هزینه استقرار عامل‌های هوش مصنوعی در مقیاس بالا به‌شدت کاهش یافت. گوگل با معرفی Gemini 3.7 Flash و تعیین قیمت آغازین ۰.۷۵ دلار به‌ازای هر ۱ میلیون توکن ورودی، این مدل را به یک «اسب بارکش» با هوش بالا تبدیل کرده است که هدف آن مقرون‌به‌صرفه کردن عامل‌های همیشه-فعال (Always-on Agents) برای استارتاپ‌ها و تیم‌های بازار متوسط است.
این به‌روزرسانی تنها سه هفته پس از انتشار Gemini 3.6 Flash صورت گرفت که نشان‌دهنده یک چرخه تکرار بسیار سریع برای مدل‌های لایه کارآمد گوگل است. در حالی که پیش‌تر بررسی کردیم چگونه جایگزین‌های بازمتن مانند Dicio تلاش می‌کنند اکوسیستم گوگل را در اندروید جایگزین کنند، گوگل اکنون با کاهش شدید هزینه‌ها برای توسعه‌دهندگان سازمانی، روی تقویت خندق APIهای اختصاصی خود سرمایه‌گذاری می‌کند.
به نقل از تحلیل فنی Marktechpost، مدل Gemini 3.7 Flash یک اجرای جدید پیش‌آموزش (Pretraining) نیست، بلکه نسخه‌ای پالایش‌شده از پایه ۳.۶ است که با بهبودهای الگوریتمی در استدلال هسته (Core Reasoning) بهینه‌سازی شده است. این مدل همچنان از پنجره زمینه (Context Window) یک میلیون توکنی بهره می‌برد و تاریخ قطع دانش آن مارس ۲۰۲۶ است.
زمینه و استقرار
دسترسی به این مدل به‌طور کامل به APIها و سطوح سازمانی محدود شده است. این مدل هیچ‌گونه وزن‌های باز (Open Weights) ندارد؛ این بدان معناست که تیم‌هایی که نیاز به محیط‌های ایزوله (Air-gap) یا الزامات سخت‌گیرانه اقامت داده‌ها (Data-residency) دارند، از دایره کاربران این مدل خارج هستند، زیرا هیچ امکان میزبانی شخصی (Self-hosting) وجود ندارد.
کاربران عادی می‌توانند از طریق Gemini Spark در طرح‌های Google AI Pro و Ultra به این مدل دسترسی داشته باشند. برای توسعه‌دهندگان، این مدل از طریق سطوح میزبانی‌شده شامل Google AI Studio، Google Antigravity و پلتفرم Gemini Enterprise Agent در دسترس است.
مشخصات فنی و دسترسی
- قیمت‌گذاری: ۰.۷۵ دلار به‌ازای ۱ میلیون توکن ورودی / ۳.۷۵ دلار به‌ازای ۱ میلیون توکن خروجی (این نرخ‌ها تا ۳۱ دسامبر ۲۰۲۶ معتبر هستند). از تاریخ ۱ ژانویه ۲۰۲۷، نرخ‌ها به ترتیب به ۱.۵۰ و ۷.۵۰ دلار افزایش می‌یابد.
- قابلیت‌ها: پردازش بومی متن، تصویر، صوت و ویدیو با توانایی تولید خروجی تا ۶۴ هزار توکن.
- سفارشی‌سازی: پشتیبانی از پیکربندی‌های تفکر (Thinking Configurations) قابل تنظیم که به کاربران اجازه می‌دهد کیفیت را در برابر هزینه و تأخیر (Latency) موازنه کنند.
- استقرار: در دسترس از طریق Gemini API، Google AI Studio، اندروید استودیو و Gemini Enterprise.
عملکرد در محک‌ها
ارزیابی‌های داخلی گوگل نشان‌دهنده دستاوردهای متمرکز در مهندسی نرم‌افزار، توسعه وب و کارهای دانشی متکی بر اسناد است. در محک FrontierCode 1.1 Main که کیفیت کد تولیدی در محیط عملیاتی را می‌سنجد، Gemini 3.7 Flash امتیاز ۴۳.۶٪ را کسب کرد که یک جهش قابل‌توجه نسبت به امتیاز ۳۴.۴٪ در نسخه ۳.۶ Flash است. همچنین این مدل در ارزیابی DeepSWE v1.1 که افق‌های زمانی طولانی را می‌سنجد، به امتیاز ۶۵.۳٪ رسید.
در حوزه توسعه وب، این مدل با کسب امتیاز ۱۵۸۸ در WebDev Arena، از امتیاز ۱۵۳۸ مدل پیشین خود پیشی گرفت. همچنین نرخ بازیابی در متون طولانی در GDM-MRCR v2 در سطح ۱۲۸ هزار توکن به ۹۷.۰٪ رسید.
در اتوماسیون سازمانی، این مدل در مجموعه AutomationBench از رقبای خود پیشی گرفت و امتیاز ۳۰.۴٪ را به دست آورد، در حالی که GPT-5.6 Terra امتیاز ۲۳.۶٪ و Claude Sonnet 5 امتیاز ۱۰.۷٪ را کسب کردند. درک اسناد نیز بهبود یافت و امتیاز GDP.pdf از ۲۲.۰٪ به ۳۴.۰٪ افزایش یافت.
تحلیل مقایسه‌ای
با این حال، این مدل در همه زمینه‌ها برنده مطلق نیست. GPT-5.6 Terra همچنان برتری خود را در وظایف مربوط به استفاده از ترمینال و عامل‌های کامپیوتری حفظ کرده است و در Terminal-bench 2.1 امتیاز ۸۷.۴٪، در Terminal-bench 3.0 امتیاز ۲۰.۸٪ و در OSWorld-2.0 امتیاز ۵۰.۲٪ را کسب کرد. همچنین در DeepSWE با امتیاز ۶۹.۶٪ پیشتاز است.
در ارزیابی کارهای دانشی GDPval-AA v2، مدل 3.7 Flash امتیاز ۱۵۲۵ Elo را به دست آورد که پایین‌تر از Sonnet 5 (۱۵۹۸) و Muse Spark 1.2 (۱۶۲۸) است. علاوه بر این، Gemini 3.7 Flash در استدلال CharXiv دچار یک پسرفت جزئی شد و امتیاز آن از ۸۵.۲٪ به ۸۴.۵٪ کاهش یافت. در شاخص هوش Artificial Analysis، این مدل امتیاز ۵۶ را کسب کرد که اندکی پایین‌تر از GPT-5.6 Terra و Muse Spark 1.2 است که هر دو امتیاز ۵۷ دارند.
برای تیم‌های فنی، تغییر واقعی در نسبت «هوش به دلار» نهفته است. با فرض ترکیب ۸۰/۲۰ ورودی-خروجی، هزینه ترکیبی استنتاج (Inference) این مدل ۱.۳۵ دلار به‌ازای هر ۱ میلیون توکن است. با توجه به نرخ‌های ۲.۰۰/۱۰.۰۰ دلار برای Claude Sonnet 5 و ۲.۰۰/۱۲.۰۰ دلار برای GPT-5.6 Terra، هزینه مدل گوگل تقریباً سه برابر ارزان‌تر از Claude Sonnet 5 (۳.۶۰ دلار) و GPT-5.6 Terra (۴.۰۰ دلار) است.
این استراتژی قیمتی نشان می‌دهد گوگل اولویت خود را بر تصاحب سهم بازار در لایه «عامل‌محور» (Agentic) قرار داده است. با تبدیل هزینه شکست در یک عامل چندمرحله‌ای به رقمی ناچیز، گوگل توسعه‌دهندگان را تشویق می‌کند تا خط‌لوله‌های پیچیده و طولانی‌مدتی بسازند که پیش از این از نظر مالی توجیه‌پذیر نبودند.
کاربردهای صنعتی
مجموعه ارزیابی‌های گوگل، از جمله Harvey LAB-AA و AutomationBench، به موارد استفاده با ارزش بالا اشاره دارند:
- حقوق و مالی: خط‌لوله‌های تبدیل PDF به داده‌های ساختاریافته و اتوماسیون بخش‌های پشتیبانی اداری (Back-office) که متکی بر اسناد حجیم هستند.
- علوم زیستی: کارهای دانشی پیچیده و استخراج داده‌های تخصصی.
- مهندسی نرم‌افزار: عامل‌های کدنویسی با اجرای طولانی‌مدت و تولید رابط کاربری (UI) مستقیماً از روی اسکرین‌شات‌ها یا سیستم‌های طراحی.
توسعه‌دهندگان باید «پرتگاه قیمتی» دسامبر ۲۰۲۶ را زیر نظر داشته باشند، زیرا نرخ‌ها طبق برنامه در ۱ ژانویه ۲۰۲۷ دو برابر خواهند شد. اولویت فوری برای تیم‌ها این است که ارزیابی کنند آیا بهبودهای کدنویسی در 3.7 Flash، مهاجرت از مدل‌های پیشرو (Frontier) گران‌تر را توجیه‌پذیر می‌کند یا خیر.
گفتگو