Gemini 3.7 快速评测：谷歌的廉价模型不再愚蠢

谷歌于8月13日发布了Gemini 3.7 Flash，并在首日便在160多个国家普遍可用。它支持多达一百万个输入标记，返回64,000个标记，能够读取图像、视频、音频和PDF文件，并可以调用工具和驱动计算机。

Flash从来不是你在遇到困难问题时会选择的模型。它是用来整理文本、在代理会话崩溃前压缩会话，以及总结你不想花费旗舰价格阅读的文档的工具。 Myriad: OpenAI何时发布GPT-6？点击进行预测。

在这些工作类型的评判下，3.7 Flash确实是一次真正的升级。在其他所有方面，它是一个合格的模型，但被可以免费下载的软件超越。

谷歌自己的基准测试表显示，3.7 Flash在18个测试类别中有11个超越了Claude Sonnet 5和GPT-5.6 Terra。头条数字是Code Arena的网页开发板上1,588 Elo和AutomationBench上的30.4%。这两个数据均来自谷歌的方法论，因此请将领先视为公司的主张，而非确定的事实。

我们测试了该模型，以验证其是否符合谷歌的声明。这是我们的结果。

编码：它能否在第一次尝试时构建出可运行的东西？

此测试测量零样本代码生成——即模型是否能将一个指令转化为工作软件，而无需复制示例或有机会自我修复。我们提供一个浏览器游戏的单一提示，并交付返回的内容，包括任何错误。没有后续，没有错误报告，没有第二次尝试。

Gemini 3.7 Flash在2分钟13秒内通过了测试。游戏在第一次运行时可玩，语法清晰，碰撞和得分逻辑正常，视觉质量超出了价格层级的预期。

这里重要的比较不是旗舰模型，而是于7月21日发布的Gemini 3.6 Flash，它根本无法生成可工作的文件。它的HTML格式错误，元素无法渲染，后续提示要求修复其输出也毫无结果。

我们最终将那堆废料交给了DeepSeek，后者发现了11个错误并修复了8个，使其可玩。三周后，同一产品线无需救援，结果接近我们7月评测中GPT-5.6 Sol的表现。

Gemini 3.7 Flash在这一点上完全胜出，这是切换的最强理由。需要注意的是，它执行规范而非创造规范，因此模糊的提示会得到模糊的游戏。

你可以在这里尝试Gemini 3.7 Flash的游戏。

创意写作：它能否保持悖论并写出一个句子？

这一部分同时测试两个方面：文学质量，以及模型是否能在数千个单词中遵循结构规则。提示要求Jose Lanz从2150年回到1000年，并要求形成一个封闭的因果循环——他的干预必须是他来阻止的未来的创造。

决定测试的规则是最后一条：他在回家之前无法理解自己所做的事情。

Gemini 3.7 Flash生成了一个不错的结果。Jose向比利牛斯裂缝发射了一颗熵炮，意外地铸造了一个奴役22世纪伊比利亚的方尖碑，并在仍然站在一千年前的泥土中时理解了整个循环：“这是灰烬尖塔的基础。”

情节机制实际上相当合理。故事提到了一颗古代僧侣目睹的流星，并澄清这是Jose自己到来的闪光，而他带来的武器正是铸造它的原因。它的结尾句——“它只是一直在等待他来完成它”——实现了提示所要求的决定论。

但对于那些习惯于此的人来说，这个故事大声呼喊着“人工智能”。几乎每个名词都带有两个形容词：“超亮塔”，“潮湿、苔藓覆盖的土地”，“浓密、黑曜石般的头发”。这就是模型选择最可能的下一个词而不是选择一个词的质感，它产生的碰撞就像一个“低频嗡嗡作响的巨石”。

我们将其与Qwopus3.5-27B-v3进行了比较，这是Qwen3.5-27B的一个社区微调版本，提炼了Claude Opus风格的推理，并在单个消费级GPU上以零成本运行每个查询。它遵循了Gemini打破的规则。

何塞在圣米兰德拉科戈利亚杀死了一名僧侣，这是一座在公元1000年左右确实重要的拉里奥哈修道院，他只有在返回2150年并在一个蜡封的法典中发现自己的DNA后，才理解自己做了什么。

Qwopus也并不完全干净。它在故事上方倾倒了整个规划草稿，包括拼写错误，而其最后一部分打破了它花费八个部分构建的封闭循环，让何塞回去修复事情。

但考虑到所有因素，Qwopus胜出。Gemini提供了更整洁的包装和更有纪律的结局，但它未能遵循提示构建的唯一指令，而一个在游戏GPU上运行的免费模型写出了更好的故事。

联想思维：隐喻能否承载论点？

这个测试测量联想推理——模型是否能够在不需要解释自己的情况下生成无关概念之间的联系。提示要求描述一根树枝，利用该描述来解释工人剥削和对富人的崇拜，然后要求论点溶解为对生菜的描述。

标识是失败模式。命名隐喻会扼杀它。

Gemini在第二段的开头命名了它：“这就是现代无产阶级的精确机制。”在那之前的一切都在运作。

一些意象赢得了它的位置。工人“只得到足够的树皮以保持在接下来一周的产出中保持刚性”，而倒下的树枝被条件化为相信，只要足够刚性，它们中的任何一个都可能成为树干。包含第一个的段落也包含一个“被束缚在一个庞大、顶重的企业等级结构中的工人”。

不算太糟，在逻辑和结构方面。

溶解才是真正的崩溃。Gemini叙述了过渡而不是执行它——等级结构“崩溃，溶解成下面有机世界的安静、谦卑现实”——然后生菜简单地出现，与之前的任何事物无关。

GPT-5.6 Sol将树枝腐烂成土壤，并从中生长出生菜：“雨水进入谷物。纤维松动，变暗。”论点也埋藏在物体中，财富被重新框定为一种美德的语言，其中“豪宅象征着智慧”。

GPT-5.6 Sol大获全胜。Gemini产生了一句不错的独立句子，但它解释了自己的隐喻，然后跳过了提示特别测试的过渡。

逻辑：它是否阅读提示或识别难题？

这个测试测量非数学推理，特别是模型是否阅读面前的问题或与其记忆中的版本进行模式匹配。我们的桥梁提示给四个人一个火把和1、2、5和10分钟的过桥时间，然后问他们所有人能多快过桥。

诀窍在于提示遗漏的内容。它从未说明一次只能有两个人在桥上，因此答案是10分钟——每个人都以最慢的人的速度一起走过。

Gemini回答了17分钟，运行了记忆中的教科书版本的五步洗牌。它将约束陈述为事实，而从未检查我们是否写过它。

GPT-5.6与Fable 5评测：选择哪一个取决于这些因素

它的可见推理比答案更糟。推理认为一起送两个最慢的过桥效率低，因为有人必须把火把送回来——然后最终答案还是让他们一起过桥。这在单一回答中自相矛盾，并且以绝对的自信报告结果。

Claude Fable 5在七月时也得出了同样错误的数字。它开头声明了它的假设，“假设经典约束，即桥一次只能容纳两个人”，这就是你能捕捉到的错误答案和你无法捕捉到的错误答案之间的区别。

没有人赢。Fable仅凭透明度获胜，而Gemini代理的虚假自信在这里表现出来，这是一个你可以手动检查的难题。

数学：它完成任务了吗？

这个测试测量了远超消费者使用的符号数学，以及更简单的东西——模型是否完成了它被要求做的事情。提示要求一个具有实数系数和线性系数-19的19次单调多项式，其曲线分裂为至少三个不可约成分，然后询问p(19)。

两个模型找到了同一扇门。Gemini和Qwen 3.7 Max Preview都识别了Dickson多项式，解决了约束以将其参数固定为1，并正确推导出闭合形式。

然后Gemini停了下来。它将p(19)打印为一个未评估的表达式，涉及到平方根的19次方，从未产生数字，也从未展示提示中要求的成分计数。它在一个带有CSS和阴影效果的样式化HTML页面内交付了这一切，而这些都是没有人要求的。

Qwen完成了。它给出了完整的因式分解，分为10个成分——一个线性，九个二次——将递归运行到1,876,572,071,974,094,803,391,179，并进行了模数交叉检查。我们在SymPy中独立验证了这个数字，它是正确的。

Qwen在唯一重要的标准上获胜。Gemini开始得很好，但决定跳过算术，这个地方停下来很奇怪。

结论

如果你已经在谷歌的生态系统内，Gemini 3.7 Flash值得切换。它在代码方面比替代模型好得多，速度足够快以适应代理工作，并且运行成本足够低，几乎可以忽略不计。

它的优势在于执行和结构。给它一个详细的规格，它将构建出东西，保持情节连贯，并在数千个单词中保持因果逻辑的一致性。

它的弱点在于创造力和推理。写作足够可预测，可以一眼识别为机器生成，并且模型在没有标记出使其错误的假设的情况下断言错误答案。

价格是它最强的论据。每百万输入令牌75美分，输出3.75美元，低于GPT-5.6 Sol的5美元输入费率85%，并且是3.6 Flash发布时的一半。

反对它的论点是一个免费的27B模型，在游戏GPU上写出了更好的故事，并且没有收取任何费用。谷歌的介绍性价格在12月31日到期，届时输入费用将翻倍至1.50美元，输出费用将达到7.50美元。

本内容仅供参考，不构成任何金融、投资、法律或税务建议。文中提及的任何活动、奖励、线上活动或相关信息，不应被视为对购买、出售或交易任何加密资产的推荐、招揽或邀请。加密资产具有高波动性，存在价值损失风险。WEEX服务、产品及相关活动的可用性可能因地区而异。用户在参与前有责任确保符合当地适用法律法规。