Google hat am 13. August 2026 das Modell Gemini 3.7 Flash eingeführt, eine neue Version seines Modells für intensive alltägliche Nutzung mit einem klaren Schwerpunkt auf Programmierung, agentenbasierten Workflows und Aufgaben im Unternehmenswissen. Die Veröffentlichung folgt nur drei Wochen auf Gemini 3.6 Flash. Google erklärte, dass die hohe Aktualisierungsgeschwindigkeit mit dem Feedback der Entwickler und algorithmischen Verbesserungen zusammenhänge.
Das Unternehmen senkt die Nutzungspreise des Modells über die API vorübergehend um 50 %; bis zum 31. Dezember 2026 betragen die Kosten etwa 0,75 US-Dollar pro Million Eingabetoken und 3,75 US-Dollar pro Million Ausgabetoken. Ab dem 1. Januar 2027 steigen die Preise auf 1,50 US-Dollar für Eingaben und 7,50 US-Dollar für Ausgaben, während das Caching des Kontexts während der Einführungsphase 0,075 US-Dollar pro Million Token kostet und anschließend auf 0,15 US-Dollar steigt.
Fokus auf die Ausführung mehrstufiger Aufgaben
Google beschreibt Gemini 3.7 Flash als sein bisher „intelligentestes Arbeitsmodell“ für Programmierung und Agenten. Nach Angaben des Unternehmens ist das Modell besser im Umgang mit Hindernissen, bittet bei Bedarf um eine Klärung der Absicht und befolgt Anweisungen präziser. Außerdem „denkt es gründlicher nach“, wenn es mehrstufige Aufgaben plant und Tool-Aufrufe ausführt.
Diese Verbesserungen sollen wiederholte Versuche und menschliche Eingriffe bei Programmier- und Geschäftsagenten verringern. In einer Entwicklungsumgebung eines Unternehmens könnte das Modell dazu beitragen, unnötige Änderungen zu reduzieren, sich von Fehlern zu erholen und komplexe Pläne zuverlässiger umzusetzen. Gleiches gilt für Agenten, die mit mehreren Dokumenten und Anwendungen arbeiten, bei denen ein falscher Tool-Aufruf oder eine ungenaue Auslegung der Anweisungen den Workflow stoppen kann.
Google DeepMind erklärte, die neue Version mache Fortschritte bei der Fehlerbehebung und Problemlösung sowie bei der Erstellung vollständigeren Web- und App-Layouts mit weniger Eingabeaufforderungen. Hinzu kämen Verbesserungen bei Schlussfolgerungen und Genauigkeit in realen geschäftlichen Workflows.
Starke Verbesserungen bei der Programmierung ohne allgemeinen Vorsprung
Nach den Tests von Google erzielte Gemini 3.7 Flash im Test FrontierCode 1.1 Main zur Messung der Qualität von Produktionscode 43,6 %, verglichen mit 34,4 % für Version 3.6. Laut Googles Tabelle übertraf es außerdem knapp die Ergebnisse von Claude Sonnet 5 mit 42,7 % und GPT-5.6 Terra mit 41,3 %.
Im Test DeepSWE v1.1 für langfristige Programmieraufgaben erreichte das Modell 65,3 %, gegenüber 49,0 % für seinen Vorgänger, blieb jedoch hinter GPT-5.6 Terra mit 69,6 %. Bei der Webentwicklung erzielte es in der Code Arena eine Elo-Wertung von 1588, gegenüber 1538 für Gemini 3.6 Flash, 1541 für Claude Sonnet 5 und 1523 für GPT-5.6 Terra.
Die Ergebnisse zeigen keinen allgemeinen Vorsprung in allen Bereichen. Im Test Terminal-bench 2.1 erzielte das Modell 85,8 %, gegenüber 87,4 % für GPT-5.6 Terra. Außerdem war Terra in Terminal-bench 3.0 und OSWorld-2.0 überlegen. Im Test Agent's Last Exam für Büro- und multimodale Aufgaben lag Claude Sonnet 5 mit einer Erfolgsquote von 33,3 % vorn, gegenüber 26,3 % für Gemini 3.7 Flash.
Unternehmensanwendungen und wettbewerbsfähige Preise
Die angekündigten Verbesserungen erstrecken sich auf die Geschäftsautomatisierung und das Dokumentenverständnis. Gemini 3.7 Flash erzielte laut Google-Daten in AutomationBench 30,4 %, verglichen mit 17,0 % für die vorherige Version, 23,6 % für GPT-5.6 Terra und 10,7 % für Claude Sonnet 5. Im Test GDP.PDF zum Verständnis komplexer PDF-Dateien erreichte es 34,0 %, gegenüber 22,0 % für Gemini 3.6 Flash, 28,0 % für Claude Sonnet 5 und 24,7 % für GPT-5.6 Terra.
Google stellt das Modell Abonnenten von Google AI Pro und Ultra innerhalb von Spark, seinem persönlichen KI-Agenten, zur Verfügung. Dazu gehören Verbesserungen bei Wissensaufgaben und der Nutzung von Google-Workspace-Tools, etwa beim Zusammenstellen von Dateien, beim Verfassen von E-Mails und beim Aktualisieren von Statusdokumenten. Für Unternehmen ist es außerdem über die Gemini Enterprise Agent Platform und die Gemini-Enterprise-Anwendung verfügbar.
Die Einführungspreise sind im Wettbewerb um den Betrieb autonomer Agenten besonders relevant, da eine einzelne Anfrage eine lange Kette von Modellaufrufen, Inferenz-Token und Tool-Interaktionen erzeugen kann. Der Artikel weist darauf hin, dass ein niedrigerer Tokenpreis nicht zwangsläufig geringere Endkosten bedeutet, wenn das Modell wiederholte Versuche benötigt. Der praktische Maßstab wird daher die Kosten für die erfolgreiche Erledigung einer Aufgabe sein und nicht allein der Preis pro Million Token.
Verfügbarkeit und Kontext der Markteinführung
Entwickler können über die Gemini API in Google AI Studio und Android Studio sowie über die Google-eigene Umgebung Antigravity auf Gemini 3.7 Flash zugreifen. Für Unternehmen ist das Modell über die Gemini Enterprise Agent Platform und Gemini Enterprise verfügbar, für Verbraucher mit Google-AI-Pro- oder -Ultra-Abonnements über Spark in den unterstützten Ländern. Google erklärte, außerdem aktualisierte Schutzmaßnahmen eingeführt zu haben, die chemische, biologische, radiologische und nukleare Risiken sowie den Missbrauch des Modells bei Cyberangriffen abdecken.
Die Veröffentlichung erfolgt zu einem Zeitpunkt, an dem Google keinen Termin für die Verfügbarkeit von Gemini 3.5 Pro angekündigt hat, das laut dem Artikel weiterhin von Partnern getestet wurde. Gemini 3.1 Pro bleibt damit das neueste allgemein verfügbare Pro-Modell des Unternehmens. Gemini 3.7 Flash stärkt somit Googles Reihe schneller Modelle, entscheidet den Wettbewerb um das führende Modell jedoch nicht.
Für Entwicklungsteams bieten die Leistungssteigerung und der Einführungspreis einen Anreiz, das Modell zunächst mit ihren eigenen Code-Repositories, Eingabeaufforderungen, Tool-Schemata und spezifischen Fehlerfällen zu testen, bevor eine Produktionsanwendung darauf umgestellt wird. Wie lange der wirtschaftliche Vorteil nach der Rückkehr der Preise auf das reguläre Niveau im Januar 2027 anhält, wird davon abhängen, wie zuverlässig das Modell reale Aufgaben mit weniger Versuchen abschließen kann.