Gemini 3.6 FlashのThinking Level別コスト実測

• minimal は、9 つの本番想定タスクで medium のデフォルト設定より 73.6% 低コストでした。正解数はどちらも 9/9 です。レベルを指定していない場合、これが最も大きなコスト削減余地です。
• 入力トークンも含めると、medium では思考トークンが請求総額の 75% を占めました。 回答長は 4 レベルでほとんど変わらないため、レベル間のコスト差のほぼすべてが思考トークンによるものです。
• low の思考予算は固定ではありません。 9 回の構造化抽出すべてで思考トークンが正確にゼロとなり、その部分のコストは minimal と同じでした。一方、ツール呼び出しやコードタスクでは思考トークンを使っています。
• low より上のレベルで思考量を増やしても、難しいラウンドの正解数は増えませんでした。 minimal、low、medium、high のスコアは、それぞれ 2、10、10、8/15 でした。
• デフォルト設定が間違っているわけではなく、ワークロードに最適化されていないだけです。 medium は、作業特性がまだ分からない段階での妥当な中間設定です。ワークロードの特性が分かったら、レベルを意図的に指定する価値があります。
• このモデルの公開されているベンチマークはすべて high で実行されます。一方、API のデフォルトは medium です。これらは異なる請求書と異なるレイテンシです。

レベル別の簡単な答え

同じ 9 つのタスクを 1 回ずつ実行したときの各レベルのコストと、そのコストが正当化できたタスクを示します。

誰も公開しない数字: 思考トークンに対する回答トークン

発売日に見つけたこのモデルの価格比較はすべて、出力トークンを 1 つの数字として扱います。これにより、まったく似た動作をしない 2 つの量がマージされ、一度分離すると、このリリースに関する混乱のほとんどが解決されます。

これは 9 つのタスクを通過する 1 つのパスで、出力側が読み取り可能なトークンと読み取りできないトークンに分割されています。

まず、回答トークンの列を読んでください。 8 つの構成、2 つのモデル、および 4 つの思考レベルにわたって、977 トークンと 1,162 トークンの間に留まり、列の最大の数値が最も安価な構成に属します。モデルは、最初にどれだけ考えても、ほぼ同じ長さの答えを生成します。

次に、思考トークンの列を見てください。ゼロから 8,288 まで広がっています。これが請求額の全体像です。

これはお金と同じデータで、各パスを入力、答え、思考に対して支払った金額に分割しています。 Gemini 3.6 Flash の標準レベルのレート (入力トークン 100 万個あたり $1.50 および出力トークン 100 万個あたり $7.50) です。

デフォルト レベルでは、レベルによって答えが正しいかどうかに違いがなかったタスクについて、支払った金額の 4 分の 3 が、決して見ることのない推論に費やされます。それはモデルの欠陥ではありません。これは、汎用のデフォルトが特定のワークロードを満たすときに起こることです。

これは、「新しいモデルはトークンを節約しますか」という質問が公の場で矛盾した答えを受ける理由も説明します。この主張は出力トークンに関するもので、出力トークンは主に思考トークンであり、思考トークンの数は思考レベルに依存しますが、これについてはほとんど誰も述べていません。レベルが指定されていない測定は再現できません。

これをどのように測定したか

2 ラウンドは、両方のモデルがリリースされた日、2026-07-21 に実行されます。

• 呼び出しは Google AI Studio に固定されたプロバイダーを使用して OpenRouter を経由し、同時ではなくシリアルに送信されました。ゲートウェイはどのリージョンがリクエストを処理したかを公開しないため、それを明らかにすることはできません。
• コストは、ゲートウェイ自体の請求額からではなく、Google の標準階層の定価から計算されます。ゲートウェイは割引レベルでルートするため、この 2 つを混合すると、Google が公開している価格と比較できない数値になります。
• サンプリングパラメータが設定されていません。 temperature、top_p、および top_k は Gemini 3.x では非推奨であり、受け入れられてから無視されるため、これらを設定してもドキュメントを読んでいないことを暗示しながら何も変更されません。まだ運用環境で設定している場合は、このリリースの残りのインターフェイス変更については、Gemini 3.6 Flash リリース ガイド で説明されています。
• 採点は人間によるものではなく、ルールに基づいて行われます。ここでは正確性がサポート指標であり、安いレベルは静かに仕事量が少ないため安く見えるという説明を排除するために存在します。
• 回答トークンと思考トークンは API 呼び出しごとに個別に記録したため、上の表のように分けて比較できます。

公開されているベンチマークがこの質問に答えない理由

誰もこれを調べることができない理由が文書化されています。流通しているベンチマークの数値は、ほとんどの運用トラフィックが実行されないレベルで測定されており、情報筋がそのように述べていることはほとんどありません。

• Artificial Analysis は、現在、high の考え方で測定された、このモデルの完全な内訳を含む唯一の独立した情報源です。 API のデフォルトは medium です。
• Gemini 3.5 Flash-Lite の Google 独自の結果テーブルは high の考え方に基づいて作成されましたが、そのモデルの API デフォルトは minimal です。デフォルト構成の実行は、表で説明されている実験ではありません。
• Google の比較表では、DeepSWE の行は、medium では Gemini 3.5 Flash を実行し、high では Gemini 3.6 Flash を実行するため、その行の 2 つの Gemini の数値は同レベルの比較ではありません。
• Google の見出し「DeepSWE で 65% まで」は、スコアではなく、トークン使用量の削減を指します。 DeepSWE スコアは 49% です。

だからといって、公表された数字が間違っているわけではありません。これにより、「実際に走るレベルでどれくらいの費用がかかるか」とは異なる質問に対する答えが得られます。

ラウンド 1: 通常作業のレベル

3 つの結果を重要な順序で示します。

low は適応型であり、小規模な固定予算ではありません

これは私たちが予期していなかった結果であり、このページで最も直接役立つものです。

ラウンド 2: 品質が実際に損なわれる箇所

ラウンド 1 では、すべての構成が 9 点中 9 点を獲得したため、品質に関する質問に答えることができませんでした。 9 つのタスクは 4 つのレベルに分けるほど難しくはありませんでした。そこで私たちはレベルを難しくしましたが、返された答えはレベルが示唆するものではありませんでした。

したがって、少なくともこれらのタスクが占める範囲では、思考レベルによって推論の正しさは買えません。それが買うのはもっと狭いものです。

6 つの構成がこれら 3 つのタスク (それぞれ 5 回の試行) でどのようにスコアを獲得したかを次に示します。

1 回の API 呼び出しあたりのコストからは、次のセクションで説明する 1 件の異常なリクエストを除外しています。それを含めた合計値は次のセクションに示します。

工学的な結果は、レベルの推奨事項よりも役立ちます。エージェントが予期しない状態から回復する必要がある場合は、アプリケーションに再試行と検証を組み込んで、思考レベルを回復の信頼性を高めるものとしてではなく、コスト設定として扱います。

Gemini 3.6 Flash low 対 Gemini 3.5 Flash-Lite

この比較には、私たちが見つけることができたどこにも公開データはなく、コストを重視するチームが実際に直面している問題です。ほぼ同じ金額で、少し考えてより強力なモデルを実行しますか、それとも、よく考えてより安価なモデルを実行しますか?

これら 2 つの図のうちどちらがあなたに当てはまるかは、タスクの組み合わせによって決まります。それが、回避策ではなく正直な答えです。 2 つの構成は、両方のラウンドで同じパフォーマンス帯域内にあります。それらの間の価格関係は、タスク セット間で安定していません。

同じデータからさらに 2 つの観測結果が得られます。どちらも、デフォルトの Flash-Lite を使用する前に知っておく価値があります。

説明できない異常が 1 つあります

タスクごとに選ぶべきレベル

以下が、実務で持ち帰るべき判断表です。各行は上の 2 ラウンドの結果に基づいており、その適用範囲は表の後で説明します。

自分のトラフィックでこれを測定する

4 つのステップを、最も早く答えが得られる順序で示します。

1. 何かを変更する前に、今すぐ思考トークンを個別に記録してください。 Google の API は、設定したレベルとともに total_thought_tokens のカウントを返します。総出力トークンだけを追跡する場合、今週もっと真剣に考えようと決めたレベルからの即時回帰を区別することはできません。

   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,
   )

複数のモデルにわたってその比較を実行することは、通常、ベンダーごとに個別に統合することを意味し、チームが測定を完全にスキップする最も一般的な理由はその統合コストです。 1 つの OpenAI 互換エンドポイントを標準化するとそれが削除されるため、実行間で変更されるのはモデル文字列だけになります。

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)

よくある質問

情報源

• Gemini 思考ドキュメント、Google、thinking_level 値、モデルごとのデフォルト、応答価格設定が出力トークンと思考トークンを合計するというステートメント、および total_thought_tokens フィールド
• Gemini API モデルのドキュメント、Google
• Gemini API の価格設定、Google
• Gemini 3.6 Flash、3.5 Flash-Lite、および 3.5 Flash Cyber​​ の紹介、Google、2026-07-21
• 文書化されたモデルの制限については、Gemini 3.6 Flash、Google DeepMind
• Gemini 3.6 Flash および Gemini 3.5 Flash-Lite: タスクごとの時間の半減、Artificial Analysis、2026-07-21
• aibenchy、独立した 22-question テスト実行、2026-07-21
• EvoLink ファーストパーティ測定、2026-07-21: 406 コールは 2 ラウンドにわたり、コールごとの記録が保持されます。