---
title: "Gemini 3.7 Flash"
source: "https://systems-analysis.info/wiki/Gemini_3.7_Flash"
wiki: "systems-analysis.info/wiki"
article: "Gemini_3.7_Flash"
language: "ru"
categories:
  - "Категория:Gemini"
  - "Категория:Google"
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Семейства LLM"
revision_id: 565
wiki_created_at: 2026-11-10T18:11:41Z
wiki_modified_at: 2026-11-11T01:06:15Z
downloaded_at: 2026-11-11T01:08:44Z
---

# Gemini 3.7 Flash

**Gemini 3.7 Flash** — проприетарная мультимодальная модель рассуждений компании [Google DeepMind](https://systems-analysis.info/wiki/Google_DeepMind "Google DeepMind") из семейства Gemini 3, основанная на [Gemini 3.6 Flash](https://systems-analysis.info/wiki/Gemini_3.6_Flash "Gemini 3.6 Flash") и ориентированная на программную инженерию, разработку веб-приложений и многоэтапные агентные задачи с использованием инструментов. Модель была представлена 13 августа 2026 года, когда также началось её публичное распространение через Gemini API, Google AI Studio и другие продукты экосистемы Google.

## Оценка

Gemini 3.7 Flash оценивалась по широкому набору тестов (бенчмарков), охватывающих способности к рассуждению, программирование, использование инструментов в агентных сценариях, мультимодальные возможности, многоязычную обработку данных и работу с длинным контекстом. Дополнительные тесты, сведения о подходе к оценке, результатах и применяемых методологиях опубликованы в <a href="https://deepmind.google/models/evals-methodology/gemini-3-7-flash" class="external text" rel="nofollow">методологии оценки Gemini 3.7 Flash</a>.

Согласно Model Card Google DeepMind, приведённые ниже результаты актуальны по состоянию на август 2026 года.<sup>[\[1\]](https://systems-analysis.info/wiki/Gemini_3.7_Flash#cite_note-1)</sup>

<table class="wikitable" style="text-align:center;">
<colgroup>
<col style="width: 12%" />
<col style="width: 12%" />
<col style="width: 12%" />
<col style="width: 12%" />
<col style="width: 12%" />
<col style="width: 12%" />
<col style="width: 12%" />
<col style="width: 12%" />
</colgroup>
<thead>
<tr class="header">
<th style="text-align: left;">Benchmark</th>
<th>Description</th>
<th></th>
<th>Gemini 3.7 Flash</th>
<th><a href="https://systems-analysis.info/wiki/Gemini_3.6_Flash" title="Gemini 3.6 Flash">Gemini 3.6 Flash</a></th>
<th>Claude Sonnet 5</th>
<th>GPT-5.6 Terra</th>
<th>Muse Spark 1.2</th>
</tr>
</thead>
<tbody>
<tr class="odd">
<td style="text-align: left;">Input price</td>
<td>$/M tokens</td>
<td>Lower is better</td>
<td style="background: #e6f3ff"><strong>$0.75*</strong></td>
<td><strong>$0.75*</strong></td>
<td>$2.00</td>
<td>$2.00</td>
<td>$1.25</td>
</tr>
<tr class="even">
<td style="text-align: left;">Output price</td>
<td>$/M tokens</td>
<td>Lower is better</td>
<td style="background: #e6f3ff"><strong>$3.75*</strong></td>
<td><strong>$3.75*</strong></td>
<td>$10.00</td>
<td>$12.00</td>
<td>$4.25</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Artificial Analysis<br />
Intelligence Index</td>
<td>Composite model intelligence</td>
<td></td>
<td style="background: #e6f3ff">56</td>
<td>52</td>
<td>55</td>
<td><strong>57</strong></td>
<td><strong>57</strong></td>
</tr>
<tr class="even">
<td style="text-align: left;">FrontierCode 11</td>
<td>Main production code quality</td>
<td></td>
<td style="background: #e6f3ff"><strong>46.6%</strong></td>
<td>34.4%</td>
<td>42.7%</td>
<td>41.3%</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">DeepSWE v1.1</td>
<td>Long-form software engineering</td>
<td></td>
<td style="background: #e6f3ff">65.3%</td>
<td>48.6%</td>
<td>53.8%</td>
<td><strong>69.6%</strong></td>
<td>54.9%</td>
</tr>
<tr class="even">
<td style="text-align: left;">Code Arena</td>
<td>Web development</td>
<td></td>
<td style="background: #e6f3ff"><strong>1,588</strong></td>
<td>1,538</td>
<td>1,541</td>
<td>1,523</td>
<td>1,535</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Terminal-Bench 2.1</td>
<td>Agentic terminal coding</td>
<td></td>
<td style="background: #e6f3ff">85.8%</td>
<td>78.0%</td>
<td>80.4%</td>
<td><strong>87.4%</strong></td>
<td>82.9%</td>
</tr>
<tr class="even">
<td style="text-align: left;">Terminal-Bench 3.0</td>
<td>General agent capabilities</td>
<td></td>
<td style="background: #e6f3ff">14.9%</td>
<td>5.4%</td>
<td>14.6%</td>
<td><strong>20.8%</strong></td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">AutomationBench</td>
<td>Enterprise workflow automation</td>
<td></td>
<td style="background: #e6f3ff"><strong>30.4%</strong></td>
<td>17.0%</td>
<td>10.7%</td>
<td>23.6%</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">GDPval-AA v2</td>
<td>Knowledge tools</td>
<td></td>
<td style="background: #e6f3ff">1,525</td>
<td>1,422</td>
<td>1,598</td>
<td>1,578</td>
<td><strong>1,628</strong></td>
</tr>
<tr class="odd">
<td style="text-align: left;">Harvey LAB-AA</td>
<td>Complex logic workflows</td>
<td></td>
<td style="background: #e6f3ff"><strong>90.7%</strong></td>
<td>85.1%</td>
<td>90.1%</td>
<td>85.2%</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">DocBench (GOP)</td>
<td>Expert PDF document comprehension</td>
<td></td>
<td style="background: #e6f3ff"><strong>34.0%</strong></td>
<td>22.0%</td>
<td>28.0%</td>
<td>24.7%</td>
<td>16.0%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">CharXiv Reasoning</td>
<td>Information synthesis from<br />
complex charts</td>
<td>No tools<br />
With tools</td>
<td style="background: #e6f3ff">84.5%<br />
<strong>88.7%</strong></td>
<td>85.2%<br />
89.4%</td>
<td>77.0%<br />
88.3%</td>
<td><strong>85.9%</strong><br />
—</td>
<td>—<br />
—</td>
</tr>
<tr class="even">
<td style="text-align: left;">LVBench</td>
<td>Long video understanding</td>
<td></td>
<td style="background: #e6f3ff"><strong>85.4%</strong></td>
<td>84.2%</td>
<td>68.5%</td>
<td>78.9%</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">MRCR v2 (B-needle)</td>
<td>Long context performance</td>
<td></td>
<td style="background: #e6f3ff"><strong>97.0%</strong></td>
<td>91.8%</td>
<td>81.5%</td>
<td>93.5%</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">OSWorld-2.0</td>
<td>Agentic computer use</td>
<td></td>
<td style="background: #e6f3ff">47.9%</td>
<td>33.8%</td>
<td>—</td>
<td><strong>50.2%</strong></td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Agent's Last Exam</td>
<td>Multimodal desktop and<br />
OS agent tests</td>
<td></td>
<td style="background: #e6f3ff">26.3%</td>
<td>24.2%</td>
<td><strong>33.3%</strong></td>
<td>28.0%</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">HLE-Verified</td>
<td>Multidisciplinary expert reasoning</td>
<td></td>
<td style="background: #e6f3ff"><strong>53.6%</strong></td>
<td>51.2%</td>
<td>31.0%</td>
<td>51.1%</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">BioMysteryBench</td>
<td>Bioinformatics research reasoning</td>
<td>Overall<br />
Human difficult</td>
<td style="background: #e6f3ff">87.1%<br />
43.5%</td>
<td>80.6%<br />
41.2%</td>
<td><strong>87.5%</strong><br />
34.1%</td>
<td>83.8%<br />
<strong>49.4%</strong></td>
<td>—<br />
—</td>
</tr>
<tr class="even">
<td style="text-align: left;">LABBench2</td>
<td>Biology web world research tests</td>
<td></td>
<td style="background: #e6f3ff"><strong>82.1%</strong></td>
<td>76.1%</td>
<td>80.1%</td>
<td>81.2%</td>
<td>—</td>
</tr>
</tbody>
</table>

*\* Для Gemini 3.6 и 3.7 Flash действует вводная цена до 31 декабря 2026 года; с 1 января 2027 года — \$1.50 за 1 млн входных и \$7.50 за 1 млн выходных токенов.*

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/wiki/Gemini_3.7_Flash#cite_ref-1) Google DeepMind. *Gemini 3.7 Flash — Model Card*. Выпуск: август 2026 года. С. 5.</span>

## См. также

- [Gemini 3.6 Flash](https://systems-analysis.info/wiki/Gemini_3.6_Flash "Gemini 3.6 Flash")
- [Gemini 3.8 Flash](https://systems-analysis.info/wiki/Gemini_3.8_Flash "Gemini 3.8 Flash")
