对比

Gemini 3.6 Flash 对比 Gemini 3.5 Flash：生产环境该不该切？

Jacey

创始人

2026年7月21日

25 分钟阅读

事实核对日期：2026-07-21。作者：Jacey，含我们在模型发布当天跑的 216 次 API 调用，测法在结果出现的那一节完整交代。EvoLink 是一个 API 网关，转发包括本文这两个模型在内的第三方模型。

一句话结论

现在就切：如果你的账单里输出 token 占大头（多轮 agent、工具调用循环、长代码生成），实际省下 26% 到 29%。
省得有限：如果你的流量偏输入重。按 20 个输入 token 对 1 个输出 token 算，只省 7.1%，因为输入价一分钱没降。
智能没涨：独立评测给出的智能指数是 50.1 对 50.2，属于持平。涨的是速度：输出从每秒 165 个 token 提到 304 个，平均每题耗时从 2.7 分钟降到 1.3 分钟。
先测再切：知识密集型的问答、以及生成前端界面的活。这两类是现有证据指向相反方向的地方。
思考档位对账单的影响比换模型更大：我们自己实测，从默认的 medium 档降到 minimal 档，单次任务成本降 73.6%，而在我们这套题上正确率一点没掉。不管你用哪个模型，这个档位都要显式设。
切换不是改个模型名的事：temperature、top_p、top_k 现在传了会被静默忽略、不报错，thinking_budget 这个参数已经没了。

先给结论：按你的负载对号入座

这次升级值不值，几乎完全取决于两件事：你的流量里输入 token 和输出 token 的比例是多少；以及延迟现在是不是你的痛点。

你的负载	判断	为什么
多轮 agent、工具调用循环、长代码生成	切	输出和思考 token 占大头，而降价只降在这一头
单任务耗时是当前主要抱怨的场景	切	独立评测里每题耗时大约减半
知识密集型问答	先影子跑一轮	唯一一项能跨代直接比较的知识类分数是退的
前端 / UI 界面生成	先影子跑一轮	Google 自己写明了两条短板都在这里，且都有 prompt 层面的缓解办法
文档处理、RAG（约 20:1）	不用急	只省 7.1%，落在一个月正常波动的噪声里

如果你真正在纠结的是要不要改用 Gemini 3.5 Flash-Lite，那是另一个问题、另一个答案，我们写在 Gemini 3.6 Flash 与 3.5 Flash-Lite 选型对比里。Flash-Lite 是低一个能力档次的产品线，不是你现在这个模型的新版本，所以下面这些数字对它一个都不适用。

到底改了什么

Gemini 3.6 Flash 不是新一代模型。它的模型卡写明"基于 Gemini 3.5 Flash"，也就是说这是同一个底座上的一次后训练更新。这一个事实解释了后面绝大部分现象：能力横盘，而后训练和推理服务能改动的部分（速度、token 用量）动得很大。

下面这些参数取自 Google 的模型文档。

模型 ID： gemini-3.6-flash。只有一个稳定版，没有 preview 后缀，也没有日期戳，所以不存在选版本的问题。
上下文： 输入 1,048,576 个 token、输出 65,536 个，与上一代相同。输入支持文本、图像、视频、音频和 PDF，输出只有文本。
默认思考档位： medium。可选 minimal、low、medium、high 四档。
价格： 输入维持 100 万 token 1.50 美元。输出从 9.00 美元降到 7.50 美元，降幅 16.67%。缓存读取 0.15 美元。批量档和优先档见 Google 定价页。

上面这些是跟本文这个决定有关的字段。完整的能力支持矩阵，以及针对新模型 ID 的第一个可跑通的请求，见我们的 Gemini 3.6 Flash 接入指南。

有一个说法需要就地纠正，因为它正在传播：输入价没有涨。 gemini-3.5-flash 和 gemini-3.6-flash 的输入价都是 100 万 token 1.50 美元。"偷偷涨价"这个说法，是拿更早一代 Flash 的价格记混了。

你的账单会变成什么样

按官方说法，有两件事同时在帮你省钱：输出单价降了 16.67%，同一个任务用掉的输出 token 也更少。两者叠加，输出这一项的支出降 30.8%。

这个数字是真的。它同时也是很多报道高估了省幅的原因：输入价没动。所以你的流量越偏输入重，这 30.8% 里你实际拿到的就越少。

Gemini 3.6 Flash 工作负载成本对比，展示输出重型 AI 任务为什么比输入重型流水线获得更多节省

Gemini 3.6 Flash 的降价主要发生在输出侧，因此生产成本改善取决于工作负载的输入与输出 token 比例。

输入:输出	典型场景	3.5 Flash	3.6 Flash	变化
20:1	文档处理、RAG	$39.00	$36.23	省 7.1%
5:1	一般问答	$16.50	$13.72	省 16.8%
1:1	多轮 agent、开思考	$10.50	$7.72	省 26.4%
1:3	重推理、长代码生成	$28.50	$20.17	省 29.2%

这张表的口径要说清楚：每一行把该场景折算成"在 3.5 Flash 上产出 100 万个输出 token"，输入 token 按该行的比例配上，用标准档价格计算。计算假设是新模型少用 17% 输出 token、输入 token 不变。

那个 17% 的假设需要单独交代条件，因为整张表都建立在它上面。这个数字是 Google 引用的，不是 Google 自己测的，来源是 Artificial Analysis。而同一个页面上给出的绝对值是 5900 万对 7500 万 token，自己算出来是 21.3%。两个数字对不上，公开材料里没有解释。我们全程用了更保守的 17%，所以请把这张表当成省幅区间的下沿，不是承诺值。

还有一点：思考 token 是按输出价计费的。 这就是为什么 agent 那两行降得最多。在多轮 agent 上，思考预算不是账单里的零头，而是大头。

然后我们把这张表拿去实测了，结果表偏乐观。 我们那套任务的形态大约是 1 个输入 token 对 1.5 个计费输出 token，落在表里 1:1 和 1:3 两行之间，按表预测应该省 26% 到 29%。实测 medium 档省 13.6%、high 档省 20.1%。

差额全在那个 token 假设上。medium 档下，新模型的计费输出 token 不但没少 17%，反而多了 1.7%——省下来的钱几乎全部来自输出单价降了 16.67%，不是来自 token 变少。high 档倒是兑现了一部分，输出 token 少了 6.4%。测法和完整数字在下一节。

所以这张表要这么读：它是按官方口径算出来的账，我们那组数字才是一个真实负载跑出来的账。 如果你的活更像我们这种任务、而不像跑分题集，请按低的那个数做预算。

智能持平，速度约翻倍

Artificial Analysis 拿到了发布前的提前访问，目前是唯一一家有完整分项数据的独立评测方。他们的数字在 high 思考档下测得：

指标	3.6 Flash	3.5 Flash
智能指数 v4.1	50.1	50.2
Humanity's Last Exam（知识密集）	38.3%	40.2%
GPQA Diamond	92.8%	92.2%
SciCode	52.7%	53.1%
长上下文推理 AA-LCR	69.7%	69.3%
输出速度	303.6 tok/s	165.4 tok/s
首 token 延迟	11.54 秒	20.22 秒
平均每题耗时	1.3 分钟	2.7 分钟
平均每题成本	$0.50	$0.59

每一行都要带两个口径条件。第一，这是在 high 档下测的，而 API 默认档是 medium，照默认配置跑不是同一个实验。第二，速度和延迟是 72 小时中位数，而模型当天才发布，样本窗口不足一天，后续会变。

条件说清之后，图景是清楚的，而且这是一次取舍，不是退步。智能指数 50.1 对 50.2 属于持平。推理和长上下文两项小幅上行。唯一一项能跨代直接比较的知识密集型分数（Humanity's Last Exam）退了 1.9 个百分点。与此同时，输出速度涨了 84%，每题耗时大约减半。

所以，如果你想要的是更聪明的模型，这次升级不是为你准备的，继续用 gemini-3.5-flash 在这个维度上不吃亏。如果你想要的是同样质量的活用一半时间跑完、单位成本更低，那这次发布正好就是给你的。

至于知识密集那条，值得多做一步，不值得多担一分心。一项基准退 1.9 个百分点，是"该拿自己的评测集验一下"的信号，不是"这次别升"的理由。

思考档位对账单的影响，比换模型更大

上面所有公开数字测的都是 high 档，而 API 默认档是 medium。这个落差大到足以改变一个采购决定，所以我们在模型发布当天自己跑了一轮。

Gemini 3.6 Flash 思考档位逐级累积更多推理 token，而最终生产输出仍然紧凑

思考档位对计费输出的影响可能超过换模型本身，生产团队应显式设置并单独评测。

测法： 9 道题分三类——从发票、日志、商品 HTML 里做结构化抽取；对着模拟工具做 3 到 5 步的多轮工具调用；以及代码定位与修改，要求把一段 bug 描述变成能跑的补丁。输入在 1,000 到 4,000 token 之间，所以这一轮不覆盖长上下文场景。每道题在 8 个"模型 + 思考档"组合上各跑 3 次，共 216 次调用，经 OpenRouter 串行发出、服务方锁定 Google AI Studio。答案 token 和思考 token 分开记录，钱一律按 Google 标准档标价自己算，不用网关报的费用。没有设任何采样参数，因为它们已经不起作用了。

配置	答案 token	思考 token	思考占比	单次成本	判对
3.6 Flash `minimal`	1,162	0	0%	$0.0158	9/9
3.6 Flash `low`	1,056	1,095	51%	$0.0232	9/9
3.6 Flash `medium`（默认）	1,080	5,944	85%	$0.0598	9/9
3.6 Flash `high`	1,092	6,679	86%	$0.0653	9/9
3.5 Flash `medium`	1,078	5,827	84%	$0.0692	9/9
3.5 Flash `high`	1,113	7,185	87%	$0.0818	9/9

有三件事值得单独说。

思考 token 就是账单本身。 在 medium 和 high 档，它占了输出侧全部计费量的 84% 到 87%，而答案长度在整张表上几乎不动。你选哪个模型，对成本的影响远小于你选哪一档。

minimal 档不是"少想一点"，是"完全不想"。 思考 token 精确等于 0，单次成本比默认的 medium 档低 73.6%，而正确率同样是 9 比 9。如果你现在跑在 medium 档只是因为从没选过档，那这就是你手上最大的一个省钱开关，而且它在你已经在用的那个模型上就能拧。

high 档只比 medium 档贵 9.3%，因为多给的思考预算没花出去：思考量从 5,944 涨到 6,679 就到顶了。这是我们这套题的性质，不是模型的性质——题目更难时这个差距会拉开。

我们的数字和另一家独立实测对不上的地方

aibenchy 在发布后跑了 22 道短基准题，测出新模型在 medium 档贵 29.4%、在 high 档便宜 9.7%。我们测出两档都便宜，分别是 13.6% 和 20.1%。high 档的结论方向一致，medium 档正好相反，而原因就在一个数字上：他们测出新模型在 medium 档的思考量多了 66.2%，我们只多了 2.0%。

我们不打算说他们测错了。两套任务集对同一个问题给出了方向相反的答案，这件事本身就是结论：这个模型省不省 token，取决于你拿它跑什么活，不是模型的固有属性。 Google 通稿那句"少 17% 输出 token"既没说档位、也没说任务集，所以它在有的负载上兑现、有的不兑现。

这轮实测回答不了的问题： 9 道题对四个档来说都不够难，每个配置都是 9 比 9 全对。所以这些数字只支持"按成本怎么选档"，不能告诉你质量从哪一档开始掉。 另外，同一道题重复跑三次，思考 token 的波动有 6% 到 51%，这也是上表取三次平均的原因。专门去找那个质量拐点的加难实测正在单独进行，出结果我们会回来更新这一页。

可操作的部分很简单：不管你用哪个模型，把思考档位显式写死，并且按你实际跑的那一档算钱，而不是按基准发布时用的那一档。

Google 自己写明的两条短板

Google 在发布博文里写明了两条具体短板，而且它们集中在同一个地方。

它倾向于先探索再动手改。 比起 3.5 Flash，新模型更愿意先跑一遍诊断脚本再改代码。在复杂任务上这会提高准确率；在简单前端任务上，它会多出你并不需要、也不想付钱的探索步骤。

在视觉效果上，人类评测员更偏好旧模型。 具体是在视觉布局和样式这一项上，评测员更喜欢早期模型的产出。Google 给出的缓解办法是：把设计规范写进 prompt，别把样式交给模型的默认判断。

模型卡的"已知局限"里还列了两条：会有幻觉；可能出现偶发的响应缓慢或超时。

这些都不构成"别升级"的理由，它们构成的是"按界面分开决策"的理由。如果你同时有一个 agent 层和一个 UI 生成层，那是两种负载、两套证据，没有哪条规矩要求它们必须跑同一个模型 ID。

切换不是改个模型名的事

这是最容易翻车的一段，也是"改一行模型名就完事"这类建议现在已经不成立的原因。从这次发布开始，并且官方明说"此后所有新模型"都适用，有几个参数的行为变了。 完整清单见 Google 的 API 变更日志，下面这几个是会悄无声息弄坏生产环境的。

temperature、top_p、top_k 会被忽略，而且不报错。 官方文档写明未来的模型代次会返回 HTTP 400，但今天这些值只是被丢掉。如果你靠 temperature=0 来保证抽取或分类流水线的输出确定性，这个保证会在没有日志、没有异常、没有告警的情况下消失。 官方给的替代做法是把规则写进 system instruction。

这件事还有一个更隐蔽的版本值得排查：OpenRouter 的模型元数据至今仍把 temperature、top_p、seed 列为支持的参数，所以网关会照收你的值、照转给模型，而模型那头忽略它。今天还在调温度想改善输出质量的人，是在调一个空操作。

thinking_budget 换成了 thinking_level。 原来的数字预算变成字符串枚举。两个一起传，返回 400。

另外三个小的。 candidate_count 在 Gemini 3.x 上不支持。请求的最后一条消息如果是 model 角色，返回 400，也就是不能再预填模型回合。每个 FunctionResponse 现在都必须带上 call_id 和 name。

逐行怎么改、官方的自动迁移工具怎么用、被替代的那些模型什么时候关停，见我们的 Gemini 3.6 Flash 迁移指南。

这里要提醒一句：为更早那几次 Gemini 升级写的迁移指南，包括我们自己那篇从 Gemini 3 Flash Preview 迁到 Gemini 3.5 Flash，都还在把采样参数当成可用的——因为在那一对模型上它们确实可用。上面这些废弃是从这一代才开始的。

关于怎么把两个模型放在一起对比，有个省事的做法：这两个模型 ID 都通过同一个兼容 OpenAI 格式的端点暴露在 EvoLink 上，你把 base_url 指向同一个网关、只换模型名，就能拿自己的 prompt 做 A/B，不必先搭第二套接入。上面那两个"先测再切"的问题（知识密集和 UI），用这个办法在自己的流量上验最快。

动手之前先测这四件事

公开数据把问题收窄了，剩下的四件事能把它关掉。

把答案 token 和思考 token 分开记。 只看总 token 说明不了账单为什么变，因为这两个模型之间行为不同的只是其中一项。
把思考档位显式钉死。 别不小心继承了默认的 medium，并且按你实际跑的那一档算钱，而不是按基准用的 high 档。在我们这套任务上，这件事比换模型更值钱——minimal 档比默认的 medium 档便宜 73.6%，正确率一样。你自己的活能不能扛住降档，要先验再说。
用你真实的 prompt 组合做影子跑，不要用基准题集。 如果你的流量偏知识密集，这一条尤其重要，因为那正是分数退了的那个维度。
切换前先全库搜一遍。 搜 temperature、top_p、top_k、thinking_budget、candidate_count。前三个是静默失效，意味着你的测试会全绿，而输出会悄悄漂移。

常见问题

Gemini 3.6 Flash 是不是改名的 Gemini 3.5 Pro？ 发布后确实有这个猜测。社区里最高赞的回应否定了它，理由是没有任何迹象表明 Pro 被改了名，这就是 Flash 的一次升级。模型卡也支持这个读法：它写明基于 Gemini 3.5 Flash。我们记录这个猜测，但不采纳它。

gemini-3.5-flash 会被关停吗？ Google 目前公布的关停日期是：gemini-2.5-flash 和 gemini-2.5-flash-lite 在 2026-10-16，gemini-3.1-flash-lite 在 2027-05-07。2026-07-21 发布的这两个模型都没有公布关停日期。也就是说，没有一个已公布的截止日期在逼你现在做决定，你有时间把该测的测完。

输入价是不是涨了？ 没有。两个模型的标准档输入价都是 100 万 token 1.50 美元。变的只有输出价，从 9.00 美元降到 7.50 美元。

还能用 temperature=0 保证输出确定性吗？ 不能，而且这正是要盯的失效方式：参数会被接收然后忽略，不报错。把这个约束移到 system instruction 里，并且去校验输出，而不是校验请求。

RAG 场景切过去能明显省钱吗？ 按大约 20 个输入 token 对 1 个输出 token 算，公开数字推出来是省 7.1%。省是真省，但很少，因为账单的输入那一半没变。而且请把 7.1% 当成上限而不是预期值：在我们自己的任务上，实际省幅低于同一套算法的预测，而且这一轮实测完全没有覆盖长上下文检索。做 RAG 的团队应该先把这次发布当成延迟改善，其次才是成本改善。

该用哪个模型 ID？ gemini-3.6-flash。只有一个稳定版，没有 preview 后缀，也没有带日期戳的变体需要挑。