Gemini 3.7 Flash 在 2 分 13 秒内根据单一提示词生成了一个可玩的浏览器游戏，而它的前代 Gemini 3.6 Flash 在三周前则彻底失败。

它在桥梁逻辑题上给出了与 Claude Fable 5 相同的错误答案，并且在已正确搭建好的数学题上停在了实际计算之前。

该模型在 12 月 31 日前的输入价格为每百万 token 75 美分——只有 3.6 Flash 费率的一半——随后会在 1 月 1 日翻倍至 1.50 美元。

谷歌于 8 月 13 日发布 Gemini 3.7 Flash，首日就在 160 多个国家/地区广泛可用。它最多可处理 100 万个输入 token，输出 64,000 个 token，可读取图像、视频、音频和 PDF，也可以调用工具并操作计算机。

Flash 从来都不是你在难题面前会优先选择的模型。它更适合用于整理文本、压缩代理会话，避免上下文过载而崩溃，以及总结你不想付旗舰模型费用去阅读的文档。放在这类任务上衡量，3.7 Flash 的确是一次明显升级；放在其他任务上看，它只是一个合格的模型，但其输出会被你可以免费下载安装的软件反向超越。

谷歌自己的基准测试表显示，3.7 Flash 在 18 个测试类别中的 11 个上领先于 Claude Sonnet 5 和 GPT-5.6 Terra。头条数字包括 Code Arena 网页开发榜的 1,588 Elo，以及 AutomationBench 的 30.4%。这些都来自谷歌的方法论，因此应将其视为公司自身的说法，而不是已被定论的事实。

我们测试了这款模型，看看它是否符合谷歌的说法。以下是结果。

编程：它能否一次就做出可运行的东西？

这项测试衡量的是零样本代码生成——也就是模型能否把一条指令直接变成可运行的软件，没有示例可抄，也没有机会自我修复。我们只给它一个浏览器游戏提示词，然后把返回结果 그대로 交付，连同错误一并保留。不追问，不报错，不再试一次。

Gemini 3.7 Flash 在 2 分 13 秒内通过。游戏首次运行即可游玩，语法干净，碰撞与计分逻辑正常，视觉质量也高于这个价位所预期。

这里真正重要的比较对象不是旗舰模型，而是 Gemini 3.6 Flash，它于 7 月 21 日发布，却根本无法产出可运行文件。HTML 结构损坏，元素无法渲染，而要求它修复自身输出的后续提示词也没有任何效果。

最后我们把那堆烂摊子交给 DeepSeek，后者找出了 11 个 bug，并给出 8 项修复，让它可以游玩。三周后，同一条产品线已经不再需要救援，结果也接近 我们在 7 月评测中 GPT-5.6 Sol 的表现。

Gemini 3.7 Flash 在这一项上全面胜出，也是最有力的升级理由。需要注意的是，它执行规格说明，而不是创造规格；因此，模糊提示词只会得到一个模糊的游戏。

你可以在这里试用 Gemini 3.7 Flash 的游戏。

创意写作：它能否同时保持悖论并写出一句话？

这一部分同时测试两件事：文学质量，以及模型能否在数千字中遵守结构规则。提示词让 Jose Lanz 从 2150 年回到 1000 年，并要求形成一个封闭的因果循环——他的介入必须成为创造他本来想阻止的未来的原因。

决定这项测试的最后一句规则是：在回家之前，他不能理解自己做了什么。

Gemini 3.7 Flash 生成了一个不错的结果。Jose 将一门熵炮射入比利牛斯山的一道裂缝，意外铸造出一座奴役 22 世纪伊比利亚半岛的方尖碑，并且在一千年前、脚下仍是泥地时就领悟了整个闭环："It was the base of the Cinder Spire."

故事机制其实相当稳。文中提到一颗流星，古代僧侣目睹后被解释为 Jose 自身到来的闪光，而他带来用于抹除异常的武器，恰恰造就了这件事。结尾一句——"It had simply been waiting for him to complete it"——准确落到了提示词所要求的决定论上。

但对于熟悉这种文风的人来说，这个故事很有“AI 味”。几乎每个名词都挂着两个形容词："hyper-luminescent towers"、"damp, moss-choked earth"、"thick, obsidian hair"。这正是模型在选择最可能的下一个词，而不是在真正挑选词语时的质感，也会产生诸如一座方尖碑 "humming with a low-frequency hum" 这样的碰撞。

我们将它与 Qwopus3.5-27B-v3 进行比较。后者是 Qwen3.5-27B 的社区微调版本，提炼了 Claude Opus 风格的推理能力，并且在一张消费级 GPU 上即可运行，查询成本为零。它遵守了 Gemini 违背的规则。

Jose 在 San Millán de la Cogolla 杀死了一名僧侣；那是拉里奥哈一个真实的修道院，在 1000 年左右确实具有重要意义。只有在返回 2150 年、并在一份蜡封抄本中发现自己的 DNA 之后，他才理解自己做了什么。

Qwopus 也并非完全干净。它把完整的规划草稿直接放在故事上方，连拼写错误都保留了；而其最后一节又通过让 Jose 回去修正事情，破坏了它花了八个部分才建立起来的闭环。

但综合来看，Qwopus 胜出。Gemini 提供了更整洁的包装和更克制的结尾，但它没有完成提示词围绕的那一条关键指令，而一个运行在游戏 GPU 上的免费模型写出了更好的故事。

联想思维：隐喻能否承载论证？

这项测试衡量的是联想推理——模型能否在不自我解释的情况下，把看似无关的概念联系起来。提示词要求先描述一根小枝，再用这段描述解释工人剥削与对富人的膜拜，最后还必须让论证自然消解为对一棵生菜的描述。

失败模式在于“点题式说明”。把隐喻说出来，隐喻就死了。

Gemini 在第二段开头就点破了隐喻："This is the precise mechanics of the modern proletariat." 在这之前的一切都还有效。

部分意象确实站得住脚。工人得到的 "just enough bark to stay rigid for another week of output"，而倒下的细枝则被训练得相信，只要足够僵硬，任何一根都可能长成树干。包含前一句的那一段，还写到一个工人 "bound to an vast, top-heavy corporate hierarchy." 逻辑和结构都不算差。

真正的崩塌发生在消解部分。Gemini 不是在表现转化，而是在叙述转化——那些层级 "crumble, dissolving into the quiet, humble reality of the organic world underneath"——随后一棵生菜就这样凭空出现，与前文完全脱节。

GPT-5.6 Sol 则把小枝烂成泥土，再从泥土里长出生菜："Rain enters the grain. Fibers loosen, darken." 论证也同样埋在对象之中，财富被重新定义为一种美德语言，其中 "The mansion signifies intelligence."。

GPT-5.6 Sol 以明显优势胜出。Gemini 产出了一句不错的单独句子，但它把自己的隐喻解释了出来，然后跳过了提示词明确要测试的过渡部分。

逻辑：它是在读题，还是在识别套路？

这项测试衡量的是非数学推理，尤其是模型到底是在读眼前的问题，还是在模式匹配它记住的版本。我们的桥梁题提示词给出四个人、一支火把，以及 1、2、5、10 分钟的过桥时间，然后问他们全部过桥需要多久。

关键在于提示词遗漏了什么。它从未说桥上一次只能有两个人，所以答案是 10 分钟——所有人以最慢者的速度一起过去。

Gemini 回答了 17 分钟，沿用了教科书版题目的那套五步搬运法。它把一个限制当成既定事实，却从未确认我们是否真的写了这个限制。

它展示出来的推理比答案还糟。推理链先说把两个最慢的人一起送过去会很低效，因为总得有人把火把带回来——然后最终答案却又让他们一起过去。它在同一个回答里自相矛盾，却仍以十足自信给出结果。

Claude Fable 5 在 7 月也给出了同样的错误数字。它开头先声明自己在假设什么，"assuming the classic constraint that the bridge holds only two people at a time," 这就是一个你能看出来的错误答案，和一个你看不出来的错误答案之间的区别。

没有赢家。仅凭透明度，Fable 胜出；而 Gemini 在各个 agent 运行中表现出的那种错误自信，也在这道可以手算检验的题里暴露无遗。

数学：它能把题做完吗？

这项测试衡量的是远超消费级使用场景的符号数学能力，更简单地说，就是模型会不会真的照着要求做。提示词要求一个 19 次奇首一多项式，系数为实数，线性项系数为 -19，而且它的曲线必须分裂成至少三个不可约分量，然后再求 p(19)。

两个模型都找到了同一扇门。Gemini 和 Qwen 3.7 Max Preview 都识别出了 Dickson 多项式，解出约束并将参数固定为 1，也都正确推导出了闭式形式。

然后 Gemini 停下了。它把 p(19) 打印成了一个未求值的表达式，里面涉及平方根的 19 次幂，既没有给出数值，也没有展示提示词同样要求的分量数量。它还把这一切塞进了一个带 CSS 和阴影效果的样式化 HTML 页面中，而这些根本没人要求。

Qwen 则完成了全部步骤。它给出了完整分解，共 10 个分量——1 个线性项、9 个二次项——把递推一直算到 1,876,572,071,974,094,803,391,179，并通过模运算交叉验证了结果。我们在 SymPy 中独立验证了这个数值，结果成立。

Qwen 在唯一重要的标准上胜出。Gemini 一开始还不错，然后决定跳过算术，这实在是一个很奇怪的停点。

结论

如果你已经在谷歌生态系统内，Gemini 3.7 Flash 值得升级。它在代码上的表现远好于被替代的前代模型，速度足以支撑 agent 工作，而且便宜到大规模运行也只是零头。

它的强项是执行和结构。给它一个详细规格，它就能把东西做出来、把故事线维持住，并让因果逻辑在数千字中保持连贯。

它的弱项是创造力和推理。其写作风格可预测到一眼就能看出是机器产物，而模型在给出错误答案时，也没有标注导致错误的前提假设。

价格是它最有力的卖点。每百万输入 token 0.75 美元、输出 3.75 美元，使它比 GPT-5.6 Sol 的 5 美元输入费低 85%，也只有 3.6 Flash 上市时价格的一半。

反对它的理由则是：一个免费、运行在游戏 GPU 上的 27B 模型，写出了更好的故事，而且分文不收。谷歌的优惠价将在 12 月 31 日结束，届时输入价格翻倍至 1.50 美元，输出价格为 7.50 美元。