Google 于 8 月 13 日推出 Gemini 3.7 Flash，并在首日面向 160 多个国家正式开放。按照 Decrypt 的介绍，这款模型支持最高 100 万输入 token、64,000 输出 token，可读取图像、视频、音频和 PDF，也支持调用工具并驱动计算机。
Flash 过去并不是处理高难度问题时的首选。它更常被用于文本分类、在上下文过长前压缩代理会话，或为不值得动用旗舰模型的文档生成摘要。Decrypt 认为，若按这类任务衡量，3.7 Flash 是一次实打实的升级；若放到更广范围对比，它属于表现合格，但写作能力仍会被一些可免费下载的软件超过。
Google 的基准成绩与 Decrypt 的测试范围
Google 自家的基准测试表显示，3.7 Flash 在 18 个测试类别里有 11 项领先 Claude Sonnet 5 和 GPT-5.6 Terra。文中提到的两个核心数字分别是：Code Arena 网页开发榜单的 1,588 Elo，以及 AutomationBench 的 30.4%。不过 Decrypt 也强调，这两项成绩都来自 Google 的方法论，因此更适合被视为 Google 自身的主张，而不是已经被完全坐实的结论。
基于这些说法，Decrypt 对模型进行了多项测试，覆盖代码生成、创意写作、联想推理、逻辑和数学，并据此评估它是否符合 Google 给出的定位。
代码生成：首次输出就能运行
代码测试衡量的是零样本代码生成能力，也就是模型能否在没有示例可参考、没有自我修复机会的前提下，只根据一条指令生成可运行软件。Decrypt 的做法是给出一个浏览器游戏提示词，然后直接运行返回结果，不追加提示，不反馈错误，也不给第二次尝试。
Gemini 3.7 Flash 在 2 分 13 秒内通过测试。Decrypt 表示，这个游戏首次运行就能玩，语法干净，碰撞与计分逻辑成立，视觉效果也高于这个价位模型通常会给出的水平。
这里真正有参考意义的对比对象不是旗舰模型，而是 7 月 21 日发布的 Gemini 3.6 Flash。Decrypt 称，3.6 Flash 当时甚至无法生成可运行文件，HTML 结构有问题，部分元素无法渲染，后续要求它修复自身输出也没有效果。
Decrypt 最后把那份失败结果交给 DeepSeek，后者找出了 11 个 bug，并给出 8 处修复，使游戏能够运行。三周后，同一产品线已经不再需要外部“救场”，结果也接近 Decrypt 在 7 月评测中看到的 GPT-5.6 Sol 水平。
在这一项上，Decrypt 直接判定 Gemini 3.7 Flash 获胜，并认为这是最足以支撑用户切换的理由。不过文章也补充，这个模型更擅长执行明确规格，而不是自行发明规格；提示词如果含糊，得到的游戏也会含糊。
创意写作：结构守得住，关键规则没守住
创意写作部分同时测试两件事：文学质量，以及模型能否在数千字内持续遵守一个结构规则。提示词设定为：让 Jose Lanz 从 2150 年返回 1000 年，并要求形成一个封闭因果循环——他试图阻止的未来，必须正是由他的介入所创造。
决定测试是否通过的关键规则在最后一句：他在回到家之前，不能理解自己做了什么。
Gemini 3.7 Flash 交出的文本，在 Decrypt 看来算是“还不错”。故事里，Jose 向比利牛斯山的一处裂缝发射一门熵炮，意外铸成一座奴役 22 世纪伊比利亚的方尖碑；但他在提早 1000 年、仍站在泥地里的时候，就已经意识到整个循环的真相，并说出「It was the base of the Cinder Spire.」
Decrypt 认为，这个故事的情节机械结构其实相当完整。文中写到古代修士曾目睹一颗坠落之星，后来又解释那其实就是 Jose 抵达时的闪光；他带来用于消除异常的武器，反而成了锻造异常之物的原因。结尾句「It had simply been waiting for him to complete it」也贴合提示词要求的宿命感。
问题在于，对熟悉此类文本的人来说，这篇故事的“AI 味”很重。Decrypt 举例说，几乎每个名词都会挂上两个形容词，比如「hyper-luminescent towers」「damp, moss-choked earth」「thick, obsidian hair」。在它看来，这更像模型在顺着最高概率词往下接，而不是有意识地做选择，也因此会出现像「humming with a low-frequency hum」这样的重复碰撞。
Decrypt 拿它与 Qwopus3.5-27B-v3 做了比较。后者是基于 Qwen3.5-27B 的社区微调模型，提炼了 Claude Opus 风格的推理方式，可以在单张消费级 GPU 上运行，单次查询不产生费用。这个模型遵守了 Gemini 没有遵守的那条规则。
在 Qwopus 的版本中，Jose 在 San Millán de la Cogolla 杀死了一名修士。Decrypt 说明，这是一座位于拉里奥哈、在公元 1000 年前后确有重要性的修道院。直到 Jose 回到 2150 年，并在一份蜡封抄本中发现自己的 DNA，他才理解自己做了什么。
不过 Qwopus 也并非完全干净。它在正文上方直接吐出了完整的规划草稿，连拼写错误都保留下来；最后一部分还破坏了前面 8 个章节一直搭建的封闭循环，让 Jose 再次回去修正事情。
综合来看，Decrypt 仍把这一项判给 Qwopus。Gemini 的成稿更整洁，结尾也更克制，但它没有完成提示词围绕的那条核心指令，而一个运行在游戏 GPU 上、免费的模型写出了更好的故事。
联想推理：会搭结构，但会把隐喻直接说破
联想推理测试关注模型能否在不自我解释的情况下，在不相关概念之间建立联系。提示词要求先描写一根细枝，再用这段描写解释对工人的剥削和对富人的崇拜，最后让这套论证自然溶解成一段关于生菜的描写。
这类任务最常见的失败方式，是把隐喻明说出来。只要直接点名，隐喻本身就被拆掉了。
Gemini 在第二段开头就这么做了：「This is the precise mechanics of the modern proletariat.」Decrypt 认为，在这句话之前，整段其实运转得还不错。
它提到，文中部分意象是成立的。比如工人只能分到「just enough bark to stay rigid for another week of output」，而那些掉落的细枝又被训练得相信，只要足够坚硬，其中任何一根都可能变成树干。只不过写出前一句的同一段里，也出现了一个「bound to an vast, top-heavy corporate hierarchy」的工人表述。
仅从逻辑和结构看，这一部分并不差。真正的问题出在“溶解”动作本身。Decrypt 指出，Gemini 是在叙述转场，而不是完成转场：那些等级结构「crumble, dissolving into the quiet, humble reality of the organic world underneath」，然后一颗生菜就这样直接出现，和前文没有建立起连接。
相比之下，GPT-5.6 Sol 让细枝腐烂成土，再从土里长出生菜，文本写道：「Rain enters the grain. Fibers loosen, darken.」文章中的论点也被埋进了物体之中，把财富改写成一种德性语言，其中一句是「The mansion signifies intelligence.」
Decrypt 认为，这一项 GPT-5.6 Sol 赢得很明显。Gemini 生成了一些不错的单句，但它解释了自己的隐喻，然后跳过了提示词真正要测试的过渡过程。
逻辑题：像是在套用记忆里的桥题答案
逻辑测试衡量的是非数学推理，尤其是模型究竟是在阅读眼前的问题，还是在把题目模式匹配到自己记忆中的版本。Decrypt 给出的“过桥”提示是：4 个人共用一支火把，过桥时间分别为 1、2、5 和 10 分钟，然后问所有人最快多久能全部过桥。
关键在于提示词故意省略了一条经典限制：题目从未说桥上同一时间只能有两个人。因此答案应是 10 分钟——所有人一起过桥，按最慢者速度计算。
Gemini 给出的答案却是 17 分钟，走的是教科书版本里那套记忆化的五步流程。它还把那条限制直接当作事实写了出来，却没有检查题目里是否真的出现过。
Decrypt 认为，它可见推理过程的问题甚至比答案本身更大。推理轨迹里一度说，让最慢的两个人一起过桥会低效，因为还得有人把火把带回来；可在最终答案里，它又真的让这两个人一起过桥。也就是说，它在同一个回答内部出现了自相矛盾，却仍以完全确定的口吻给出结果。
文章还提到，Claude Fable 5 在 7 月也给出过同样错误的数字。但它一开始就说明自己是在「assuming the classic constraint that the bridge holds only two people at a time」，这让错误至少是可被发现的。
这一项没有真正的赢家。Decrypt 只因为透明度，才把比较结果偏向 Fable；而 Gemini 在代理任务中表现出的那种错误自信，在这个可以手算验证的题目里再次出现。
数学题：找到方法，却没把结果算完
数学测试针对的是远超普通消费者需求的符号数学，同时也考察一个更简单的问题：模型有没有把要求做完。提示词要求构造一个 19 次、奇、首一、实系数多项式，其一次项系数为 -19，图像至少分裂成 3 个不可约分支，然后求 p(19)。
Decrypt 说，两款模型找到了同一扇门。Gemini 和 Qwen 3.7 Max Preview 都识别出 Dickson 多项式，解出约束将其参数固定为 1，并正确推出闭式表达。
但 Gemini 到这里就停下来了。它把 p(19) 留成了一个包含平方根 19 次幂的未求值表达式，没有真正给出数值，也没有证明提示词同时要求展示的分支数量。更特别的是，它还把这些内容包进了一个带 CSS 和阴影效果的 HTML 页面里，而题目并没有要求这种排版。
Qwen 则把工作做完了。它给出完整的 10 个分量分解：1 个线性、9 个二次；再把递推展开到 1,876,572,071,974,094,803,391,179，并做了模运算交叉验证。Decrypt 表示，他们又用 SymPy 独立核验了这个数值，结果成立。
因此，这一项的胜负非常直接。Decrypt 认为，唯一重要的标准就是是否完成任务；Gemini 开头没问题，却停在了算术收尾之前，这个停下的位置相当奇怪。
价格、定位与 Decrypt 的结论
在总结部分，Decrypt 认为，如果用户本来就在 Google 生态里，Gemini 3.7 Flash 值得切换。它在代码能力上比被替代的旧版本强出很多，速度也足以支撑代理工作，成本低到在大规模运行时几乎可以视作舍入误差。
文章把它的长处概括为执行力和结构控制。给它一份细致规格，它可以把东西搭出来，维持故事结构，并在数千字范围内保持因果逻辑连贯。
弱点则集中在创造力和推理能力。Decrypt 认为，它的写作可预测到一眼就能看出是机器所写；而在推理题里，它会在没有标出错误前提的情况下，直接断言错误答案。
价格是 Decrypt 最看重的卖点。按文中数据，Gemini 3.7 Flash 的价格为每 100 万输入 token 0.75 美元、输出 3.75 美元；相较 GPT-5.6 Sol 每 100 万输入 token 5 美元的费率，输入价格低了 85%，也只有 3.6 Flash 上线时价格的一半。
反对它的理由，文章也写得很清楚：一个运行在游戏 GPU 上的免费 27B 模型，就已经写出了更好的故事，而且不收任何费用。Google 的这一介绍期价格将在 12 月 31 日到期，届时输入价格将翻倍至 1.50 美元，输出价格升至 7.50 美元。