Gemini 3.6 Flash 四个思考档实测：每一档到底花多少钱

• minimal 档比默认的 medium 档便宜 73.6%，在我们那九道贴近生产的题上正确率同样是 9/9。如果你从没设过这个参数，这是你手上最大的一根成本杠杆。
• 在默认档，思考 token 占了整张账单的 75%（这里已经把输入 token 算进分母）。四个档的答案长度几乎不变，所以档位之间的钱几乎全花在思考上。
• low 档不是"给一个小额思考预算"。 九次结构化抽取全部只花了 0 个思考 token，这一类任务上它和 minimal 一样便宜；但在工具调用和改代码上它照样思考。
• low 档往上，多给思考预算没换来更多正确答案。 加难那一轮，minimal／low／medium／high 四档的成绩分别是 15 题里对 2、10、10、8。
• 默认档不是错的，只是没有针对性。 在你还不知道自己流量长什么样的时候，medium 是个合理的中间值。一旦你知道了，这个档位值得显式设置。
• 所有公开跑分都跑在 high 档，而 API 默认是 medium。这是两张不同的账单，也是两个不同的延迟。

一句话选档

下面是同一套九道题跑一遍，每个档花了多少钱，以及这笔钱花在哪种活上才值。

全网都没拆开的那个数：答案 token 和思考 token

发布当天我们能找到的所有关于这个模型的价格分析，都把输出 token 当成一个数。但这一个数里装着两样行为完全不同的东西。把它们拆开，这次发布周围的大部分混乱就解释清楚了。

下面是我们那九道题跑一遍的结果，输出侧拆成"你能读到的 token"和"你读不到的 token"。

先看答案 token 那一列。跨两个模型、四个思考档、八种配置，它始终在 977 到 1,162 之间，波动不到 20%；而且这一列的最大值恰好属于最便宜的那个配置。也就是说，不管先想多久，模型写出来的答案长度差不多。

再看思考 token 那一列，从 0 一直到 8,288。你账单上的钱就是在这一列里变化的。

为了让这件事变成具体的钱，下面把每跑一遍拆成三笔：输入花了多少、答案花了多少、思考花了多少。按 Gemini 3.6 Flash 的标准档标价折算，输入 $1.50 / 100 万 token，输出 $7.50 / 100 万 token。

在默认档上，你付的钱有四分之三买的是你看不见的推理，而这些推理在这套题上并没有改变答案的对错。这不是模型的缺陷。这是一个通用默认值撞上一个具体负载之后的正常结果。

这也解释了为什么"新模型到底省不省 token"在公开讨论里会得到互相矛盾的答案。这个说法讲的是输出 token；输出 token 的大头是思考 token；思考 token 的多少取决于思考档位；而几乎没有人说自己测的是哪一档。一份不写档位的测量结果，别人复现不了。

我们怎么测的

两轮，都在 2026-07-21 跑完，也就是两个模型发布当天。

• 调用经 OpenRouter 发出，服务方锁定 Google AI Studio，串行不并发。网关不暴露请求由哪个地域承接，所以我们写不出地域，也不编。
• 钱按 Google 标准档标价自己折算，不用网关自己报的费用。网关走的是折扣档路由，两者混用会让我们的数字和 Google 公布的价格对不上。
• 没有设任何采样参数。temperature、top_p、top_k 在 Gemini 3.x 上已废弃，传了会被收下然后静默忽略。设了不会改变任何结果，只会显得我们没读文档。如果你线上还在设这几个参数，这次发布的其余接口变更见我们的 Gemini 3.6 Flash 上线说明。
• 判分是规则判的，不是人工判的。正确率在这里是辅助指标，作用只有一个：排除"低档便宜是因为它在偷懒少干活"这种解释。
• 每一次调用的答案 token 和思考 token 都分开记录，上面那几张表才有可能做出来。

为什么公开跑分回答不了这个问题

有一个有据可查的原因：现在流传的跑分，测的档位往往不是生产环境实际在跑的档位，而且来源常常不写这一点。

• Artificial Analysis 目前是唯一一家有完整分项的独立评测方，他们测的是 high 档。而 API 默认是 medium。
• Google 自己那张 Gemini 3.5 Flash-Lite 的成绩表是在 high 档下跑的，而这个模型的 API 默认档是 minimal。照默认配置用，跑的根本不是那张表描述的实验。
• Google 的对比表里，DeepSWE 那一行 Gemini 3.5 Flash 用的是 medium 档、Gemini 3.6 Flash 用的是 high 档，同一行里的两个 Gemini 不是同档位比较。
• Google 通稿里"DeepSWE 上最高 65%"说的是 token 用量的降幅上限，不是得分。DeepSWE 的得分是 49%。

以上这些不代表公开数字是错的。它们只是在回答另一个问题，而不是"我实际跑的那一档要花我多少钱"。

第一轮：四个档在普通任务上的表现

三条结论，按重要性排序。

low 档是会看菜下饭的，不是固定给一小份预算

这是我们没预料到的结果，也是本文最能直接拿去用的一条。

第二轮：质量到底在哪一档开始掉

第一轮回答不了质量问题，因为八个配置全是 9/9——九道题不够难，分不开四个档。于是我们把题加难，而拿回来的答案，和"档位越高越聪明"这个直觉不一样。

下面是六个配置在这 3 道题上的成绩，每格跑 5 次。

成本一列已剔除下一节讲的那次异常调用；含它在内的数字在那一节给出。

Gemini 3.6 Flash 低档 vs Gemini 3.5 Flash-Lite

同一批数据里还有两条观察，在你把 Flash-Lite 定为默认之前值得知道。

一个只观察到、机制待查的异常

什么活用什么档

这是本文最该被抄走的一张表。每一行都有上面两轮实测支撑，支撑的边界写在表下面。

怎么在你自己的流量上测

四步，按"多快能拿到答案"排序。

1. 今天就把思考 token 单独记下来，先别改任何配置。 Google 的 API 在 total_thought_tokens 字段里返回这个数。如果你只记录输出 token 总数，等账单变了，你分不清是 prompt 退化了还是模型这周想得更多了。

   from google import genai
   from google.genai import types
   
   client = genai.Client()  # 从环境变量读取 API key
   
   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,
   )

   把思考 token 作为独立字段存在你现有的输出 token 指标旁边，同时把你传的档位也存下来。两个 token 数加在一起，就丢掉了唯一能告诉你"是哪一个变了"的信号。
2. 显式设置档位，哪怕你就是要设成 medium。 一个继承来的默认值，等于一个没人做过的成本决策；而且默认值本身变动的时候，你的账单会跟着变。
3. 拿一天的真实流量在 minimal 和 low 上各重放一遍，然后拿输出和你现在的输出比，而不是和某个跑分比。在我们这套题上，这一步值 61% 到 74% 的账单——比这个档次里任何一次换模型的效果都大。
4. 把工具调用那条路径单独判分。 那是我们唯一发现档位会改变正确率的地方；和抽取流量混在一起平均，会把它盖掉。

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)

常见问题

参考来源

• Gemini 思考功能文档，Google：thinking_level 的取值、各模型默认档、"响应计费为输出 token 与思考 token 之和"的表述，以及 total_thought_tokens 字段
• Gemini API 模型文档，Google
• Gemini API 定价，Google
• Introducing Gemini 3.6 Flash, 3.5 Flash-Lite, and 3.5 Flash Cyber，Google，2026-07-21
• Gemini 3.6 Flash，Google DeepMind：模型已知局限
• Gemini 3.6 Flash and Gemini 3.5 Flash-Lite: Halving Time per Task，Artificial Analysis，2026-07-21
• aibenchy，独立的 22 题实测，2026-07-21
• EvoLink 一手实测，2026-07-21：两轮共 406 次调用，逐次记录保留