Gemini 3.7 Flash 长上下文实测表现 · 干货攻略

• 链接: https://x.com/simonw/status/2082122012726608345
• 分类: x-tips
• 来源: X @simonw
• 作者: Jay
• 更新: 2026-08-21

这是什么

Gemini 3.7 Flash 是 Google 于 2026 年 8 月 13 日发布的工作负载模型，基于 Gemini 3.6 Flash 的算法改进版，主打编码和 Agent 场景。官方标称上下文窗口为 1,048,576 tokens（约 1M），最大输出 65,536 tokens（64K），支持文本、图像、音频、视频、PDF 多模态输入。

本攻略的核心议题是：该模型在超长上下文下的实际召回表现，与官方标称窗口之间的关系，以及你该如何正确使用它。

为什么值得关注

@simonw（Simon Willison）在 X 上分享了 Gemini 3.7 Flash 的关键发现，指向了一个容易忽略的陷阱：模型虽然技术上支持 100 万 token 的上下文窗口，但 Google 官方模型卡中的长上下文召回基准 GDM-MRCR v2 仅在 128k token 粒度下测试（8-needle 平均），取得了 97.0% 的检索准确率——而 128k 以上区间的召回表现，官方未提供任何数据。

这意味着如果你计划向模型投喂大量文档做 RAG 或分析，在 128k token 之后，实际可用性没有公开数据支撑，需要自行测试或保守处理。

核验过程

官方来源

1. Google DeepMind Gemini 3.7 Flash 模型卡 （https://deepmind.google/models/model-cards/gemini-3-7-flash/，2026 年 8 月 13 日发布）

关键数据摘录：

注意：GDM-MRCR v2 基准仅在 128k token 粒度下有数据，模型卡未提供 128k 以上区间的召回率数字。模型依赖文档指向 Gemini 3.6 Flash 模型卡 PDF。

2. Google Cloud Gemini Enterprise Agent Platform 定价页 （https://cloud.google.com/gemini-enterprise-agent-platform/generative-ai/pricing）

关键结论：

• Gemini 3.7 Flash 全窗口统一计费，不区分短/长上下文，不存在 200K token 的价格悬崖（这与 3.1 Pro / 2.5 Pro 不同）
• 引入期价格 $0.75 / $3.75 per 1M tokens，有效期至 2026 年 12 月 31 日
• 2027 年 1 月 1 日起标准价格为 $1.50 / $7.50，翻倍
• 缓存输入（Cached Input）引入期 $0.075 / 1M tokens（约 9 折）

交叉验证

通过 Tavily 搜索多个第三方来源（kie.ai、apidog.com、emergent.sh、myclaw.ai 等）交叉核验，结论一致：

• 所有来源均确认 1M token 上下文窗口，64K 最大输出
• 所有来源均确认引入期 $0.75/$3.75，2027 年翻倍至 $1.50/$7.50
• 多个来源指出 GDM-MRCR 基准仅在 128k 粒度测试，128k 以上无公开数据
• 确认 3.7 Flash 全窗口统一费率，不存在 200K 定价翻倍机制

⚠️ 无法核验的说法

@simonw 原帖链接（simonwillison.net/2026/Aug/13/gemini-37-flash）目前返回 404，无法确认其帖中提及的具体数字（如 input $0.15→$0.30/M、output $6→$10/M 等）。这些数字在 Google 官方文档和所有第三方来源中均未找到对应记录，攻略正文不引用这些未经确认的数字。

上手步骤

1. 获取 API Key

访问 Google AI Studio 或通过 Google Cloud Vertex AI 获取密钥。Gemini 3.7 Flash 已普遍可用（GA）。

2. 调用示例（Python + google-generativeai）

import google.generativeai as genai
import os

genai.configure(api_key=os.environ["GEMINI_API_KEY"])

model = genai.GenerativeModel("gemini-3.7-flash")

# 短上下文调用
response = model.generate_content("解释这段代码的逻辑：...")
print(response.text)

3. 长上下文调用（推荐保守策略）

# 读取大文档（建议控制在 128k tokens 以内以获得可靠召回）
with open("large_doc.txt", "r") as f:
    content = f.read()

# Gemini 对 token 的估算约 4 字符 ≈ 1 token
# 128k tokens ≈ 512k 字符；超此范围建议分块或自行测试召回
if len(content) > 500_000:
    print("⚠️ 超过 128k token 建议分块处理，召回率无官方保证")
    # 分块策略：按章节或按固定字符数拆分
    chunks = [content[i:i+500_000] for i in range(0, len(content), 500_000)]
else:
    response = model.generate_content(f"分析以下文档：\n{content}")
    print(response.text)

4. 上下文缓存降成本

# 使用上下文缓存，引入期享受 90% 折扣
result = genai.embed_content(
    model="gemini-3.7-flash",
    content=content,
    task_type="RETRIEVAL_DOCUMENT"
)
# 缓存后相同内容再次调用费用大幅降低

5. 监控长上下文调用成本

# 2027 年 1 月 1 日起费率翻倍，提前做好预算规划
# 当前引入期: $0.75 / $3.75 per 1M
# 未来标准:    $1.50 / $7.50 per 1M

def estimate_cost(input_tokens, output_tokens, post_2027=False):
    rate_in = 1.50 if post_2027 else 0.75
    rate_out = 7.50 if post_2027 else 3.75
    cost = (input_tokens / 1_000_000) * rate_in \
         + (output_tokens / 1_000_000) * rate_out
    return cost

print(f"本次调用预估: ${estimate_cost(50_000, 5_000):.4f}")
print(f"2027 年后同一调用: ${estimate_cost(50_000, 5_000, post_2027=True):.4f}")

坑与适用边界

坑 1：1M 窗口 ≠ 1M 可用召回

Google 官方 GDM-MRCR v2 基准仅在 128k token 粒度验证了召回准确率（97.0%），128k 以上的长距离召回无官方数据。如果你的任务依赖模型准确找到跨越数十万 token 的信息点，强烈建议在部署前自行做召回测试，不要假设性能线性保持。

建议：对超长文档（>128k tokens）采用分块+汇总的两阶段方案，而非一次梭哈全部上下文。

坑 2：引入期价格有截止日期

$0.75/$3.75 的优惠价格有效期至 2026 年 12 月 31 日，之后立刻翻倍至 $1.50/$7.50。如果你在做年度预算或长期合同规划，务必将翻倍后的价格纳入计算。大量使用的团队可以考虑在 2026 年 Q4 提前锁量。

坑 3：64K 输出上限

模型的单次输出上限为 65,536 tokens（约 64K），对于需要生成超长报告的场景需要注意截断风险。长输出任务可以拆解为多轮调用。

坑 4：3.7 Flash ≠ 3.6 Flash 架构完全相同

Gemini 3.7 Flash 基于 3.6 Flash 的算法改进，并非新的预训练runs。模型卡将所有架构细节指向 3.6 Flash PDF——如果你需要深入理解底层能力（硬件、训练数据），请查阅 Gemini 3.6 Flash 模型卡 PDF。

适用边界

一句话结论

Gemini 3.7 Flash 是目前性价比最高的工作负载模型之一（$0.75/$3.75 per 1M），编码和 Agent 任务提升显著，但 128k token 以上的长上下文召回没有官方基准数据支撑，超长文档场景不要裸用 1M 窗口，记得 2027 年初价格翻倍提前做好预算。