Gemini 3.7 Flash: Wenn das schnelle Modell plötzlich für Agenten reicht

Google hat am 13. August Gemini 3.7 Flash veröffentlicht. Nur drei Wochen nach Gemini 3.6 Flash.

Normalerweise wäre eine Versionsnummer wie 3.6 auf 3.7 kein Grund für einen längeren Artikel. Ein paar Prozent mehr in ausgewählten Benchmarks, ein neues Modell in der API und weiter. Diesmal ist der Sprung aber gross genug, dass sich die Frage nach der Rolle der Flash-Modelle neu stellt.

Denn Gemini 3.7 Flash ist nicht einfach die billige und schnelle Variante eines grösseren Modells. In mehreren Coding-, Agenten- und Dokumenten-Benchmarks liegt es inzwischen in einem Bereich, in dem man sich ernsthaft fragen muss, warum man für viele Workloads überhaupt noch ein deutlich teureres Frontier-Modell einsetzen sollte.

Dabei gewinnt 3.7 Flash keineswegs jeden Benchmark. Genau das macht das Modell interessant. Es versucht nicht, um jeden Preis die höchste Zahl auf jedem Leaderboard zu erreichen. Stattdessen verschiebt Google ziemlich aggressiv das Verhältnis zwischen Qualität, Geschwindigkeit und Kosten.

Für produktive AI-Systeme ist das oft die wichtigere Metrik.

Drei Wochen zwischen 3.6 und 3.7

Gemini 3.7 Flash erscheint gerade einmal drei Wochen nach Gemini 3.6 Flash. Google nennt als Gründe Entwicklerfeedback und algorithmische Verbesserungen, die später auch in andere Modelle einfliessen sollen.

Das ungewöhnlich kurze Intervall zeigt gleichzeitig, wie sich die Entwicklung von Foundation Models verändert hat. Wir sind weit entfernt von einem klassischen Software-Releasezyklus, bei dem eine Major-Version ein Jahr hält und zwischendurch ein paar Patches erscheinen.

Modelle werden inzwischen eher wie eine laufend optimierte Plattform behandelt.

Und der Unterschied zwischen 3.6 und 3.7 ist nicht kosmetisch.

Google nennt unter anderem:

• bessere Fehleranalyse und Issue Resolution bei Softwareprojekten
• höhere First-Pass-Qualität bei generiertem Code
• zuverlässigere mehrstufige Tool-Aufrufe
• bessere Einhaltung von Instruktionen
• stärkere Web- und UI-Generierung aus Referenzdesigns
• bessere Verarbeitung komplexer Dokumente
• Verbesserungen bei langen agentischen Abläufen

Das klingt zunächst nach der üblichen Liste aus einem Model Release. Die Benchmarks zeigen aber, dass hinter einigen Punkten tatsächlich grössere Sprünge liegen. (blog.google)

Besonders Coding profitiert

Bei FrontierCode 1.1 steigt Gemini 3.7 Flash laut Google von 34,4 auf 43,6 Prozent. Der Benchmark versucht, die Qualität bei realistischen Aufgaben in produktiven Codebasen zu messen.

Bei DeepSWE v1.1 ist der Unterschied noch deutlicher. Gemini 3.7 Flash erreicht 65,3 Prozent, Gemini 3.6 Flash lag ungefähr bei 49 Prozent.

Auch Terminal-Bench 2.1 steigt von 78,0 auf 85,8 Prozent.

Das sind keine Veränderungen im Bereich statistischen Rauschens.

Benchmark	Gemini 3.6 Flash	Gemini 3.7 Flash
FrontierCode 1.1	34,4 %	43,6 %
DeepSWE v1.1	ca. 49 %	65,3 %
Terminal-Bench 2.1	78,0 %	85,8 %
WebDev Arena	1538 Elo	1588 Elo
AutomationBench	17,0 %	30,4 %
GDP.pdf	22,0 %	34,0 %

Gerade DeepSWE ist interessant, weil dort nicht einzelne isolierte Funktionen geschrieben werden. Der Benchmark untersucht längere Software-Engineering-Aufgaben, bei denen ein Agent einen bestehenden Codebestand verstehen, verändern und über mehrere Schritte hinweg korrekt weiterarbeiten muss.

Das ist wesentlich näher an dem, was Coding-Agenten heute tatsächlich tun.

Google positioniert 3.7 Flash deshalb ziemlich eindeutig als Modell für Coding und Agenten und nicht nur als schnellen Chat-Endpunkt. (blog.google)

Aber es ist nicht plötzlich das beste Modell der Welt

Bei Modell-Releases lohnt es sich, kurz den Marketingnebel auszuschalten.

Google veröffentlicht eine umfangreiche Vergleichstabelle mit Gemini 3.6 Flash, Claude Sonnet 5, GPT-5.6 Terra und Muse Spark 1.2. Gemini 3.7 Flash sieht darin erwartungsgemäss gut aus.

Es gewinnt aber keineswegs überall.

Bei DeepSWE erreicht GPT-5.6 Terra beispielsweise 69,6 Prozent gegenüber 65,3 Prozent bei Gemini. Bei Terminal-Bench 2.1 liegt GPT-5.6 Terra mit 87,4 ebenfalls etwas höher. In Agent’s Last Exam erreicht Claude Sonnet 5 33,3 Prozent, während Gemini 3.7 Flash bei 26,3 Prozent liegt.

Das Modell ist also kein universeller Benchmark-Sieger.

Interessanter ist, wie nahe es teilweise an wesentlich teurere Modelle herankommt und in einigen Disziplinen sogar vor ihnen liegt.

Bei FrontierCode 1.1 erreicht Gemini 3.7 Flash beispielsweise 43,6 Prozent. Claude Sonnet 5 liegt in Googles Vergleich bei 42,7 Prozent und GPT-5.6 Terra bei 41,3 Prozent.

Beim Dokumenten-Benchmark GDP.pdf kommt Gemini auf 34 Prozent. Claude Sonnet 5 erreicht 28 Prozent, GPT-5.6 Terra 24,7 Prozent.

Und bei AutomationBench liegt Gemini 3.7 Flash mit 30,4 Prozent vor GPT-5.6 Terra mit 23,6 Prozent und Claude Sonnet 5 mit 10,7 Prozent.

Das ergibt ein differenzierteres Bild als ein einzelner Leaderboard-Platz: Je nach Aufgabe ist 3.7 Flash irgendwo zwischen sehr gut und Frontier-Niveau.

Für ein Flash-Modell ist das bemerkenswert. (storage.googleapis.com)

Benchmarktabellen brauchen trotzdem ein Warnschild

Die Vergleichszahlen sollte man nicht behandeln, als wären fünf Modelle unter Laborbedingungen exakt gleich getestet worden.

Google beschreibt die Methodik immerhin relativ ausführlich. Einige Ergebnisse stammen von öffentlichen Leaderboards, andere wurden von Google selbst berechnet. Für Konkurrenzmodelle werden teilweise vom jeweiligen Anbieter veröffentlichte Werte übernommen.

DeepSWE wurde für Gemini 3.7 Flash beispielsweise von Google selbst mit einem Mini-SWE-Agent-Harness und High Thinking ausgeführt. Bei Terminal-Bench stammen ebenfalls Teile der Ergebnisse aus eigenen Läufen. GDP.pdf wurde für Gemini und Claude Sonnet 5 von Google berechnet, während Werte anderer Modelle aus öffentlichen Leaderboards stammen.

Bei LVBench wurden für Gemini und GPT-5.6 Terra 1024 Videoframes verwendet, für Sonnet aufgrund von API-Limits dagegen nur 300.

Das heisst nicht, dass die Zahlen wertlos sind. Es bedeutet nur, dass man aus 65,3 gegenüber 69,6 Prozent keine physikalische Naturkonstante machen sollte.

Model Benchmarks sind Orientierungspunkte. Für die Auswahl eines Modells in einem produktiven System ersetzen sie weiterhin keine eigenen Evals. (storage.googleapis.com)

Die eigentlich interessante Zahl lautet 340 Tokens pro Sekunde

Noch spannender wird Gemini 3.7 Flash ausserhalb von Googles eigener Evaluation.

Artificial Analysis misst für Gemini 3.7 Flash mit High Thinking einen Intelligence Index von 56. Das liegt nahe an aktuellen Spitzenmodellen.

Gleichzeitig wurden rund 340 Output Tokens pro Sekunde gemessen.

Damit liegt das Modell zum Zeitpunkt der Veröffentlichung bei Artificial Analysis auf Platz eins bei der Ausgabegeschwindigkeit.

340 Tokens pro Sekunde sind für agentische Systeme nicht nur eine hübsche Benchmarkzahl.

Ein Agent ruft ein Modell normalerweise nicht einmal auf. Eine Aufgabe kann aus Planung, Tool-Auswahl, mehreren Tool-Ergebnissen, erneuter Analyse, Validierung und finaler Antwort bestehen. Bei Multi-Agent-Systemen kommen weitere Modellaufrufe hinzu.

Wenn ein Workflow zehn oder zwanzig Inference-Schritte benötigt, wird Latenz plötzlich zu einem Bestandteil der Architektur.

Ein Modell, das doppelt so lange über jeden Zwischenschritt nachdenkt, macht aus einem theoretisch autonomen Agenten schnell eine ziemlich zähe Benutzererfahrung.

Die Kombination aus hoher Intelligenz und sehr hoher Tokenrate ist deshalb wahrscheinlich eine der wichtigsten Eigenschaften von Gemini 3.7 Flash. (artificialanalysis.ai)

Flash wird damit zur interessanten Default-Klasse

Bisher war die Einteilung relativ einfach.

Für schwierige Aufgaben nimmt man das grosse Modell. Für Klassifikation, Extraktion, einfache Zusammenfassungen oder Routing nimmt man Flash, Haiku, Mini oder eine ähnliche günstigere Variante.

Diese Trennung wird zunehmend unscharf.

Wenn ein schnelles Modell komplexe Coding-Aufgaben lösen, lange Tool-Ketten ausführen, PDFs analysieren und mit einem Kontext von einer Million Tokens arbeiten kann, wird die Frage plötzlich umgedreht:

Warum sollte ich für diesen Schritt das teure Modell verwenden?

Das bedeutet nicht, dass grosse Frontier-Modelle überflüssig werden. Bei besonders schwierigen Reasoning-Aufgaben, komplexer Architekturarbeit oder Situationen mit sehr hohen Kosten eines Fehlers kann ein stärkeres Modell weiterhin sinnvoll sein.

Aber in einem Agentensystem müssen nicht zwanzig Modellaufrufe mit dem teuersten verfügbaren Modell laufen.

Ein Orchestrator kann Gemini 3.7 Flash verwenden. Ein Recherche-Agent ebenfalls. Dasselbe gilt für Tool-Auswahl, Dokumentenanalyse oder viele Coding-Aufgaben. Nur schwierige Fälle werden an ein stärkeres Modell eskaliert.

Solche Modellhierarchien gab es schon vorher. Mit Modellen dieser Leistungsklasse werden sie aber deutlich attraktiver.

0,75 Dollar rein, 3,75 Dollar raus

Dazu kommt der Preis.

Bis zum 31. Dezember 2026 kostet Gemini 3.7 Flash über die normale Gemini API:

Tokens	Preis pro Million
Input	0,75 US-Dollar
Output inklusive Thinking Tokens	3,75 US-Dollar
gecachter Kontext	0,075 US-Dollar

Batch und Flex kosten jeweils nur die Hälfte: 0,375 Dollar für eine Million Input Tokens und 1,875 Dollar für Output.

Ab dem 1. Januar 2027 verdoppeln sich die Standardpreise auf 1,50 beziehungsweise 7,50 Dollar.

Das sollte man bei Kostenrechnungen nicht übersehen. Google spricht bei der Einführung offensiv vom niedrigeren Preis, ein Teil davon ist aber ausdrücklich ein zeitlich begrenztes Einführungsangebot. (ai.google.dev)

Noch ein interessantes Detail: Google hat den Aktionspreis von 3.7 gleichzeitig auch auf Gemini 3.6 Flash übertragen.

3.7 kostet aktuell also nicht halb so viel wie 3.6. Es kostet halb so viel wie 3.6 ursprünglich gekostet hat.

Das ist ein kleiner, aber wichtiger Unterschied.

Eine Million Tokens Kontext

Technisch bringt 3.7 Flash das inzwischen bekannte grosse Gemini-Kontextfenster mit:

Input:   1,048,576 Tokens
Output:     65,536 Tokens

Als Eingabe unterstützt das Modell Text, Bilder, Video, Audio und PDF. Die Ausgabe ist Text.

Eine Million Tokens bedeutet natürlich nicht, dass man einfach das komplette Repository, sämtliche Dokumentation und 14 Logfiles in jeden Prompt kippen sollte.

Langer Kontext ist kein Ersatz für Retrieval und saubere Kontextselektion.

Er verändert aber die Optionen.

Ein Coding-Agent kann wesentlich grössere Teile eines Repositorys gleichzeitig betrachten. Ein Dokumenten-Agent kann mehrere umfangreiche Reports gemeinsam analysieren. Ein Agent kann Tool-Ergebnisse über einen längeren Ablauf behalten, ohne dass sofort aggressive Context Compression nötig wird.

Google erreicht im eigenen GDM-MRCR-v2-Test für Long Context 97 Prozent gegenüber 91,8 Prozent bei Gemini 3.6 Flash.

Auch hier gilt: Kontextfenster und tatsächlich nutzbarer Kontext sind zwei verschiedene Dinge. Die Entwicklung geht aber eindeutig in eine Richtung, in der Context Engineering zunehmend wichtiger wird als das reine Zählen von Tokens. (ai.google.dev)

Für Agenten ist die Tool-Unterstützung fast wichtiger als der Chat

Gemini 3.7 Flash unterstützt praktisch den vollständigen Werkzeugkasten der aktuellen Gemini API:

• Function Calling
• Code Execution
• File Search
• Google Search Grounding
• Google Maps Grounding
• URL Context
• Structured Outputs
• Context Caching
• Computer Use als Preview

Damit lässt sich das Modell wesentlich sinnvoller als Teil eines Systems einsetzen als nur über eine Chatoberfläche.

Gerade Function Calling und Structured Outputs sind für produktive Agenten entscheidend. Ein Modell kann sprachlich hervorragend sein und trotzdem als Agent ungeeignet bleiben, wenn es Funktionsargumente unzuverlässig erzeugt oder bei längeren Tool-Schleifen irgendwann den Zustand verliert.

Google nennt genau diese mehrstufige Ausführung als einen der Schwerpunkte von 3.7 Flash.

Computer Use ist ebenfalls vorhanden, allerdings weiterhin als Preview.

Nicht unterstützt werden dagegen unter anderem die Live API sowie direkte Bild- und Audiogenerierung. (ai.google.dev)

Thinking ist jetzt eine Architekturentscheidung

Gemini 3.7 Flash bietet drei Thinking Levels:

low
medium
high

medium ist der Standard.

Low reduziert Reasoning-Aufwand und damit Latenz. Google empfiehlt es unter anderem für Echtzeitchats, Incident-Response-Pipelines und schnelle Analysen.

Medium soll für die meisten komplexeren Aufgaben reichen.

High investiert mehr Tokens in Reasoning und Tool-Nutzung und ist für schwierige Coding-, Mathematik- und Agentenaufgaben gedacht.

Das ist für die Architektur eines AI-Systems interessanter als eine globale Einstellung.

Ein Router braucht normalerweise kein High Thinking. Dasselbe gilt für einfache Klassifikation oder das Extrahieren strukturierter Parameter.

Ein Agent, der einen Race Condition in einem verteilten Zahlungssystem analysieren soll, darf dagegen ruhig etwas länger nachdenken.

Die passende Frage lautet deshalb nicht mehr nur:

Welches Modell verwenden wir?

Sondern:

Welches Modell mit welchem Reasoning-Budget verwenden wir für diesen konkreten Schritt?

Damit wird Inference zunehmend zu einer dynamischen Ressource, ähnlich wie CPU, Speicher oder Datenbankzugriffe.

Auch die API bewegt sich weiter

Wer von älteren Gemini-Modellen migriert, sollte nicht einfach nur den Modellnamen austauschen.

Google hat in der Gemini-3-Serie einige frühere Parameter entfernt. temperature, top_p und top_k gehören bei der Migration zu den Parametern, die nicht mehr verwendet werden sollen. Das frühere thinking_budget wird durch thinking_level ersetzt.

Auch vorbefüllte Model Turns werden nicht mehr unterstützt. Mehrturninteraktionen sollen über die serverseitige previous_interaction_id geführt werden.

Wer bereits Gemini 3.6 Flash verwendet, hat einen Teil dieser Änderungen allerdings schon hinter sich.

Der eigentliche Aufruf ist entsprechend unspektakulär:

from google import genai

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-3.7-flash",
    input="Analyze this codebase and identify potential race conditions."
)

print(interaction.output_text)

Interessanter als die zehn Zeilen Python ist alles, was darum herum passiert: Tool Schemas, Zustand, Context Management, Evals, Tracing, Fehlerbehandlung und die Frage, wann überhaupt ein LLM aufgerufen werden sollte. (ai.google.dev)

Google setzt selbst auf das Modell

3.7 Flash ist nicht nur ein experimenteller Preview-Endpunkt.

Das Modell ist direkt allgemein verfügbar und laut Google für produktive Nutzung vorgesehen.

Google verwendet es ausserdem als neues Standardmodell für seinen Antigravity-Agenten. Auch Gemini Spark wechselt auf 3.7 Flash.

Das ist ein relevantes Signal. Gerade agentische Modelle lassen sich schwer allein mit statischen Benchmarks beurteilen. Tool Calling, Recovery nach Fehlern, Zustand über längere Abläufe und die Fähigkeit, eine Aufgabe trotz unerwarteter Zwischenergebnisse weiterzuführen, zeigen sich erst im Betrieb.

Dass Google das Modell unmittelbar in eigenen Agentenprodukten einsetzt, passt deshalb zur Positionierung als “workhorse model”. (blog.google)

Der spannendste Wettbewerb findet nicht an der Spitze statt

Bei neuen Modellen konzentriert sich die Diskussion oft darauf, welches gerade Platz eins auf irgendeinem Leaderboard erreicht.

Für AI Engineering ist eine andere Entwicklung wahrscheinlich relevanter.

Die Modelle direkt unterhalb der absoluten Spitze werden extrem gut.

Gemini 3.7 Flash ist dafür ein gutes Beispiel. Es ist nicht in jeder Disziplin das leistungsfähigste Modell. Bei einigen Coding- und Agenten-Benchmarks liegt GPT-5.6 Terra vorne, bei anderen Aufgaben Claude Sonnet 5.

Aber 3.7 Flash ist schnell, multimodal, verfügt über ein sehr grosses Kontextfenster, unterstützt die für Agenten wichtigen Tools und kostet aktuell deutlich weniger als viele Modelle, gegen die es antritt.

Das verändert Systemarchitekturen.

Wenn ein günstiges Modell 90 oder 95 Prozent der Aufgaben zuverlässig erledigt, ist es oft wirtschaftlicher, genau dieses Modell als Standard zu verwenden und nur die schwierigen Fälle zu eskalieren.

Der teuerste Modellaufruf ist schliesslich nicht automatisch der beste Architekturentscheid.

Fazit

Gemini 3.7 Flash ist kein spektakulärer Technologiesprung im Sinne einer völlig neuen Modellgeneration. Es ist vielleicht etwas Interessanteres: eine weitere Verschiebung dessen, was wir von einem schnellen und günstigen Modell erwarten können.

Vor nicht allzu langer Zeit waren Flash-Modelle vor allem für Aufgaben interessant, bei denen Geschwindigkeit wichtiger war als maximale Qualität.

Diese Grenze funktioniert immer schlechter.

Mit 3.7 Flash liefert Google ein Modell, das bei realistischen Coding-Aufgaben, Tool-Nutzung, Dokumentenanalyse und agentischen Workflows teilweise auf Frontier-Niveau arbeitet, während es gleichzeitig zu den schnellsten Modellen am Markt gehört.

Für mich ist deshalb weniger die Frage interessant, ob Gemini 3.7 Flash in einem bestimmten Benchmark drei Punkte vor oder hinter GPT-5.6 Terra liegt.

Die spannendere Frage lautet:

Wenn ein Modell mit dieser Leistung 0,75 Dollar pro Million Input Tokens kostet und mehr als 300 Tokens pro Sekunde ausgeben kann, wie viele Aufgaben rechtfertigen dann noch automatisch das grosse Modell?

Genau diese Frage dürfte bei der Architektur agentischer Systeme in den nächsten Monaten immer häufiger auftauchen.