブタスクを指揮し、一連の作業を最初から最後まで自律的に完了するものです。

完全ベンチマーク表：20項目中9項目で1位

公式比較表は全20項目で、相手は自社の前世代 3.6 Flash、Claude Sonnet 5、GPT-5.6 Terra、Meta の Muse Spark 1.2 です。3.7 Flash はこのうち9項目で最高スコアを獲得しました：本番品質コード率、ウェブ開発、業務プロセス自動化、複雑な法務プロセス、専門PDF理解、長尺動画理解、長文脈情報検索、学際的専門家推論、生物学研究の実タスクです。

この表は比較相手を切り替えられます。デフォルトは前世代の 3.6 Flash ですが、上部のボタンで他社に切り替えると、同じ20行が新しい相手との勝敗で再表示されます。

公式の原本です。上の2行は価格で、2つの Gemini の後にアスタリスクがあります。その意味は後述の「価格が半額、ただし年末まで」のセクションで説明します。画像は Google 公式モデルカードより。

弱点：ナレッジワークは最下位、汎用エージェントは全モデル不合格

勝てない分野もあります。ナレッジワークでは、3.7 Flash のレーティングは 1525 で、Muse Spark 1.2 は 1628、Claude Sonnet 5 は 1598、GPT-5.6 Terra は 1578 と、4モデル中で最下位です。僅差ではありません。この指標は、実際のホワイトカラー業務を人間の代わりにこなす能力を測るもので、主力のコーディングや業務プロセス自動化とは異なる能力です。

また、前世代から後退した項目もあります。複雑なチャート理解はこの表では2つの設定に分かれています：ツールなしで 84.5%（前世代は 85.2%）、ツールありで 88.7%（前世代は 89.4%）。両方とも0.7ポイント低下しており、20項目の中で 3.7 Flash が 3.6 Flash より低い唯一の項目です。

最も問題を如実に示すのは、汎用エージェント能力の行です。3.7 Flash は 14.9% で、前世代の 5.4% から約3倍に増えており、大きな前進のように聞こえます。しかし、この表の全モデルのスコアを0から100の尺度で見ると、次のようになります。

安全性評価：サイバー攻撃が警戒ラインに到達

Google のフロンティア安全フレームワークでは、各リスク領域に2つのラインを設定しています。下が警戒ライン、上が能力レッドラインで、レッドラインを超えると追加のデプロイ制限が課されます。3.7 Flash の評価結果は、サイバー攻撃は警戒ラインに達したが、レッドラインは超えていないというものです。生化核の項目も同様に警戒ラインに到達しました。専門家レッドチームが完全な攻撃チェーンにおいて正確で実行可能な情報を引き出せたものの、平均スコアが低く、専門家の明示的なガイダンスが必要だったため、レッドライン越えとは判定されませんでした。両項目とも、引き続き緩和策が適用されます。

また、能力とは無関係な評価結果もあります。3.7 Flash の状況認識は Gemini 3.1 Pro より強く、自分がテストされていると正しく認識できます。ただし、テスト環境の制限を回避することはできません。

ほかにも弱点があります。幻覚が起こることがあり、遅延やタイムアウトが発生することもあります。ナレッジカットオフ日は 2026年3月 とされていますが、但し書きがあり、一部の分野ではより新しい情報を提供できる一方、別の分野では 2025年1月 までの知識しかありません。検索や事実確認の用途に大きな影響を与えるため、「3月」という表示だけを見て判断しないよう注意が必要です。

価格は半額、ただし年末まで

3.6 Flash は3週間前に登場し、価格は100万トークンあたり入力 1.50 ドル、出力 7.50 ドルでした。3.7 Flash は現在 0.75 ドルと 3.75 ドルで、ちょうどその半額です。

3.6 Flash も現在は 0.75 ドルと 3.75 ドルで、2世代とも同じ価格です。まだ 3.6 を使っている場合も、乗り換えてもコストは変わりません。

ただし、この価格は 2026年12月31日 までです。2027年1月1日 からは、2世代の Flash とも 1.50 / 7.50 ドルに戻り、2倍になります。現在 0.75 ドルで行っているコスト見積もりは、4ヶ月半後には2倍にして再計算する必要があります。

なぜこの価格なのかは、同じ表の価格行を見ればわかります：Claude Sonnet 5 は 2.00 / 10.00、GPT-5.6 Terra は 2.00 / 12.00、Muse Spark 1.2 は 1.25 / 4.25 です。0.75 / 3.75 はこれら全てを下回り、しかも総合インテリジェンス指数は最高点よりわずか1点低いだけです。

本当のコストはタスク単位で考える

ただし、100万トークンあたりの価格は、開発者が最終的に支払う金額そのものではありません。

エージェントが1つのタスクを完了するまでには、多くのやり取りが発生します：ファイルを読む、考える、ツールを呼ぶ、結果を見る、また考える、再度呼ぶ。この一連の流れで消費するトークン数はモデル自身が決定します。話す量が多いモデルは、単価が安くても請求額が高くなる可能性があります。また、思考設定を1段階上げると正確性は上がりますが、消費トークンも増えます。したがって、見るべきはタスクを1つ完了するのにかかる平均コストであり、100万トークンあたりの表示価格ではありません。これはタクシーに例えると、1キロあたりの料金ではなく、自宅から会社までの1回の運賃がいくらかを確認するのと同じです。遠回りするドライバーは、単価が安くても結局高くつきます。

今回、公式が示したグラフの横軸もこれで、タスクあたりの平均コストです。左が高く、右が安く、右上には「most efficient」（最も効率的）と書かれています。グラフ上の各モデルは1本の線で、線上の点は異なる思考設定です。3世代の Flash が薄い青い帯で結ばれ、右上に向かって伸びています：スコアは上がり続け、同時にタスクあたりのコストは下がり続けています。

この帯に沿って読み解くと、おおよそ次のようになります：3.5 Flash は1タスク7ドル前後で、成功率は37%程度。3.6 Flash は3ドル強で、成功率は約50%。3.7 Flash は2ドル強で、成功率65%です。一方、グラフ上で最もスコアが高い claude-opus-5 は74%に達しますが、コストは1タスク10ドル強。設定を最も経済的にしても、70%を維持するには5ドル程度かかります。

公式の元グラフ。横軸は左から右へ 10ドル から 0ドル で、右に行くほど安価。各線は1つのモデルの異なる思考設定を示します。右上でハイライトされているのが 3.7 Flash です。画像は Google 発表ページより。データソース：Datacurve AI。

使い方：今日から利用可能、3つの入り口

3.7 Flash は発表当日からフルで利用可能です。3種類のユーザーは、それぞれ異なる入り口からアクセスできます。

Spark は Google が I/O で発表したパーソナルエージェントで、24時間365日あなたの代わりに働きます。あなたが方向性を与え、エージェントが自ら作業を進めます。本日から 3.7 Flash 搭載となり、2つの点が改善されました：Google Workspace のツール群の使用精度の向上、そして複数のスキルを横断する複雑なワークフローの出力品質の向上です。例えば、散在するファイルの統合、メールの下書き、ステータスドキュメントの更新などです。

発表ページには12社の顧客 testimonial も掲載されています。その内容よりも、顔ぶれ自体が情報量が多いです：Box、Databricks、Harvey、Hebbia、LangChain、Browser Use、Cartwheel、Emergent、Nunu.ai、Open Code、Pydantic、そしてスタンフォード大学生物学部。エンタープライズ文書、法律、データプラットフォーム、エージェントフレームワーク、ブラウザ自動化——いずれも長時間・高頻度でモデルを呼び出す必要があるタスクです。

Box の実企業ナレッジワーク評価において、Gemini 3.7 Flash は前世代より正確で、かつ格段に高速でした。最も改善が見られたのは、最も難しい分析タスクです。 Yashodha Bhavnani，Box AI 製品担当バイスプレジデント

3週間で新世代を出せたのは、モデルの再トレーニングを行わなかったためです。アーキテクチャ、トレーニングデータ、ハードウェア、ソフトウェアの4項目は 3.6 Flash から踏襲し、変更は1点のみ：中核となる推論アルゴリズムの変更です。

コーディング、ウェブ開発、複雑な文書、業務プロセス自動化の4分野で最も改善しました。一方で、競合に負ける分野や、前世代から退行した分野もあります。

3.7 Flash の価格は 3.6 Flash 発表時の半額になり、3.6 も現在は同額に値下げされています。ただしこれは期間限定価格で、2026年12月31日まで。来年1月1日 からは2世代とも元の価格に戻ります。

100万トークンあたりの表示価格は、開発者が最終的に支払う金額ではありません。エージェントが1つのタスクを完了するまでには多くのやり取りが発生するため、見るべきはタスク全体の平均コストです。