Gemini 3.7 Flash 深度解讀：340 tok/s 與 Index 56 的新平衡（2026）

2026 年 8 月 13 日（台北時間 8 月 14 日凌晨），Google Gemini 團隊在官方部落格發布〈Introducing Gemini 3.7 Flash〉，把 Gemini 3.7 Flash 定位成目前最聰明的 coding 與 agent「工作馬」模型。真正讓開發者興奮的不是一個榜首，而是一個少見組合：Artificial Analysis 在 high reasoning 設定下測得 Intelligence Index 56、約 340 output tokens/s；Google 同時把核心 API 標成 Stable，而不是仍受 preview 狀態限制的版本。

這組數字看起來像速度、能力與成本終於同時站到甜蜜點，但三個口徑不能省略：56 與 340 都是 high reasoning，不是 API 預設的 medium；340 是模型開始輸出後的解碼速度，不是從送出請求到看到第一個字的完整延遲；現行低價也只到 2026 年 12 月 31 日。下面先忠實整理原文，再逐一查證第三方評測、價格與使用邊界，最後給出可落地的判讀與測試方法。

點擊下面截圖可在新分頁開啟 Google 公告，直接閱讀原文。

---

Gemini 3.7 Flash 原文到底宣布了什麼？

“…our most intelligent workhorse model yet for coding and agents.”

中文：「……目前最聰明、面向 coding 與 agents 的工作馬模型。」

— Google Gemini 團隊，〈Introducing Gemini 3.7 Flash〉

Google 的主張很直接：距離 3.6 Flash 只有三週，3.7 Flash 已在軟體工程、知識工作與網頁開發上再往前推。官方列出的代表數字包括 FrontierCode 1.1 Main 43.6% 對 34.4%、WebDev Arena Elo 1588 對 1538、GDP.pdf 34.0% 對 22.0%、AutomationBench 30.4% 對 17.0%，比較對象都是 3.6 Flash。

這些結果支持「3.7 比 3.6 強」的方向，卻不能全部視為同一套獨立 head-to-head。Google 的評測方法說明混合了公司自行重跑、公開排行榜與其他供應商自報數字；blog 把 DeepSWE 的 3.6 Flash 寫成 49.0%，model card則列 48.6%。差距不大，但提醒我們：漂亮圖表先證明發布方看見改善，跨模型勝負仍要看共同 harness、budget 與 reasoning 設定。

規格面更清楚：官方模型頁列出 1,048,576 input tokens、65,536 output tokens，可接收文字、圖片、影片、音訊與 PDF，輸出為文字。Google 也在 model card 列出 hallucination、偶發緩慢或 timeout 等限制；因此「更快、更準」是相對 3.6 的發布結論，不是每一題都可靠的保證。

---

56 分的真正意義：前沿能力，但不是 56% 正確率

Artificial Analysis 在發布前測完 low、medium、high 三種 reasoning level。結果是 high 取得 56，比 3.6 Flash 高 4 分；medium 為 53，low 為 51。High 的 56 比 GPT-5.6 Terra max 與 Muse Spark 1.2 xhigh 的 57 低 1 分，已進入前沿能力帶，但不等於「答對率 56%」。

這個 Index 由九項英文、純文字評測組成，權重約為 Agents 34%、Coding 24%、Scientific Reasoning 24%、General 18%。它比只挑一道數學或 coding 題更完整，也明顯偏向 agentic knowledge work；它沒有直接證明多語言、影像理解、語音或你的企業資料工作流同樣領先。正確用法是把 56 當作「值得進入候選名單」的綜合訊號，而不是跨場景通行證。

“Gemini 3.7 Flash produces ~340 output tokens per second, nearly 3x the output speed of GPT-5.6 Terra and GLM-5.2.”

中文：「Gemini 3.7 Flash 每秒產生約 340 個 output tokens，接近 GPT-5.6 Terra 與 GLM-5.2 輸出速度的三倍。」

— Artificial Analysis，high reasoning 測試

這正是新平衡點的核心：高 reasoning 沒有把輸出速度拖回慢模型區。Artificial Analysis 同時估算 high 的加權平均 decode time 約 1.7 分鐘／任務，medium 約 1.4 分鐘，low 約 0.9 分鐘；其中 high 被 AA 判定落在能力 × 任務時間的 Pareto frontier 上。

---

340 tok/s 很快，但第一個字並不快

340 tok/s 測的是 steady-state decode：模型送出第一個片段後，內容往外吐的速度。依 Artificial Analysis performance methodology，它使用約 10K input、至少 1,500 output 的標準工作負載，以 OpenAI o200k_base tokenizer 統一計數，並取過去 72 小時的中位數。這方便跨供應商比較，卻不是 Gemini 帳單上的原生 token，也不等於完整 end-to-end latency。

同一個 AA model page 在 2026 年 8 月 14 日顯示，Gemini 3.7 Flash high 的 Time to First Answer（TTFA，第一個可見答案出現前的等待）約 9.83 秒，相近價格 reasoning models 的中位數約 2.82 秒。對 reasoning model 而言，TTFA 與收到第一個 reasoning token 的 TTFT 不是同一件事。換句話說，它像一條啟動較慢、上高速後非常快的產線：長程 coding agent、文件生成與多步工具工作流會更能吃到 340 tok/s 的紅利；只問一句、期待立即看到答案的聊天體驗，未必同樣驚艷。

設定也很重要。Google API 預設是 medium，不是 high；AA 在 medium 測得約 53 分、274 tok/s，low 約 51 分、253 tok/s。發布日最吸睛的 56／340 來自 AA 所測三檔中的最高 reasoning 設定；若沿用 AA 同一口徑，API 預設更接近 53／274。這仍然快，只是部署估算不能把 high 的成績自動套給所有請求。

---

核心模型已 Stable，但「廣泛推出」仍有邊界

這次最實際的差別，是核心模型 ID gemini-3.7-flash 已在官方模型頁標為 Stable。開發者可透過 Gemini API、AI Studio、Android Studio 與 Antigravity 使用；企業可在 Gemini Enterprise Agent Platform 與 app 存取。這讓團隊能用穩定版本進入 production eval，不必把採用決策押在 preview 的版本生命週期上。

但消費者端不是無條件全面替換。Google 公告寫的是 Gemini Spark 自發布日起改用 3.7 Flash，而 Spark 只提供給支援國家的 Google AI Pro／Ultra 訂閱者；Computer Use 支援也仍是 Preview。較準確的結論是：核心 API 已正式可用，開發與企業入口很廣；一般 Gemini app 使用者不一定會在每個入口直接拿到 3.7 Flash。

這個差異很重要。模型成為產品，不只需要 benchmark，還需要穩定 endpoint、可預期版本、計費、rate limit、監控與遷移路徑。本次至少明確具備 Stable model ID、官方計費與多個開發／企業入口；rate limit、監控與遷移仍要依團隊實測。所以「可實際使用」比「又一個分數更高的 preview」更接近發布的真正價值。

---

Gemini 3.7 Flash 價格優勢有倒數計時

“$0.75/1M input tokens and $3.75/1M output tokens.”

中文：「每百萬 input tokens 0.75 美元、每百萬 output tokens 3.75 美元。」

— Google Gemini 團隊；原文說明此 introductory pricing 適用至 2026 年底

Developer API 標準付費層	Input／1M tokens	Output／1M tokens	適用期間
Introductory pricing	US$0.75	US$3.75	至 2026/12/31
Standard pricing	US$1.50	US$7.50	自 2027/01/01

Google 說現價是 3.6 Flash「原始」每百萬 token 成本的一半，這不等於 3.7 現在比 3.6 便宜 50%：兩者目前都適用同一組 introductory pricing。Artificial Analysis 算出的 high 約 US$0.40／Index task、比 3.6 Flash 低 30%，也使用這組折扣價。從 2027 年 1 月 1 日起，input 與 output 牌價都會翻倍；若 token 用量不變，單看 token 部分的任務成本也會跟著翻倍。

所以今天可以說「Gemini 3.7 Flash 在折扣期有很強的能力 × 時間 × 成本組合」，不能把這個成本位置寫成永久屬性。真正要做年度預算的團隊，應同時跑兩張成本表：一張用 2026 年現價，一張用 2027 年標準價。若模型仍因較少重試、較短完成時間或更高成功率勝出，那才是長期優勢。

---

154.8 萬觀看與 872 points：熱度是真的，證明的不是能力

截至 2026 年 8 月 14 日 19:35（台北時間），Google DeepMind 的發布貼文累積 154 萬 7,830 次觀看、4,371 個讚；Hacker News 討論串則達 872 points、444 則留言。這證明發布迅速取得大量開發者注意；僅靠 engagement 無法判定大家是因速度、分數、價格或新鮮感而點進來。

討論也不是一面倒。HN 有實作者在image-to-HTML 測試後仍把 Opus 放在首選，並回報 Gemini 的 build 約花七分鐘；這是單一人的單一工作負載，不是可重現 benchmark，卻剛好說明為何總榜不能替代實務 eval。觀看數與 points 衡量注意力，真正決定續用的是你的任務成功率、總等待時間與錯誤成本。

---

AlphaLab 的判讀：新平衡點成立，但不是三個數字相加

判讀一：最大突破是長任務吞吐，不是每次互動都即時

340 tok/s 的價值會隨輸出長度放大。當 agent 要寫數千行程式、整理長文件、反覆呼叫工具並回報結果，decode time 可能是主要瓶頸；一旦第一個片段出來，3.7 Flash 能迅速把後續內容送完。對只有幾十個 token 的短問答，9.83 秒左右的首答等待反而更醒目。它不是單純的「快」，而是呈現前段等待較久、後段輸出很快的延遲分布。

判讀二：Stable 讓 benchmark 能直接接到採用決策

很多新模型的問題不是分數不足，而是版本、rate limit 或支援週期仍不確定，團隊難以把它放進真正流量。3.7 Flash 的核心 API 已是 Stable，企業與開發工具入口也同日到位，讓「測完很好」可以接續成 shadow traffic、分流與逐步上線。這是本次發布比 headline benchmark 更耐久的部分。

判讀三：預設 medium 才是大多數人的真實起點

High 的 56／340 展示的是 AA 所測三檔中的最高 reasoning 設定，medium 的 53／274 才更接近沒有特別調參的 API 使用。兩者都很有競爭力，但任務路由不同：高價值、可容忍較多 reasoning 的 coding 與 agent 任務可先試 high；分類、抽取、短回覆或大規模低風險工作，medium 甚至 low 可能更合理。把 high 當成所有請求的預設，會高估能力，也可能高估 reasoning token 成本。

判讀四：折扣能加速試用，標準價才決定 2027 年留存

introductory pricing 把導入門檻壓得很低，正適合用真流量建立 baseline；它也會讓發布日的 cost frontier 看起來特別漂亮。到了 2027 年，價格翻倍後仍然值得留下的條件很簡單：3.7 Flash 必須用較高成功率、更短 wall-clock time 或較少人工 review，抵銷單價變化。否則團隊只是在折扣期間把流量搬家。

判讀五：Index 是候選名單，不是 production 驗收單

AA 的 56 已經足以推翻「Flash 只能做廉價小任務」的舊印象，但同一指數偏重英文、文字與 agentic eval；Google 的發布表又混合多種來源。最穩健的結論不是「Gemini 3.7 Flash 全面勝出」，而是「它以很少見的速度進入前沿候選群，值得每個長輸出或 agent 團隊重新測一次」。

我同意的部分：Gemini 3.7 Flash 確實把 high reasoning 的能力與 steady-state 輸出速度推到新的實用組合；核心 API 已 Stable，讓這個組合不是紙上 demo。對長程 agent、coding 與文件工作流，它很可能比單看總分更有競爭力。

我存疑的部分：「340 tok/s」容易遮住約 9.83 秒的首答延遲；「Index 56」容易遮住預設 medium 其實是 53；「低成本」則容易遮住 2027 年元旦起翻倍的標準價。這三個限定一補上，故事沒有崩掉，反而更清楚：它不是無條件最強，而是一個非常值得部署驗證的高吞吐前沿模型。

---

現在怎麼測 Gemini 3.7 Flash，才不會被榜單帶著走？

1. 先固定 20–50 個真實任務。不要只用短 prompt；放入會失敗的 coding issue、長文件、工具呼叫與你的輸出格式。
2. medium 與 high 分開跑。medium 是預設，high 是發布日 56／340 的來源；兩者不能混成同一筆結果。
3. 把速度拆成四段。記錄 TTFT、TTFA、decode time 與完整 end-to-end wall-clock time，再加上成功率、重試次數、工具呼叫數與人工修正時間。
4. 成本算兩次。同一份 token 與重試紀錄，分別套用 2026 折扣價與 2027 標準價，避免把短期促銷當成長期架構。
5. 通過品質 gate 才談路由。若 3.7 Flash 在你的任務達標，再依延遲與成本決定哪些流量交給它；完整方法可接著看 AlphaLab 的AI 模型路由 Eval 實作。

如果工作負載以長輸出、coding agent 或多步工具為主，Gemini 3.7 Flash 應該立刻進入候選；如果你的產品靠首答體感取勝，先別被 340 tok/s 說服，TTFA 才是第一個淘汰門檻。真正的新平衡不是一張榜單，而是同一模型能否在你的品質門檻內，用更短的完成時間交付更多成功任務。