【非线智能测评】谷歌Gemini 3.7 Flash实测：花费暴降 82%、10 秒极速响应，Agent 能力大幅跃升

数据来源非线智能Nonelinear 非线智能团队，维护着GitHub上的开源项目 chinese-llm-benchmark，目前 6,000+ Stars，长期占据中文LLM商业评测类项目Star数第一

github （非线智能）官网正文：

Google发布Gemini 3.7 Flash，官方将其定位为面向coding和agent场景的“workhorse model”，也就是用于高频生产任务的主力模型。距离Gemini 3.6 Flash发布仅约三周，3.7 Flash重点强化软件工程、知识工作、Web开发和复杂工作流，并在发布期给出较低的输入/输出价格。

本次ReLE评测的API版本为gemini-3.7-flash。本文主要观察其在中文场景下的综合能力表现，指标包括准确率、响应时间、token消耗和调用花费等。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八个板块。

gemini-3.7-flash版本表现：

测试题数：约1.5万
总分（准确率）：75.4%
平均耗时（每次调用）：10s
平均token（每次调用消耗的token）：1269
平均花费（每千次调用的人民币花费）：27.8

1、新旧对决

对比上一代参照模型gemini-3.5-flash，gemini-3.7-flash的变化较集中：中文综合准确率小幅提升，Agent工具调用改善明显，平均token和调用花费大幅下降，同时响应速度进一步缩短。数据如下：

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】谷歌Gemini 3.7 Flash实测：花费暴降 82%、10 秒极速响应，Agent 能力大幅跃升

*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

总分进入前五：gemini-3.7-flash总分为75.4%，相比gemini-3.5-flash的73.9%提升1.5个百分点，排名从第14位上升至第5位。考虑到Flash系列本身偏高频调用定位，这一排名变化值得关注。
Agent工具调用提升最大：agent与工具调用从57.5%提升至66.7%，提升9.2个百分点，是所有分项中变化最明显的一项。这与Google官方强调的agent与复杂工作流方向基本一致。
专业领域多项上升：法律与行政公务从81.3%提升至83.7%（+2.4个百分点），医疗与心理健康从87.5%提升至89.8%（+2.3个百分点），教育从64.9%提升至67.0%（+2.1个百分点）。金融从80.9%提升至81.6%（+0.7个百分点），变化幅度较小但方向为正。
Coding基本小幅改善：coding从74.2%提升至74.8%，提升0.6个百分点。ReLE中的coding分项没有出现明显跃升，但在较低响应时间和更低token消耗下保持了小幅上行。
语言指令基本持平：语言与指令遵从从71.1%微升至71.4%，提升0.3个百分点。该项变化很小。
响应速度继续缩短：平均耗时从13s降至10s，缩短约23%。在本轮榜单头部模型中，10s已经属于较低延迟水平。
Token与花费明显下降：平均token从2617降至1269，减少约52%；输出价格从63.0元/百万token降至26.25元/百万token，每千次调用花费从151.2元降至27.8元，下降约82%。

2、横向对比

在当前主流大模型竞争格局中，gemini-3.7-flash作为Google Flash系列的新一代商用模型表现如何？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

20至35元区间的高位模型：若优先看70%以上总分的模型，gemini-3.7-flash（75.4%，27.8元）的重点可比对象包括qwen3.7-plus（73.5%，31.7元）、qwen3.5-plus（73.3%，22.9元）、Doubao-Seed-2.0-pro（72.8%，22.5元）、Qwen3.5-122B-A10B（70.9%，32.3元）和Qwen3.5-27B（70.6%，25元）。在这一筛选口径下，gemini-3.7-flash的中文综合总分处于前列。
速度是核心差异：gemini-3.7-flash平均耗时为10s，明显快于qwen3.7-plus（73s）、qwen3.5-plus（57s）、Doubao-Seed-2.0-pro（309s）、Qwen3.5-122B-A10B（338s）和Qwen3.5-27B（310s）。对于高频问答、工作流中间步骤和交互式应用，这一延迟差异比单纯总分差异更直接。
向上看头部模型：qwen3.7-max（76.9%，99元）、claude-opus-5（76.8%，168.8元）、kimi-k3（75.6%，172.4元）和doubao-seed-evolving（75.5%，304.7元）仍高于gemini-3.7-flash，但分差在0.1至1.5个百分点之间，调用花费则普遍高出较多。这里更适合理解为“接近头部准确率、但定位更偏高频调用”的模型，而不是纯旗舰推理模型。
与上一代Gemini模型对比：gemini-3.7-flash（75.4%，27.8元，10s）高于gemini-3.5-flash（73.9%，151.2元，13s），也高于gemini-3-flash-preview（71.2%，53.5元，72s）。相较gemini-3.1-pro-preview（75.2%，250.5元，53s），3.7 Flash在ReLE总分上略高0.2个百分点，同时花费和耗时更低。需要注意的是，Pro和Flash定位不同，前者更偏复杂推理与综合能力上限，后者更偏低延迟与高频调用。

新旧模型对比

代际变化偏工程效率：gemini-3.7-flash相较gemini-3.5-flash提升1.5个百分点，幅度不算激进，但平均token、输出单价和每千次调用花费都下降较多。更准确地说，这是一次总分小幅上升、调用效率改善更明显的更新。
能力结构有取舍：Agent工具调用提升9.2个百分点，是本次ReLE结果中最清楚的增量；医疗、法律、教育等专业领域也有小幅改善。但推理数学下降4.4个百分点，说明它并非所有维度都同步增强。
Gemini产品线位置变化：当前榜单中，gemini-3.7-flash（75.4%，第5位）已经高于gemini-3.1-pro-preview（75.2%，第9位）、gemini-3.5-flash（73.9%，第14位）和gemini-3-flash-preview（71.2%，第26位）。仅看本轮中文ReLE榜单，3.7 Flash已经不只是低成本补位模型，还是进入头部区间的Flash系列版本。
与近期新模型对比：gemini-3.7-flash与qwen3.6-max-preview（75.4%，139.2元）、qwen3.8-max（75.4%，107.3元）同处75.4%附近，高于gpt-5.5（75.3%，158.5元）、gemini-3.1-pro-preview（75.2%，250.5元）、deepseek-v4-pro（74.9%，94.1元）、claude-opus-4.8-thinking（74.7%，238.2元）和gpt-5.6-sol-pro（74.4%，398.7元）。头部模型分差已经非常密集，排名变化应结合延迟、花费和任务类型一起看。

开源VS闭源对比

闭源阵营中的低延迟前排：在闭源模型中，gemini-3.7-flash的总分进入前列，同时10s平均耗时低于qwen3.7-max（51s）、qwen3.8-max（67s）、gemini-3.1-pro-preview（53s）和doubao-seed-evolving（267s）。Claude Opus 5和gpt-5.5同样具备较低延迟，但调用花费更高。
与开源模型对比：kimi-k3（75.6%，172.4元）略高于gemini-3.7-flash，deepseek-v4-pro（74.9%，94.1元）与其差距为0.5个百分点；qwen3.5-plus（73.3%，22.9元）、glm-5.2（73.0%，110.5元）和kimi-k2.7-code（72.6%，49.7元）则低于3.7 Flash。开源模型在部署自由度和部分低成本场景中仍有优势；在本轮ReLE中，3.7 Flash同时具备较高总分、较低延迟和中等调用花费。
选型需要看调用形态：如果任务强调低延迟、高频调用和Agent工作流中间步骤，gemini-3.7-flash值得重点纳入候选；如果任务强调开放权重、本地部署或特定代码专项，仍需要把kimi-k3、deepseek-v4-pro、qwen3.5-plus、kimi-k2.7-code等模型纳入对比。

3、官方评测

根据Google官方博客（https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-3-7-flash/），官方将其称为Flash系列中面向coding和agent的更强主力模型。Google表示，本次更新来自开发者反馈与算法改进，重点提升软件工程、知识工作、Web开发和复杂工作流。

编码与Web开发

FrontierCode 1.1 Main：Gemini 3.7 Flash达到43.6%，高于Gemini 3.6 Flash的34.4%。同表中Claude Sonnet 5为42.7%，GPT-5.6 Terra为41.3%。该基准更偏产品级代码质量。

DeepSWE v1.1：Gemini 3.7 Flash为65.3%；3.6 Flash约49%（官方配图为48.6%）。该基准用于观察长程软件工程任务表现。

Code Arena：Gemini 3.7 Flash的Web开发Elo为1588，高于Gemini 3.6 Flash的1538，也高于同表中的Claude Sonnet 5（1541）、GPT-5.6 Terra（1523）和Muse Spark 1.2（1535）。

Agent与复杂工作流

Terminal-bench 2.1：Gemini 3.7 Flash为85.8%，高于Gemini 3.6 Flash的78.0%，低于GPT-5.6 Terra的87.4%。
Terminal-bench 3.0：Gemini 3.7 Flash为14.9%，高于Gemini 3.6 Flash的5.4%，接近Claude Sonnet 5的14.6%，低于GPT-5.6 Terra的20.8%。
AutomationBench：Gemini 3.7 Flash为30.4%，高于Gemini 3.6 Flash的17.0%，也高于同表中的Claude Sonnet 5（10.7%）和GPT-5.6 Terra（23.6%）。Google将这一结果用于说明其在企业工作流自动化上的改善。

知识工作、文档与长上下文

GDP.pdf：Gemini 3.7 Flash为34.0%，高于Gemini 3.6 Flash的22.0%，官方将其作为复杂文档处理能力的例子。
Harvey LAB-AA：Gemini 3.7 Flash为90.7%，高于Gemini 3.6 Flash的85.1%，也略高于Claude Sonnet 5的90.1%和GPT-5.6 Terra的85.2%。这一基准更偏复杂法律工作流。
GDM-MRCR v2（8-needle）：Gemini 3.7 Flash在128K平均表现为97.0%，高于Gemini 3.6 Flash的91.8%，也高于Claude Sonnet 5的81.5%和GPT-5.6 Terra的93.5%。这与Google强调的长上下文检索能力相关。

官方表格中也有部分项目并非全面占优。例如CharXiv Reasoning在无工具口径下，Gemini 3.7 Flash为84.5%，低于Gemini 3.6 Flash的85.2%和GPT-5.6 Terra的85.9%；OSWorld-2.0为47.9%，低于GPT-5.6 Terra的50.2%；Agent's Last Exam为26.3%，低于Claude Sonnet 5的33.3%和GPT-5.6 Terra的28.0%。因此，官方结果仍需要按具体任务口径理解。

我们非线智能官网 https://nonelinear.com/static/models.html 已上线gemini-3.7-flash，支持一键接入（附接入代码），添加客服发送体验金，可享20-50元首充奖励，欢迎对比体验。

快速接入代码如下：

from openai import OpenAI


client = OpenAI(
    base_url="https://api.nonlinear.com/v1",
    api_key="YOUR_API_KEY",
)


response = client.chat.completions.create(
    model="gemini-3.7-flash",
    messages=[
        {"role": "user", "content": "为一个客服Agent设计多轮任务执行方案，并列出关键风险点"}
    ],
)


print(response.choices[0].message.content)