Google在I/O 2026期间发布了Gemini 3.5系列，并率先推出Gemini 3.5 Flash。与很多人对"Flash"系列的低成本、快响应印象不同，Google这次对Gemini 3.5 Flash的定位更偏向前沿Agent与Coding能力：在保持Flash系列速度优势的同时，面向长程智能体任务、复杂代码工作流和多模态理解提供更强的能力底座。我们对其API版本gemini-3.5-flash进行了全面评测，测试其在准确率、响应时间、token消耗和调用花费等关键指标上的表现。
需要说明的是，本次评测侧重中文场景下的综合能力考察，评测维度覆盖教育、医疗、金融、法律、推理数学、语言指令、Agent工具调用以及coding等板块。Gemini 3.5 Flash官方主推的长程Agent、多智能体协作、多模态图表理解等能力，并不能完全被中文文本准确率指标覆盖。对于这部分能力，读者可结合文末的官方评测数据形成更完整的判断。
gemini-3.5-flash版本表现：
测试题数：约1.5万
总分（准确率）：73.9%
平均耗时（每次调用）：13s
平均token（每次调用消耗的token）：2617
平均花费（每千次调用的人民币花费）：151.2
1、新旧对决
对比上一代版本gemini-3-flash-preview，gemini-3.5-flash的变化并不是简单的"更便宜、更快"，而是在速度大幅提升的同时，将能力重心明显推向coding和Agent工具调用。数据如下：
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark
*输出价格单位： 元/百万token
整体性能稳步提升：新版本准确率从71.2%提升至73.9%，提升了2.7个百分点，榜单排名从第11位上升至第4位，进入当前主流模型头部梯队。
Agent与工具调用提升最明显：agent与工具调用从48.6%提升至57.5%，提升了8.9个百分点，是本次迭代中提升幅度最大的维度。这与Google官方强调的"面向复杂Agent工作流"定位基本一致。
Coding能力明显增强：coding从66.0%提升至74.2%，提升了8.2个百分点。结合官方在Terminal-Bench 2.1、MCP Atlas等编程与Agent基准上的成绩来看，gemini-3.5-flash并不是传统意义上的轻量聊天模型，而是将代码与工具执行作为核心升级方向。
推理和教育维度小幅提升：推理与数学计算从83.4%提升至84.5%（+1.1%），教育从63.5%提升至64.9%（+1.4%），医疗与心理健康从87.2%微增至87.5%（+0.3%）。这些变化幅度不算大，但整体保持了上一代的基础能力。
部分维度出现回调：金融从84.0%降至80.9%（-3.1%），法律与行政公务从83.3%降至81.3%（-2.0%），语言与指令遵从从72.2%降至71.1%（-1.1%）。这说明新版本在能力调优中并非所有中文垂直任务都同步受益，尤其是金融、法律等密集型任务仍存在一定波动。
响应速度大幅提升：平均耗时从72s缩短至13s，降幅约82%。在总分提升的同时，响应速度接近提升到上一代的5.5倍，也是gemini-3.5-flash最突出的工程表现。
Token消耗略有下降，但成本明显上升：平均token从2731降至2617，下降约4.2%；但输出价格从21.3元/百万token上调至63.0元/百万token，约为上一代的3倍。最终每千次调用花费从53.5元升至151.2元，增加约97.7元。也就是说，新版本的核心交换并不是"更省钱"，而是用接近3倍的调用成本，换取更强的Agent/Coding能力和显著更低的响应延迟。
2、横向对比
在当前主流大模型竞争格局中，gemini-3.5-flash作为Google面向Agent与Coding场景的新一代Flash模型表现如何？我们从三个维度进行横向对比分析：
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark
同成本档位对比
140至160元/千次区间的头部竞争：gemini-3.5-flash（73.9%，151.2元）所在区间的主要参照对象包括qwen3.6-max-preview（75.4%，139.2元）、gpt-5.5（75.3%，158.5元）和claude-opus-4.5（64.2%，146.1元）等。在这个成本区间内，gemini-3.5-flash总分低于qwen3.6-max-preview和gpt-5.5约1.4至1.5个百分点，但明显高于claude-opus-4.5。
速度是最突出的差异化变量：gemini-3.5-flash平均耗时为13s，是总榜前十中最快的模型。相比qwen3.6-max-preview（80s）、gemini-3.1-pro-preview（53s）、kimi-k2.6（175s）、Doubao-Seed-2.0-pro（309s）等模型，gemini-3.5-flash在延迟上具备明显优势。即便与gpt-5.5（15s）相比，也略快一些。
向上对比Google自家Pro线：gemini-3.1-pro-preview（75.2%，250.5元）准确率高出1.3个百分点，但平均耗时为53s，平均花费也高出约66%。gemini-3.5-flash以更低成本和更快响应提供了接近Pro级别的中文综合准确率。
向下看低成本替代方案：qwen3.5-plus（73.3%，22.9元）、Doubao-Seed-2.0-pro（72.8%，22.5元）、deepseek-v4-pro（71.7%，54.3元）等模型以显著更低的成本提供了接近的中文综合准确率。仅从中文文本评测的成本效率比看，gemini-3.5-flash并不占优，其价值更多体现在低延迟、Google生态、多模态和Agent工具链上。
新旧模型对比
自身代际变化清晰：gemini-3.5-flash（73.9%）相比gemini-3-flash-preview（71.2%）提升2.7个百分点，排名从第11位升至第4位。更重要的是，平均耗时从72s缩短至13s，说明这次迭代同时解决了上一代Flash Preview在速度和头部能力上的部分短板。
Google产品线定位更分明：从榜单看，gemini-3.1-pro-preview（75.2%，第3位）仍是Google在中文综合评测中的Pro级代表；gemini-3.5-flash（73.9%，第4位）紧随其后，以更低延迟和更低花费承接大规模Agent与开发者场景；gemini-3-flash-preview（71.2%，第11位）和gemini-2.5-pro（66.6%，第36位）则形成上一代参照。Google的产品线正在从"Pro负责能力、Flash负责速度"转向"Flash也承担前沿Agent能力"。
开源VS闭源对比
闭源阵营中的高速头部模型：在闭源模型中，gemini-3.5-flash的准确率高于Doubao-Seed-2.0-pro（72.8%）、gpt-5.4-high（72.6%）、gemini-3-flash-preview（71.2%）、claude-opus-4.6（70.0%）等模型，同时保持13s的平均耗时。与同样低延迟的gpt-5.5（75.3%，15s）相比，gemini-3.5-flash准确率低1.4个百分点，但速度略快，成本也略低。
开源阵营的成本效率比压力仍然明显：qwen3.5-plus（73.3%，22.9元）、kimi-k2.6（72.9%，100.4元）、deepseek-v4-pro（71.7%，54.3元）、Qwen3.5-122B-A10B（70.9%，32.3元）等开源模型已经在总榜前列形成密集分布。对于纯中文文本任务和成本敏感场景，开源阵营依然有很强吸引力。
3、官方评测
根据Google官方博客（https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5/），Gemini 3.5系列的核心定位是"frontier intelligence with action"，即将前沿智能与可执行能力结合起来。Google率先发布的是Gemini 3.5 Flash，并明确表示Gemini 3.5 Pro已经在内部使用，预计下个月推出。
Agent与Coding能力
Google称Gemini 3.5 Flash是其目前最强的Agent与Coding模型，在多个编程和智能体基准上超过Gemini 3.1 Pro。官方披露的关键数据包括：
Terminal-Bench 2.1：76.2%，用于衡量复杂命令行与多步骤工程任务能力。
GDPval-AA：1656 Elo，用于评测知识工作和企业任务表现。
MCP Atlas：83.6%，用于评测模型在MCP工具生态中的执行能力。
CharXiv Reasoning：84.2%，用于衡量多模态图表与视觉推理能力。
官方还强调，在输出token速度上，Gemini 3.5 Flash比其他前沿模型快4倍。
速度与智能的平衡
Google在博客中引用Artificial Analysis指数，将Gemini 3.5 Flash放在"高智能、高输出速度"的象限中，强调它不再要求用户在质量和延迟之间做强取舍。
长程Agent任务与多智能体协作
官方展示了多类由Gemini 3.5 Flash驱动的Agent任务案例，包括在Google Antigravity中自动重命名和分类非结构化资产、使用两个智能体综合AlphaZero论文并在6小时内编码完成可玩的游戏、将混乱的遗留代码库迁移到Next.js、并行生成城市景观，以及通过builder和player两个智能体循环改进游戏。
多模态与交互式生成
Google还强调，Gemini 3.5 Flash继承Gemini 3系列的多模态基础，能够生成更丰富的交互式Web UI和图形。官方案例包括根据论文生成交互式动画、将文本描述转化为交互式硬件示意、并行生成完整品牌概念，以及在60秒内生成不同的结账流程UX方案。
非线智能官网https://nonelinear.com 已上线Gemini 3.5 Flash版，欢迎深度体验。 同时，非线智能API可连接超480个全球模型，支持一键Api聚合以及Api中转，提供稳定的企业级服务。 登录github账号，领50元体验金。接入Deepseek就用非线智能API。
