Gemini 3.7 Flash实测：代码能力暴涨，年底特惠值得薅

Google与OpenAI同日出手，打法截然不同

同一天内，Google DeepMind与OpenAI两家AI巨头几乎同时放出重磅更新，但思路南辕北辙。Google推出全新的Gemini 3.7 Flash，主打"薄利多销"，把中杯模型打造成好用耐造的日常主力；OpenAI则选择硬件路线，接入Cerebras定制超算芯片，将大模型推理速度暴力提升14倍。

你可能没注意到，距离上一代Gemini 3.6 Flash发布才刚过去三周。Google连一个月的"冷静期"都没等，就急匆匆端出新版本，迭代速度堪称"倒吸牙膏"。圈内普遍认为，Google这次祭出了"砍刀策略"——直接砍掉难产的3.5 Pro，把原本为超大杯准备的算法优化全部倾注到这款中杯Flash上，自己则全力备战后续的Gemini 4。

这一策略反映了当前AI行业的重要趋势：与其追求单一巨型模型的极致性能，不如将研发资源集中在性价比最优的中等规模模型上。在Transformer架构下，模型参数量从百亿级到千亿级的跃升，推理成本往往呈超线性增长，但实际应用中的效果提升却呈边际递减。Google选择将原本用于3.5 Pro的算法优化（如更高效的注意力机制、改进的知识蒸馏技术）下放到Flash系列，本质上是在"能力天花板"与"部署经济性"之间做了一次务实的工程取舍。

Gemini 3.7 Flash跑分成绩：代码能力真材实学

以往Google常被戏称为"跑分没输过、体验总翻车"的模型大厂，从早期的视频剪辑翻车到被调侃为"北美大豆包"。但这次3.7 Flash拿出的实测成绩单确实有硬货。

在生产级代码质量测试中，3.7 Flash跑出了**43.6%**的成绩，相比老款3.6 Flash的34.4%有显著提升。这类测试通常基于SWE-bench Verified等标准化评估基准，要求模型理解真实开源项目中的Bug报告，定位问题文件，并生成可通过单元测试的修复补丁，涵盖代码重构、依赖冲突解决、跨文件引用修正等工程实践中的高频难题。43.6%的通过率意味着模型在每100个真实软件缺陷中能独立正确修复约44个——这一数字在两年前对任何AI系统来说都是不可想象的。老版本一遇到复杂重构就容易掉链子，而新版不仅反超了行业标杆Sonic 5的42.7%，也把同期的标准版模型甩在身后。

在长周期软件工程测试中，提升更为明显。3.7 Flash拿下65.3%，相比上一代48.6%的及格线完成了一次大跨步。所谓长周期软件工程测试，评估的是模型在持续多轮交互中处理复杂工程任务的能力——包括跨越多个代码模块的协同修改、长依赖链的追踪调试、以及在数千行代码库中保持一致性。与单次代码生成不同，这类测试模拟的是真实开发者的工作流：发现问题→定位根因→修改代码→验证修复→处理回归。65.3%的得分意味着该模型已具备初级软件工程师的独立排错能力。这个分数不仅压过Sonic 5的53.8%，还把Meta刚进榜的新模型Spark 1.2甩开了整整10个百分点。面对跨模块、多文件的复杂项目排错，它已能独立完成多轮深度调试，仅略微落后于高阶大模型的69.6%。

网页开发与自动化任务表现

在网页开发天梯榜上，3.7 Flash上演逆风翻盘：积分从1538分猛涨到1588分，排名从第19名直冲第8名，稳坐终端梯队头把交椅。

在复杂自动化任务评测中，它跑出30.4%的得分，超过同代标准版模型的23.6%。终端模型的最大优势是响应轻快——在多步骤自动循环调用中，执行效率反而比笨重的大模型更稳当。此外，多模态长视频理解拿到85.4%（同期为78.9%），长上下文记忆保持率高达97%。对于经常需要处理长篇接口文档、海量数据日志以及数小时视频录像的技术团队，这种"量大管饱"的稳定性非常实用。

Gemini 3.7 Flash定价策略：特惠窗口值得薅羊毛

看完跑分再来算账。3.7 Flash实行阶梯定价：年底前属于"新人特惠期"，输入每百万Token仅需0.75美元，输出3.75美元。跨过元旦后价格准时翻倍，恢复到输入1.50美元、输出7.50美元。

大模型API的Token定价是当前AI商业化的核心经济指标。以每百万Token为计价单位，输入Token（即用户发送给模型的提示词和上下文）通常比输出Token便宜，因为输入阶段只需执行前向计算的编码部分，而输出阶段需要逐Token自回归生成，计算密度更高。特惠期输入0.75美元/百万Token的定价，意味着处理一本约30万字的技术文档（约40万Token）仅需0.3美元，这个价格点使得大规模文档处理、日志分析等"Token密集型"应用首次具备了商业可行性。

虽然现价依然比顶配旗舰便宜很多，但在开源阵营那些超低价竞品面前，它并不算最省钱的选择。对于中小开发团队而言，如果业务以批量文本处理、后台数据挖掘和日常代码辅助为主，趁着年底前的特惠窗口薅一波羊毛，综合性价比确实非常高。

不过必须认清一点：3.7 Flash终究是终端走量模型，真正的旗舰巅峰对决还得等Gemini 4登场。

OpenAI的反击：Cerebras超算芯片实现14倍提速

就在Google忙着秀跑分时，OpenAI也投下深水炸弹，正式上线GPT 5.6超速模式候补名单。这次提速跳过了算法层面的常规优化，直接拉来硬件"物理外挂"。

OpenAI接入Cerebras定制超算芯片，通过巨型晶圆级处理器为大模型暴力加速。Cerebras的核心技术突破在于"晶圆级引擎"（Wafer-Scale Engine，WSE）——传统GPU芯片从一块12英寸硅晶圆上切割出数百颗独立芯片，每颗芯片之间需通过PCIe或NVLink等外部总线互联，通信延迟以微秒计。Cerebras反其道而行，将整块晶圆直接作为单颗芯片使用，最新一代WSE-3集成了约90万个AI计算核心和44GB片上SRAM，核间通信在片内完成，延迟降至纳秒级。这种架构天然适合大模型推理中的矩阵运算和注意力计算，因为它从根本上消除了传统多卡并行中最大的性能瓶颈——数据搬运。

在超速模式下，模型输出速度直接飙到每秒750个Token，相比标准模式提速14倍。要理解这个数字的含义：一个英文Token平均对应约0.75个单词，因此750 Token/s约等于每秒输出560个英文单词，相当于一页A4纸的内容在不到半秒内生成完毕。对于实时语音交互场景，人类正常语速约为每秒2-3个词，模型需要在用户说完话后的200毫秒内开始响应才能实现自然对话体验。14倍提速使端到端延迟从数秒降至百毫秒级别，首次让大参数模型具备了真正的实时对话能力，而非此前只能由小模型或流式分段生成来勉强实现的"伪实时"。

这种急速模式专门服务于对时间极度严苛的场景：实时语音双向通话、金融市场秒级数据调研、网络安全应急抢险以及在线客服。在这些关键业务场景里，模型每快一秒就能避免巨大的业务损失。

总结：又快又省才是AI模型的真本事

一边是Google把中杯模型打造成耐造好使的日常主力，一边是OpenAI靠超算芯片搞暴力提速。大模型竞争打到今天，跑分只是一方面——谁能在日常工程和高频业务里真正做到"又快又省"，才是真本事。

对于开发者来说，Gemini 3.7 Flash在代码质量、软件工程和长上下文方面的进步值得关注，特别是年底前的特惠定价窗口。而OpenAI的硬件加速路线，则为实时交互场景开辟了新的可能性。两条路线孰优孰劣，最终还得由具体的业务场景来评判。

核心要点