Niveles de Thinking de Gemini 3.6 Flash: costes medidos

• minimal costó un 73.6% menos que el medium predeterminado en nuestras nueve tareas representativas de producción y obtuvo la misma puntuación de nueve sobre nueve. Si nunca has elegido un nivel, este es tu mayor mecanismo de ahorro.
• Los tokens de pensamiento fueron 75% de la factura total en medium, contando los tokens de entrada. La longitud de las respuestas apenas cambió en los cuatro niveles, por lo que casi cada dólar de diferencia entre los niveles es pensamiento.
• low no gasta un presupuesto fijo. En las nueve ejecuciones de extracción estructurada, emitió exactamente cero tokens de pensamiento, lo que hace que cueste lo mismo que minimal allí, sin dejar de pensar en llamadas a herramientas y tareas de código.
• Por encima de low, pensar más no produjo más respuestas correctas en nuestra ronda más difícil. Las puntuaciones fueron 2, 10, 10 y 8 de 15 para minimal, low, medium y high.
• El valor predeterminado no es incorrecto, simplemente no está dirigido. medium es una configuración intermedia razonable para trabajos desconocidos. Una vez que conozcas la forma de tu trabajo, vale la pena establecer el nivel deliberadamente.
• Todos los puntos de referencia publicados para este modelo se ejecutan en high, mientras que la API predeterminada es medium. Esas son facturas diferentes y latencias diferentes.

La respuesta corta, por nivel

Esto es lo que nos costó cada nivel al completar una vez las mismas nueve tareas y en qué tipo de trabajo justificó ese gasto.

El número que nadie publica: tokens de respuesta contra tokens de pensamiento

Cada comparación de precios de este modelo que pudimos encontrar el día del lanzamiento trata los tokens de salida como un solo número. Eso fusiona dos cantidades que no se comportan en nada parecido, y una vez que las separas, la mayor parte de la confusión en torno a esta versión se resuelve.

Aquí hay un recorrido por nuestras nueve tareas, con el lado de salida dividido en los tokens que puede leer y los tokens que no.

Lea primero la columna del token de respuesta. En ocho configuraciones, dos modelos y cuatro niveles de pensamiento, se mantiene entre los tokens 977 y 1,162, y la cifra más alta de la columna pertenece a la configuración más barata. Los modelos producen respuestas de aproximadamente la misma extensión sin importar cuánto piensen primero.

Ahora lea la columna de pensamiento. Va desde cero hasta 8,288. Esa es toda la historia de su factura.

Aquí están los mismos datos que el dinero, dividiendo cada pase en lo que pagó por la entrada, por la respuesta y por el pensamiento, a las tasas de nivel estándar de Gemini 3.6 Flash de $1.50 por millón de tokens de entrada y $7.50 por millón de tokens de salida.

En el nivel predeterminado, tres cuartas partes de lo que paga son razonamientos que nunca ve, en tareas en las que el nivel no influye en si la respuesta es correcta. Eso no es un defecto del modelo. Es lo que sucede cuando un valor predeterminado de propósito general cumple con una carga de trabajo específica.

Esto también explica por qué "el nuevo modelo guarda tokens" recibe respuestas contradictorias en público. La afirmación se refiere a los tokens de salida, los tokens de salida son en su mayoría tokens de pensamiento, y el recuento de tokens de pensamiento depende del nivel de pensamiento, lo cual casi nadie afirma. Una medición sin un nivel indicado no es reproducible.

Cómo medimos esto

Dos rondas, realizadas en 2026-07-21, el día en que se lanzaron ambos modelos.

• Las llamadas se realizaron a través de OpenRouter con el proveedor anclado a Google AI Studio y se enviaron en serie en lugar de simultáneamente. La puerta de enlace no expone qué región atendió la solicitud, por lo que no podemos indicar una.
• Los costos se calculan a partir de los precios de lista del nivel estándar de Google, no de la propia facturación de la puerta de enlace. La puerta de enlace tiene un nivel de descuento, y combinar los dos haría que nuestras cifras fueran incomparables con los precios publicados por Google.
• No se establecieron parámetros de muestreo. temperature, top_p y top_k están obsoletos en Gemini 3.x y se aceptan y luego se ignoran, por lo que configurarlos no habría cambiado nada e implicaría que no habíamos leído la documentación. Si aún los configura en producción, el resto de los cambios en la interfaz de esta versión se tratan en nuestra Gemini 3.6 Flash guía de lanzamiento.
• La calificación se basa en reglas, no en humanos. La corrección es una métrica de apoyo aquí, presente para descartar la explicación de que un nivel barato parece barato porque silenciosamente está haciendo menos trabajo.
• Las fichas de respuesta y las fichas de pensamiento se registraron por separado para cada llamada, lo que hace posibles las tablas anteriores.

Por qué los puntos de referencia publicados no responden a esta pregunta

Hay una razón documentada por la que nadie puede buscar esto. Las cifras de referencia en circulación se miden en niveles a los que no llega la mayor parte del tráfico de producción, y las fuentes rara vez lo dicen.

• Artificial Analysis, actualmente la única fuente independiente con un desglose completo de este modelo, medido en high. La API predeterminada es medium.
• La propia tabla de resultados de Google para Gemini 3.5 Flash-Lite se produjo en high pensando, mientras que la API predeterminada de ese modelo es minimal. Ejecutar la configuración predeterminada no es el experimento que describe la tabla.
• En la tabla de comparación de Google, la fila DeepSWE ejecuta Gemini 3.5 Flash en medium y Gemini 3.6 Flash en high, por lo que las dos figuras de Géminis en esa fila no son una comparación del mismo nivel.
• El título de Google "hasta 65% en DeepSWE" se refiere a una reducción en el uso de tokens, no a una puntuación. La puntuación DeepSWE es 49%.

Nada de eso hace que las cifras publicadas sean erróneas. Les da respuestas a una pregunta diferente a "¿cuánto me costará esto en el nivel que realmente corro?".

Primera ronda: los niveles del trabajo ordinario

Tres resultados, en el orden en que importan.

low es adaptable, no un presupuesto fijo más pequeño

Este es el resultado que no esperábamos y es el más directamente útil en esta página.

Segunda ronda: donde la calidad realmente se rompe

La primera ronda no pudo responder a la pregunta sobre la calidad, porque cada configuración obtuvo nueve puntos sobre nueve. Nueve tareas no eran lo suficientemente difíciles como para separar cuatro niveles. Así que los hicimos más difíciles y la respuesta que obtuvimos no fue la que implican los niveles.

De modo que el nivel de pensamiento no compra la corrección del razonamiento, al menos no en el rango que ocupan estas tareas. Lo que compra es algo más estrecho.

Así es como las seis configuraciones obtuvieron puntajes en esas tres tareas, cinco intentos cada una.

El costo por llamada excluye una solicitud anómala descrita en la sección siguiente; allí se indican también los totales que la incluyen.

La consecuencia de ingeniería es más útil que una recomendación de nivel. Si su agente tiene que recuperarse de estados inesperados, incorpore el reintento y la verificación en su aplicación y trate el nivel de pensamiento como una configuración de costos en lugar de lo que hace que la recuperación sea confiable.

Gemini 3.6 Flash low contra Gemini 3.5 Flash-Lite

Esta comparación no tiene datos publicados en ninguna parte que podamos encontrar, y es a la que realmente se enfrenta un equipo preocupado por los costos: por aproximadamente el mismo dinero, ¿ejecuta el modelo más potente con un poco de reflexión, o el modelo más barato pensando mucho?

Cuál de esas dos imágenes se aplica a usted depende de su combinación de tareas, y esa es la respuesta honesta y no una protección. Las dos configuraciones están en la misma banda de rendimiento en nuestras dos rondas. La relación de precios entre ellos no es estable en todos los conjuntos de tareas.

Dos observaciones más de los mismos datos, que vale la pena conocer antes de utilizar Flash-Lite de forma predeterminada.

Una anomalía que no podemos explicar

Qué nivel para qué tarea

Esta es la tabla que conviene conservar. Cada fila está respaldada por las dos rondas descritas anteriormente; los límites de esa evidencia se indican debajo.

Midiendo esto en tu propio tráfico

Cuatro pasos, en el orden que le permita obtener una respuesta más rápidamente.

1. Registra los tokens de pensamiento por separado hoy, antes de cambiar nada. La API de Google devuelve el recuento en total_thought_tokens, junto con el nivel que estableciste. Si solo realiza un seguimiento de los tokens de producción total, no puede distinguir una regresión rápida de un nivel que decidió pensar más esta semana.

   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,
   )

Realizar esa comparación entre varios modelos generalmente significa una integración separada por proveedor, y ese costo de integración es la razón más común por la que los equipos omiten la medición por completo. La estandarización en un punto final compatible con OpenAI lo elimina, por lo que la cadena del modelo se convierte en lo único que cambia entre ejecuciones.

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)

Preguntas frecuentes

Fuentes

• Documentación de pensamiento de Gemini, Google, para los valores thinking_level, los valores predeterminados por modelo, la declaración de que el precio de respuesta suma los tokens de pensamiento y de producción, y el campo total_thought_tokens
• Documentación de modelos API de Gemini, Google
• Precios de API de Gemini, Google
• Presentamos Gemini 3.6 Flash, 3.5 Flash-Lite y 3.5 Flash Cyber, Google, 2026-07-21
• Gemini 3.6 Flash, Google DeepMind, para conocer las limitaciones del modelo documentadas
• Gemini 3.6 Flash y Gemini 3.5 Flash-Lite: Reducir a la mitad el tiempo por tarea, Artificial Analysis, 2026-07-21
• aibenchy, ejecución de prueba independiente 22-question, 2026-07-21
• EvoLink medición propia, 2026-07-21: 406 llamadas en dos rondas, con registros por llamada retenidos