Gemini 3.7 Flash baute aus einem einzigen Prompt in 2 Minuten und 13 Sekunden ein spielbares Browser-Spiel – eine Aufgabe, an der sein Vorgänger Gemini 3.6 Flash drei Wochen zuvor klar gescheitert war.

Bei unserem Brücken-Logikrätsel lieferte es dieselbe falsche Antwort wie Claude Fable 5 und brach außerdem ab, bevor es die von ihm korrekt aufgestellte Mathematikaufgabe tatsächlich berechnete.

Das Modell kostet bis zum 31. Dezember 75 Cent pro Million Eingabe-Tokens – die Hälfte des Tarifs von 3.6 Flash – und verdoppelt sich dann am 1. Januar auf 1,50 US-Dollar.

Google hat Gemini 3.7 Flash am 13. August veröffentlicht und es war am ersten Tag in mehr als 160 Ländern allgemein verfügbar. Es verarbeitet bis zu eine Million Eingabe-Tokens, gibt 64.000 Tokens aus, liest Bilder, Video, Audio und PDFs und kann Werkzeuge aufrufen sowie einen Computer steuern.

Flash war nie das Modell, zu dem man bei schwierigen Problemen greift. Es ist das Modell, mit dem man Texte sortiert, Agentensitzungen verdichtet, bevor sie unter ihrem eigenen Kontext zusammenbrechen, und Dokumente zusammenfasst, für die man kein Flaggschiff-Modell bezahlen möchte. Gemessen an solchen Aufgaben ist 3.7 Flash ein echtes Upgrade. Gemessen an allem anderen ist es ein kompetentes Modell, das von Software übertroffen wird, die man kostenlos herunterladen kann.

Googles eigene Benchmark-Tabelle setzt 3.7 Flash in 11 von 18 getesteten Kategorien vor Claude Sonnet 5 und GPT-5.6 Terra. Die Schlagzeilenwerte sind 1.588 Elo auf Code Arenas Web-Development-Rangliste und 30,4 % auf AutomationBench. Beide stammen aus Googles Methodik, daher sollte der Vorsprung als Behauptung des Unternehmens und nicht als gesicherte Tatsache verstanden werden.

Wir haben das Modell getestet, um zu prüfen, ob es Googles Aussagen gerecht wird. Das sind unsere Ergebnisse.

Coding: Kann es beim ersten Versuch etwas lauffähiges bauen?

Dieser Test misst Zero-Shot-Codegenerierung – also ob ein Modell aus einer einzigen Anweisung lauffähige Software erzeugt, ohne Beispiele zum Kopieren und ohne Chance zur Selbstkorrektur. Wir geben einen einzelnen Prompt für ein Browser-Spiel vor und veröffentlichen, was zurückkommt, inklusive Fehlern. Kein Nachfragen, keine Fehlermeldungen, kein zweiter Versuch.

Gemini 3.7 Flash bestand in 2 Minuten und 13 Sekunden. Das Spiel war im ersten Lauf spielbar, die Syntax war sauber, Kollisions- und Punktelogik funktionierten, und die visuelle Qualität lag über dem, was die Preisklasse erwarten lässt.

Der relevante Vergleich ist kein Flaggschiff, sondern Gemini 3.6 Flash vom 21. Juli, das überhaupt keine funktionierende Datei erzeugen konnte. Das HTML war fehlerhaft, Elemente wurden nicht gerendert, und weitere Prompts zur Reparatur der eigenen Ausgabe führten zu nichts.

Am Ende gaben wir dieses Desaster an DeepSeek weiter, das 11 Fehler fand und 8 Korrekturen einspielte, um das Spiel lauffähig zu machen. Drei Wochen später braucht dieselbe Produktlinie keine Rettung mehr, und das Ergebnis liegt nahe an dem, was GPT-5.6 Sol in unserer Juli-Analyse geliefert hat.

Gemini 3.7 Flash gewinnt diesen Teil klar, und das ist der stärkste einzelne Grund für einen Wechsel. Der Vorbehalt lautet, dass es Spezifikationen ausführt statt sie zu erfinden; ein vager Prompt ergibt also ein vages Spiel.

Das Spiel von Gemini 3.7 Flash kann man hier ausprobieren.

Kreatives Schreiben: Kann es ein Paradox tragen und einen Satz schreiben?

Dieser Abschnitt prüft zwei Dinge zugleich: literarische Qualität und die Fähigkeit, über Tausende von Wörtern eine strukturelle Regel einzuhalten. Der Prompt schickt Jose Lanz aus dem Jahr 2150 zurück ins Jahr 1000 und verlangt eine geschlossene Kausalschleife – seine Intervention muss genau das sein, was die Zukunft erzeugt, die er verhindern wollte.

Die entscheidende Regel ist der letzte Satz: Er darf erst verstehen, was er getan hat, wenn er wieder zu Hause ist.

Gemini 3.7 Flash lieferte ein ordentliches Ergebnis. Jose feuert eine entropische Kanone in einen pyrenäischen Spalt, schmiedet versehentlich einen Obelisken, der das Iberien des 22. Jahrhunderts versklavt, und begreift die ganze Schleife, während er noch tausend Jahre zu früh im Schlamm steht: „Es war die Basis des Cinder Spire.“

Die Plot-Mechanik ist tatsächlich ziemlich solide. Die Geschichte erwähnt einen fallenden Stern, den Mönche der Antike beobachteten, und stellt klar, dass es der Lichtblitz von Joses eigener Ankunft war; und die Waffe, die er mitgebracht hat, um die Anomalie zu tilgen, ist genau das, was sie hervorbringt. Der Schlussatz – „Es hatte einfach nur darauf gewartet, dass er es vollendet“ – trifft die vom Prompt verlangte Determiniertheit.

Aber für alle, die daran gewöhnt sind, schreit die Geschichte nach „KI“. Fast jedes Substantiv kommt mit zwei angehängten Adjektiven: „hyper-leuchtende Türme“, „feuchte, moosbedeckte Erde“, „dichtes, obsidianfarbenes Haar“. Das ist die Textur eines Modells, das das wahrscheinlichste nächste Wort auswählt, statt eines bewusst zu wählen, und es erzeugt Zusammenstöße wie einen Monolithen, der „mit einem niederfrequenten Summen summt“.

Wir verglichen das mit Qwopus3.5-27B-v3, einem Community-Fine-Tuning von Qwen3.5-27B, das Claude-Opus-artiges Schließen destilliert und auf einer einzigen Consumer-GPU pro Abfrage kostenlos läuft. Es befolgte die Regel, an der Gemini scheiterte.

Jose tötet einen Mönch in San Millán de la Cogolla, einem realen Kloster in La Rioja, das um das Jahr 1000 tatsächlich wichtig war, und versteht erst nach seiner Rückkehr in das Jahr 2150 und dem Fund seiner eigenen DNA in einem wachssiegelten Kodex, was er getan hat.

Qwopus ist allerdings auch nicht völlig sauber. Es hat seinen gesamten Planungs-Scratchpad oberhalb der Geschichte ausgekippt, einschließlich Tippfehlern, und sein Schlussabschnitt bricht die geschlossene Schleife, die es über acht Abschnitte aufgebaut hat, indem es Jose zurückgehen und Dinge reparieren lässt.

Unterm Strich gewinnt aber Qwopus. Gemini lieferte das sauberere Paket und das diszipliniertere Ende, scheiterte jedoch an der einen Vorgabe, um die der Prompt gebaut war, und ein kostenloses Modell auf einer Gaming-GPU schrieb die bessere Geschichte.

Assoziatives Denken: Kann eine Metapher ein Argument tragen?

Dieser Test misst assoziatives Denken – also ob ein Modell Verbindungen zwischen unzusammenhängenden Konzepten herstellen kann, ohne sie erklären zu müssen. Der Prompt verlangt erst eine Beschreibung eines Zweigs, nutzt diese dann, um Arbeiterausbeutung und die Verehrung der Reichen zu erklären, und fordert anschließend, dass das Argument in einer Beschreibung eines Salatkopfs zerfällt.

Das Problem ist das Markieren. Wer die Metapher benennt, zerstört sie.

Gemini benennt sie gleich in der ersten Zeile des zweiten Absatzes: „Dies ist die genaue Mechanik des modernen Proletariats.“ Alles davor funktionierte.

Einige Bilder haben durchaus Gewicht. Der Arbeiter erhält „gerade genug Rinde, um für eine weitere Woche Output steif zu bleiben“, und die gefallenen Zweige werden darauf konditioniert zu glauben, dass mit genug Steifheit einer von ihnen zu einem Stamm werden könnte. Der Absatz mit dem ersten dieser Bilder enthält auch einen Arbeiter, der „an eine riesige, kopflastige Konzernhierarchie gebunden“ ist. Nicht schlecht in Bezug auf Logik und Struktur.

Der eigentliche Zusammenbruch ist das Auflösen. Gemini erzählt den Übergang, statt ihn zu vollziehen – die Hierarchien „zerbröckeln und lösen sich in die stille, bescheidene Realität der organischen Welt darunter auf“ – und dann erscheint einfach ein Salatkopf, ohne Verbindung zu allem, was vorher kam.

GPT-5.6 Sol lässt den Zweig zu Erde verrotten und daraus den Salat wachsen: „Regen dringt in das Korn ein. Fasern lösen sich, dunkeln ab.“ Das Argument ist ebenfalls im Objekt selbst verankert, mit Reichtum als Sprache der Tugend umgedeutet, in der „Das Herrenhaus Intelligenz bedeutet“.

GPT-5.6 Sol gewinnt klar. Gemini lieferte eine schöne Einzelzeile, erklärte aber seine eigene Metapher und übersprang dann genau den Übergang, den der Prompt testen sollte.

Logik: Liest es den Prompt oder erkennt es das Rätsel wieder?

Dieser Test misst nicht-mathematisches Denken und insbesondere, ob ein Modell die vorliegende Frage liest oder nur auf ein bekanntes Muster zurückgreift. Unser Brücken-Prompt gibt vier Personen eine Fackel und Gehzeiten von 1, 2, 5 und 10 Minuten und fragt dann, wie schnell alle hinüberkommen können.

Der Trick liegt in dem, was der Prompt nicht sagt. Er erwähnt nie, dass nur zwei Personen gleichzeitig auf der Brücke sein dürfen, also lautet die Antwort 10 Minuten – alle gehen gemeinsam im Tempo der langsamsten Person.

Gemini antwortete mit 17 Minuten und zog damit das auswendig gelernte Fünf-Schritte-Manöver aus der Standardversion des Rätsels durch. Es stellte die Einschränkung als Tatsache dar, ohne je zu prüfen, ob wir sie überhaupt genannt hatten.

Seine sichtbare Begründung ist schlechter als die Antwort selbst. Der Gedankengang behauptet, dass es ineffizient wäre, die beiden Langsamsten zusammen überqueren zu lassen, weil jemand die Fackel zurückbringen müsste – und die Endantwort lässt sie dann trotzdem zusammen hinübergehen. Das widerspricht sich innerhalb einer einzigen Antwort und präsentiert das Ergebnis mit völliger Selbstsicherheit.

Claude Fable 5 landete bereits im Juli bei derselben falschen Zahl. Es begann mit der Offenlegung seiner Annahme: „assuming the classic constraint that the bridge holds only two people at a time“, und genau das ist der Unterschied zwischen einem falschen Ergebnis, das man erkennen kann, und einem, das man nicht erkennt.

Niemand gewinnt. Fable gewinnt hier allein durch Transparenz, und die falsche Selbstsicherheit in Gemini-Agentenläufen zeigt sich genau in einem Rätsel, das man von Hand prüfen kann.

Mathematik: Zieht es die Aufgabe durch?

Dieser Test misst symbolische Mathematik weit jenseits des üblichen Anwendungsbereichs für Verbraucher, plus etwas Einfacheres: ob das Modell das tut, worum es gebeten wurde. Der Prompt verlangt ein ungerades monisches Polynom 19. Grades mit reellen Koeffizienten und linearem Koeffizienten -19, dessen Kurve in mindestens drei irreduzible Komponenten zerfällt, und fragt dann nach p(19).

Beide Modelle fanden dieselbe Tür. Gemini und Qwen 3.7 Max Preview identifizierten beide das Dickson-Polynom, lösten die Nebenbedingung und setzten den Parameter korrekt auf 1, und leiteten die geschlossene Form korrekt her.

Dann stoppte Gemini. Es gab p(19) als unausgewerteten Ausdruck aus, der die 19. Potenz einer Quadratwurzel enthielt, lieferte nie die Zahl und zeigte auch nie die vom Prompt zusätzlich geforderte Komponentenanzahl. All das erschien in einer stilisierten HTML-Seite mit CSS und einem Schlagschatten, den niemand verlangt hatte.

Qwen machte weiter. Es lieferte die vollständige Faktorisierung in 10 Komponenten – eine lineare, neun quadratische –, rechnete die Rekursion bis 1.876.572.071.974.094.803.391.179 aus und prüfte das Ergebnis modular nach. Wir haben diesen Wert unabhängig in SymPy verifiziert, und er stimmt.

Qwen gewinnt nach dem einzigen Kriterium, das zählte. Gemini begann ordentlich und entschied dann, die Arithmetik zu überspringen – ein merkwürdiger Punkt, um aufzuhören.

Fazit

Gemini 3.7 Flash ist einen Wechsel wert, wenn man ohnehin bereits im Google-Ökosystem arbeitet. Es ist deutlich besser beim Code als das Modell, das es ersetzt, schnell genug für Agentenarbeit und so günstig, dass der Betrieb in hoher Stückzahl kaum ins Gewicht fällt.

Seine Stärken sind Ausführung und Struktur. Gibt man ihm eine detaillierte Spezifikation, baut es das Ding, hält eine Handlung zusammen und bewahrt die Kausalität über Tausende von Wörtern hinweg.

Seine Schwächen sind Kreativität und Schlussfolgerung. Das Schreiben ist vorhersehbar genug, um auf Anhieb als maschinell erkennbar zu sein, und das Modell behauptet falsche Antworten, ohne die Annahme zu markieren, die sie falsch machte.

Der Preis ist das stärkste Argument dafür. Mit 75 Cent pro Million Eingabe-Tokens und 3,75 US-Dollar für Ausgaben unterbietet es den Eingabetarif von GPT-5.6 Sol in Höhe von 5 US-Dollar um 85 % und kostet halb so viel wie 3.6 Flash zum Start.

Das Gegenargument ist ein kostenloses 27B-Modell auf einer Gaming-GPU, das eine bessere Geschichte schrieb und dafür nichts verlangte. Googles Einführungstarif läuft am 31. Dezember aus; dann verdoppeln sich die Eingabekosten auf 1,50 US-Dollar und die Ausgabekosten auf 7,50 US-Dollar.