Gemini 3.6 Flash Thinking Levels: Kosten im Praxistest

• minimal kostete bei unseren neun produktionsnahen Aufgaben 73.6 % weniger als der medium-Standard und erreichte ebenfalls neun von neun Punkten. Wenn Sie bisher nie eine Stufe ausgewählt haben, ist dies Ihr größter Kostenhebel.
• Thinking-Tokens machten bei medium 75 % der Gesamtkosten aus, einschließlich der Eingabe-Tokens. Die Antwortlänge veränderte sich über alle vier Stufen kaum; fast der gesamte Kostenunterschied zwischen den Stufen entfällt daher auf das Denken.
• low nutzt kein festes Budget. Bei allen neun Durchläufen zur strukturierten Extraktion erzeugte die Stufe genau null Thinking-Tokens und kostete dort genauso viel wie minimal, setzte bei Tool-Aufrufen und Codeaufgaben aber weiterhin Thinking-Tokens ein.
• Über low hinaus führte mehr Denken in unserer schwierigeren Runde nicht zu mehr richtigen Antworten. Die Ergebnisse lagen bei 2, 10, 10 und 8 von 15 für minimal, low, medium und high.
• Die Standardeinstellung ist nicht falsch, sondern lediglich unspezifisch. medium ist eine vernünftige mittlere Einstellung für noch unbekannte Aufgaben. Sobald Sie die Struktur Ihrer Workloads kennen, sollten Sie die Stufe bewusst festlegen.
• Jeder veröffentlichte Benchmark für dieses Modell läuft unter high, während der API-Standard medium ist. Das sind unterschiedliche Rechnungen und unterschiedliche Latenzen.

Die kurze Antwort nach Level

Die folgende Tabelle zeigt, was jede Stufe bei einem Durchgang durch dieselben neun Aufgaben kostete und für welche Aufgaben sich die jeweilige Ausgabe lohnte.

Die Zahl, die niemand veröffentlicht: Antwort-Token gegen Denk-Token

Jeder Preisvergleich dieses Modells, den wir am Tag der Markteinführung finden konnten, behandelt die ausgegebenen Token als eine Zahl. Dadurch werden zwei Größen zusammengeführt, die sich nicht gleich verhalten, und wenn man sie erst einmal trennt, löst sich der größte Teil der Verwirrung rund um diese Veröffentlichung auf.

Hier ist ein Durchlauf durch unsere neun Aufgaben, wobei die Ausgabeseite in die Token aufgeteilt ist, die Sie lesen können, und die Token, die Sie nicht lesen können.

Lesen Sie zuerst die Antwort-Token-Spalte. Über acht Konfigurationen, zwei Modelle und vier Denkebenen hinweg bleibt es zwischen 977- und 1,162-Tokens, und die höchste Zahl in der Spalte gehört zur günstigsten Konfiguration. Die Modelle liefern Antworten von ungefähr gleicher Länge, unabhängig davon, wie viel sie zuerst denken.

Lesen Sie jetzt die Spalte der Thinking-Tokens. Sie reicht von null bis 8,288. Das ist die ganze Geschichte Ihrer Rechnung.

Hier sind die gleichen Daten wie Geld, wobei jeder Durchgang in das aufgeteilt wird, was Sie für die Eingabe, für die Antwort und für das Denken bezahlt haben, zu den Standardtarifen von Gemini 3.6 Flash von $1.50 pro Million Eingabe-Tokens und $7.50 pro Million Ausgabe-Tokens.

Auf der Standardstufe sind drei Viertel Ihrer Bezahlung Argumente, die Sie nie sehen, bei Aufgaben, bei denen die Stufe keinen Einfluss darauf hat, ob die Antwort richtig war. Das ist kein Defekt des Modells. Dies geschieht, wenn ein allgemeiner Standard eine bestimmte Arbeitslast erfüllt.

Dies erklärt auch, warum die Frage „Speichert das neue Modell Token?“ in der Öffentlichkeit widersprüchliche Antworten erhält. Bei der Behauptung geht es um Ausgabe-Tokens. Bei Ausgabe-Tokens handelt es sich größtenteils um Denk-Tokens, und die Anzahl der Denk-Tokens hängt von der Denkebene ab, was fast niemand angibt. Eine Messung ohne Angabe des Füllstandes ist nicht reproduzierbar.

Wie wir das gemessen haben

Zwei Runden, ausgeführt am 2026-07-21, dem Tag, an dem beide Modelle veröffentlicht wurden.

• Anrufe gingen über OpenRouter, wobei der Anbieter an Google AI Studio angeheftet war, und wurden seriell und nicht gleichzeitig gesendet. Das Gateway gibt nicht an, welche Region die Anfrage bedient hat, daher können wir keine Angabe machen.
• Die Kosten werden anhand der Standardlistenpreise von Google berechnet, nicht anhand der eigenen Abrechnung des Gateways. Die Gateway-Routen werden zu einem ermäßigten Tarif angeboten, und eine Kombination aus beiden würde dazu führen, dass unsere Zahlen nicht mit den von Google veröffentlichten Preisen vergleichbar sind.
• Es wurden keine Probenahmeparameter festgelegt. temperature, top_p und top_k sind auf Gemini 3.x veraltet und werden akzeptiert und dann ignoriert. Das Setzen dieser Werte hätte also nichts geändert, während es impliziert, dass wir die Dokumentation nicht gelesen haben. Wenn Sie sie dennoch in der Produktion einrichten, werden die restlichen Schnittstellenänderungen dieser Version in unserem Gemini 3.6 Flash-Release-Leitfaden behandelt.
• Die Bewertung erfolgt regelbasiert und nicht menschlich. Korrektheit ist hier eine unterstützende Messgröße, um die Erklärung auszuschließen, dass ein billiges Niveau billig aussieht, weil es in aller Stille weniger Arbeit leistet.
• Antwort-Tokens und Denk-Tokens wurden für jeden einzelnen Anruf separat erfasst, was die obigen Tabellen ermöglicht.

Warum die veröffentlichten Benchmarks diese Frage nicht beantworten

Es gibt einen dokumentierten Grund, warum niemand dies nachschlagen kann. Die im Umlauf befindlichen Benchmark-Zahlen werden auf einem Niveau gemessen, das der Großteil des Produktionsverkehrs nicht erreicht, und die Quellen geben dies selten an.

• Artificial Analysis, derzeit die einzige unabhängige Quelle mit einer vollständigen Aufschlüsselung dieses Modells, gemessen am high-Denken. Der API-Standard ist medium.
• Googles eigene Ergebnistabelle für Gemini 3.5 Flash-Lite wurde mit high erstellt, während der API-Standard dieses Modells minimal ist. Das Ausführen der Standardkonfiguration ist nicht das in der Tabelle beschriebene Experiment.
• In der Vergleichstabelle von Google läuft die Zeile DeepSWE unter Gemini 3.5 Flash unter medium und unter Gemini 3.6 Flash unter high, sodass es sich bei den beiden Zwillingsfiguren in dieser Zeile nicht um einen Vergleich auf gleicher Ebene handelt.
• Die Schlagzeile von Google „bis zu 65% auf DeepSWE“ bezieht sich auf eine Reduzierung der Token-Nutzung, nicht auf eine Punktzahl. Der DeepSWE-Score ist 49%.

Nichts davon macht die veröffentlichten Zahlen falsch. Dadurch beantworten sie eine andere Frage als „Was kostet mich das auf dem Niveau, das ich tatsächlich laufe?“.

Runde eins: die Levels für normale Arbeit

Drei Ergebnisse in der Reihenfolge, in der sie wichtig sind.

low ist adaptiv und kein kleineres festes Budget

Dies ist das Ergebnis, das wir nicht erwartet hatten, und es ist das unmittelbar nützlichste auf dieser Seite.

Runde zwei: Wo die Qualität tatsächlich bricht

Runde eins konnte die Qualitätsfrage nicht beantworten, da jede Konfiguration neun von neun Punkten erreichte. Neun Aufgaben waren nicht schwer genug, um vier Ebenen zu trennen. Also haben wir sie schwieriger gemacht und die Antwort, die wir erhielten, war nicht die, die die Level implizieren.

Die Thinking-Stufe kauft also keine zusätzliche Korrektheit beim Schlussfolgern – zumindest nicht in dem Bereich, den diese Aufgaben abdecken. Ihr Nutzen ist enger begrenzt.

Hier sehen Sie, wie die sechs Konfigurationen bei diesen drei Aufgaben abschnitten, jeweils fünf Versuche.

Die Kosten pro Aufruf schließen eine im nächsten Abschnitt beschriebene anomale Anfrage aus; die Summen einschließlich dieser Anfrage stehen dort.

Die technische Konsequenz ist nützlicher als eine Stufenempfehlung. Wenn Ihr Agent auf unerwartete Zustände reagieren muss, bauen Sie Wiederholungsversuche und Verifikation in die Anwendung ein. Behandeln Sie die Thinking-Stufe als Kosteneinstellung, nicht als Garantie für eine zuverlässige Wiederherstellung.

Gemini 3.6 Flash low gegen Gemini 3.5 Flash-Lite

Für diesen Vergleich liegen nirgends veröffentlichte Daten vor, die wir finden konnten, und es ist der Vergleich, mit dem sich ein kostenbewusstes Team tatsächlich konfrontiert sieht: Führen Sie für ungefähr das gleiche Geld das stärkere Modell mit ein wenig Nachdenken aus, oder das billigere Modell mit viel Nachdenken?

Welches dieser beiden Bilder auf Sie zutrifft, hängt von Ihrem Aufgabenmix ab, und das ist eher eine ehrliche Antwort als eine Absicherung. Die beiden Konfigurationen liegen bei unseren beiden Runden im gleichen Leistungsband. Das Preisverhältnis zwischen ihnen ist über die Aufgabensätze hinweg nicht stabil.

Zwei weitere Beobachtungen aus denselben Daten, die beide wissenswert sind, bevor Sie standardmäßig Flash-Lite verwenden.

Eine Anomalie, die wir nicht erklären können

Welches Level für welche Aufgabe

Diese Tabelle fasst die praktische Empfehlung zusammen. Jede Zeile stützt sich auf die beiden oben beschriebenen Runden; die Grenzen dieser Evidenz folgen darunter.

Messen Sie dies anhand Ihres eigenen Datenverkehrs

Vier Schritte, in der Reihenfolge, in der Sie am schnellsten eine Antwort erhalten.

1. Denktokens heute separat protokollieren, bevor etwas geändert wird. Die API von Google gibt die Anzahl in total_thought_tokens zusammen mit der von Ihnen festgelegten Ebene zurück. Wenn Sie nur die gesamten ausgegebenen Token verfolgen, können Sie keine sofortige Regression von einem Level erkennen, das beschlossen hat, diese Woche intensiver nachzudenken.

   from google import genai
   from google.genai import types
   
   client = genai.Client()  # reads the API key from the environment
   
   response = client.models.generate_content(
       model="gemini-3.6-flash",
       contents=prompt,
       config=types.GenerateContentConfig(
           thinking_config=types.ThinkingConfig(thinking_level="minimal"),
       ),
   )
   
   log.info(
       "level=minimal thinking_tokens=%s",
       response.usage_metadata.total_thought_tokens,
   )

Wenn man diesen Vergleich über mehrere Modelle hinweg durchführt, bedeutet das in der Regel eine separate Integration pro Anbieter, und diese Integrationskosten sind der häufigste Grund dafür, dass Teams die Messung ganz überspringen. Durch die Standardisierung auf einen OpenAI-kompatiblen Endpunkt wird dieser entfernt, sodass die Modellzeichenfolge das Einzige ist, was sich zwischen den Läufen ändert.

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.evolink.ai/v1",
    api_key=os.environ["EVOLINK_API_KEY"],
)

for model in ("gemini-3.6-flash", "gemini-3.5-flash-lite"):
    response = client.chat.completions.create(model=model, messages=messages)
    record(model, response.usage)

FAQ

Quellen

• Dokumentation zum Gemini-Denken, Google, für thinking_level-Werte, Standardeinstellungen pro Modell, die Aussage, dass die Antwortpreise Ausgabe- und Denktoken summieren, und das Feld total_thought_tokens
• Dokumentation zu Gemini-API-Modellen, Google
• Gemini API-Preise, Google
• Wir stellen vor: Gemini 3.6 Flash, 3.5 Flash-Lite und 3.5 Flash Cyber, Google, 2026-07-21
• Gemini 3.6 Flash, Google DeepMind, für die dokumentierten Modellbeschränkungen
• Gemini 3.6 Flash und Gemini 3.5 Flash-Lite: Halbierung der Zeit pro Aufgabe, Artificial Analysis, 2026-07-21
• aibenchy, unabhängiger 22-question Testlauf, 2026-07-21
• EvoLink Erstanbietermessung, 2026-07-21: 406 Anrufe über zwei Runden, wobei die Aufzeichnungen pro Anruf beibehalten werden