Token 效率的胜利
2026 年 7 月 21 日，Google 发布 Gemini 3.6 Flash。在 DeepSWE v1.1（长程软件工程基准）上，3.6 Flash 平均每个任务输出 97K tokens，上一代 3.5 Flash 要 276K tokens。同样的任务，输出量砍掉 65%。在 Artificial Analysis Intelligence Index 上，平均输出 token 也减少了 17%。
输出 token 少了，价格也更低：每百万输入 token 1.5 美元，输出 token 7.5 美元。3.5 Flash 的输出价格是 9 美元。Google 在博客中写道，3.6 Flash 通过更少的推理步骤和工具调用来完成多步任务，减少了不必要的代码修改和执行循环。
上图来自 Google 官方数据。左图是 DeepSWE v1.1 的每任务输出 token 量，右图是 Artificial Analysis Intelligence Index。
六模型 Benchmark 横评
Google 同时公布了一份六模型对比表，将 Gemini 3.6 Flash 与 Gemini 3.5 Flash、Gemini 3.1 Pro、GPT-5.6 Luna、Grok 4.5、Claude Sonnet 5 放在一起。
数据汇总如下：
| Benchmark | Gemini 3.6 Flash | Gemini 3.5 Flash | Gemini 3.1 Pro | GPT-5.6 Luna | Grok 4.5 | Claude Sonnet 5 |
|---|---|---|---|---|---|---|
| 输入价格 ($/1M tokens) | $1.50 | $1.50 | $2.00 | $1.00 | $2.00 | $3.00 |
| 输出价格 ($/1M tokens) | $7.50 | $9.00 | $12.00 | $6.00 | $6.00 | $15.00 |
| SWE-Bench Pro（编程） | 58.7% | 55.1% | 54.2% | 62.7% | 64.7% | 63.2% |
| DeepSWE v1.1（长程软件工程） | 49% | 37% | 12% | 67% | 54% | 54% |
| Terminal-bench 2.1（终端编程） | 78.0% | 76.2% | 73.8% | 84.7% | 83.3% | 80.4% |
| MLE-Bench（机器学习工程） | 63.9% | 49.7% | 42.6% | 47.6% | 43.2% | 66.9% |
| GDPVal-AA v2（知识工作 Elo） | 1421 | 1349 | 965 | 1584 | 1535 | 1607 |
| OSWorld-Verified（计算机操作） | 83.0% | 78.4% | 76.2% | 72.6% | — | 81.2% |
| CharXiv Reasoning（图表推理，无工具） | 85.2% | 84.2% | 83.3% | 82.7% | 81.6% | 77.0% |
| CharXiv Reasoning（图表推理，有工具） | 89.4% | 84.9% | 83.2% | — | — | 88.3% |
| LVBench（长视频理解） | 83.2% | 80.7% | 74.9% | 71.2% | 71.2% | 68.5% |
| GDM-MRC v2 128k（长上下文） | 91.8% | 77.3% | 84.9% | 74.8% | 81.4% | 71.6% |
| GDM-MRC v2 1M（百万级上下文） | 54.0% | 26.6% | 26.3% | — | — | — |
加粗标注每行最高分。数据来自 Google DeepMind，方法论见 deepmind.google/models/evals-methodology/gemini-3-6-flash。
各模型的优势区域
从表格数据看，六个模型各有强项：
编程类（SWE-Bench Pro / DeepSWE / Terminal-bench）：Grok 4.5 和 GPT-5.6 Luna 领先。GPT-5.6 Luna 在 DeepSWE v1.1 拿到 67%，Terminal-bench 2.1 拿到 84.7%，均为全场最高。Grok 4.5 在 SWE-Bench Pro 以 64.7% 排第一。Gemini 3.6 Flash 在这三项中排第三或第四。
计算机操作与多模态（OSWorld / CharXiv / LVBench）：Gemini 3.6 Flash 全面领先。OSWorld-Verified 83.0%，CharXiv 图表推理 89.4%（有工具），LVBench 长视频理解 83.2%，均为全场最高。Google 在多模态和 Agent 类任务上的积累在数据上有所体现。
长上下文（GDM-MRC v2）：Gemini 3.6 Flash 在 128k 和 1M 两个档位都是最高分。128k 平均 91.8%，1M pointwise 54.0%。GPT-5.6 Luna、Grok 4.5、Claude Sonnet 5 在 1M 档位没有数据。
知识工作（MLE-Bench / GDPVal-AA v2）：Claude Sonnet 5 在这两项领先，MLE-Bench 66.9%，GDPVal-AA v2 Elo 1607。Gemini 3.6 Flash 紧随其后，MLE-Bench 63.9%，GDPVal 1421。
上图为 Google 公布的代际对比，展示 3.6 Flash 相对 3.5 Flash 和 3.1 Pro 在四项 Agent 基准上的提升。DeepSWE v1.1 从 37% 提升到 49%，MLE-Bench 从 49.7% 提升到 63.9%，OSWorld-Verified 从 78.4% 提升到 83.0%。
Token 效率带来的成本差异
3.6 Flash 的竞争力集中在效率维度。以 DeepSWE v1.1 为例：
- 3.5 Flash：276K 输出 tokens/任务 × $9.00/1M = 每任务约 $2.48
- 3.6 Flash：97K 输出 tokens/任务 × $7.50/1M = 每任务约 $0.73
同样完成一道软件工程任务，3.6 Flash 的输出成本约为 3.5 Flash 的三成。token 用量减少意味着推理时间更短、上下文窗口占用更低，对需要大量 API 调用的 Agent 应用场景影响很大。
横看定价，Gemini 3.6 Flash 的输出价格（$7.50）低于 GPT-5.6 Luna 和 Grok 4.5（$6.00，但 token 用量更大），远低于 Claude Sonnet 5（$15.00 全价）。输入价格方面，GPT-5.6 Luna 最低（$1.00），Gemini 3.6 Flash 和 3.5 Flash 持平（$1.50）。
另外两款模型：3.5 Flash-Lite 与 3.5 Flash Cyber
Google 同步发布了两个衍生模型。
Gemini 3.5 Flash-Lite 面向高吞吐、低延迟场景。Artificial Analysis 测得其速度为 350 输出 tokens/秒，是 3.5 系列中最快的。定价为每百万输入 token 0.3 美元、输出 2.5 美元。Terminal-Bench 2.1 得分 54%（上一代 3.1 Flash-Lite 为 31%），GDPval-AA v2 从 642 提升到 1140。在部分 Agent 和编程评测上甚至超过了 3 Flash（SWE-Bench Pro 54.2% vs 49.6%，OSWorld-Verified 74.0% vs 65.1%）。该模型同样内置了计算机操作工具。
Gemini 3.5 Flash Cyber 基于 3.5 Flash 微调，专为发现和修复代码安全漏洞设计，搭配 Google 的 CodeMender 安全 Agent 使用。在 CyberGym 基准上达到前沿竞争力。鉴于双用逞性质，该模型仅通过 CodeMender 向政府和受信任合作伙伴开放，以受限试点形式推出。
Gemini 4 已启动预训练
Google 在博客中透露，Gemini 3.5 Pro 目前正在与合作伙伴测试，计划准备就绪后广泛推出。同时，DeepMind 已启动 Gemini 4 的大规模预训练，Google 称之为"迄今最具雄心的预训练运行"。
3.6 Flash 和 3.5 Flash-Lite 已上线 Gemini 应用、Google AI Studio、Android Studio 和 Gemini Enterprise。3.6 Flash 还在 Google Antigravity 中可用。知识截止日期为 2026 年 3 月。
来源：Google Blog