Gemini 3.7 Flash: Co nowego, ceny i alternatywy (2026)

Google ogłosił Gemini 3.7 Flash 13 sierpnia 2026 roku, nazywając go „naszym najbardziej inteligentnym modelem roboczym (workhorse) do kodowania i agentów”. Kosztuje on połowę tego, co 3.6 Flash, i pojawia się trzy tygodnie po nim. Podana cena jest ceną promocyjną i wygasa z końcem roku.

Ten artykuł omawia, co się zmieniło, ile wynosi rzeczywista cena oraz co mierzą testy porównawcze (benchmarki). Dowiesz się z niego również, po co sięgnąć, gdy Twoim zadaniem jest przygotowanie raportu lub prezentacji. Stan faktyczny na dzień 17 sierpnia 2026 roku.

Co nowego w Gemini 3.7 Flash

Główną wiadomością jest skokowy wzrost możliwości w zadaniach agentowych i kodowaniu. Google wymienia jako obszary docelowe inżynierię oprogramowania, pracę koncepcyjną (knowledge work), tworzenie stron internetowych, generowanie kodu, debugowanie, rozwiązywanie problemów, rozumienie dokumentów oraz automatyzację procesów biznesowych (enterprise workflow automation).

Dwa z nich mają znaczenie dla każdego, kto pracuje z plikami, a nie z kodem. Rozumienie dokumentów (document comprehension) i automatyzacja procesów biznesowych (enterprise workflow automation) to te, które dotyczą arkuszy kalkulacyjnych, zestawień i raportów.

Sam cykl wydawniczy jest warty odnotowania. Gemini 3.6 Flash pojawił się około trzech tygodni wcześniej, więc jest to szybka iteracja, a nie zmiana generacyjna.

To tempo ma praktyczne konsekwencje. Wszystko, co budujesz wokół konkretnej wersji modelu, musi tolerować zmiany wersji zachodzące w tle.

Google wyraźnie przedstawia tę klasę jako model roboczy (workhorse), a nie model flagowy (frontier model). Jest on przeznaczony do zadań masowych i optymalizacji kosztów, a nie do rozwiązywania najtrudniejszych pojedynczych problemów.

Dostępność różni się w zależności od odbiorców. Deweloperzy mogą z niego korzystać w Google AI Studio, Android Studio i Google Antigravity. Przedsiębiorstwa otrzymują do niego dostęp poprzez Gemini Enterprise Agent Platform. Klienci indywidualni mogą z niego korzystać za pośrednictwem Gemini Spark – dotyczy to subskrybentów AI Pro i Ultra w ponad 160+ krajach.

Te trzy środowiska to nie jest ten sam produkt. Deweloper testujący rozwiązanie w AI Studio i jego kolega korzystający ze Spark pracują na różnych interfejsach i z innymi limitami.

Cennik i kluczowa data

	Teraz	Od 1 stycznia 2027 r.
Input	$0.75 za 1M tokenów	$1.50 za 1M tokenów
Output	$3.75 za 1M tokenów	$7.50 za 1M tokenów

Google wprost informuje, że „promocyjne ceny wygasają 31 grudnia 2026 roku”. Podwojenie stawek jest oficjalną informacją, a nie spekulacją.

W porównaniu do 3.6 Flash, Google opisuje obecną stawkę jako „połowę pierwotnego kosztu 3.6 Flash za milion tokenów”. Zniżka jest więc dziś realna, ale z założenia tymczasowa.

Jeśli planujesz budżet na okres wykraczający poza ten rok, uwzględnij stawki styczniowe. Kalkulacja kosztów oparta na cenie promocyjnej stanie się nieaktualna w ciągu kilku miesięcy.

Warto też spojrzeć na to z drugiej strony. W przypadku projektu kończącego się w tym roku, obecna stawka oznacza realne oszczędności, a nie tylko zabieg marketingowy.

Jeszcze jeden szczegół wpływa na planowanie. Podwojenie ceny dotyczy zarówno danych wejściowych (input), jak i wyjściowych (output), więc stosunek między nimi pozostaje bez zmian.

Co mierzą, a czego nie mierzą testy porównawcze (benchmarki)

Google publikuje pięć porównań z 3.6 Flash. W każdym z nich wzrosty są znaczące.

Benchmark	3.7 Flash	3.6 Flash
FrontierCode 1.1 Main	43.6%	34.4%
DeepSWE v1.1	65.3%	49.0%
WebDev Arena Elo	1588	1538
GDP.pdf	34.0%	22.0%
AutomationBench	30.4%	17.0%

Trzy z pięciu testów to oceny kodowania. Mówią one bardzo niewiele o tym, czy dany model poprawnie odczyta Twój kwartalny raport.

Testem, który najbardziej zbliża się do tego typu zadań, jest GDP.pdf, oceniający rozumienie dokumentów. Warto spojrzeć na jego wynik bezwzględny, a nie na samą poprawę: 34.0% oznacza, że około dwie trzecie elementów wciąż jest pomijanych.

Podobnie wygląda sytuacja z AutomationBench. Skok z 17.0% do 30.4% to duży względny wzrost, ale wciąż niski wynik bezwzględny.

Takie zestawienie daje uczciwy obraz sytuacji. Jest to znacząco lepszy model do pracy z dokumentami, ale praca z dokumentami to wciąż jego najsłabsza strona.

Co to zmienia, jeśli Twoim zadaniem jest przygotowanie raportu lub prezentacji

Tańsze i szybsze wnioskowanie (inference) zmienia ekonomię procesu, zanim jeszcze wpłynie na jakość wyników. Obniżenie kosztu tokenów o połowę sprawia, że warto wykonać krok, który wcześniej był pomijany.

Oczywistym kandydatem jest weryfikacja. Zlecenie dodatkowego przebiegu w celu sprawdzenia liczby ze źródłem kosztuje niewiele, gdy tokeny są tanie.

Drugim kandydatem jest wolumen. Przetwarzanie każdego pliku w folderze staje się przystępne cenowo, dzięki czemu nie musisz już ograniczać się do wyrywkowych prób.

Trzecim elementem jest iteracja. Gdy pierwsza próba jest tania, możesz zadać to samo pytanie na trzy różne sposoby i porównać odpowiedzi.

To, co się nie zmienia, to ostatni etap pracy. Model zwracający poprawne liczby wciąż pozostawia Cię z zadaniem przygotowania wykresu, pisemnego podsumowania i slajdów. Nasza strona poświęcona generatorowi raportów AI wyjaśnia, jak przebiega ten etap składania danych.

Właśnie dlatego koszt jednego tokena jest słabym wyznacznikiem kosztu gotowego materiału. Tokeny rzadko stanowią kosztowną część procesu tworzenia raportu.

Oceń tę zmianę przez pryzmat tego, na co możesz teraz sobie pozwolić dwukrotnie. Sprawdzanie własnej pracy to krok, który większość ludzi pomija ze względów finansowych.

Trzy rzeczy, o których nie wspomniano w ogłoszeniu

The context window. W poście nie pojawia się żadna liczba. Jeśli Twoje pliki są długie, to pominięcie jest pierwszą rzeczą, którą należy przetestować.

Jak radzi sobie z nieuporządkowanymi danymi tabelarycznymi. Rozumienie dokumentów jest wymieniane jako mocna strona, ale bez opisu tego, co dzieje się ze scalonymi komórkami, nagłówkami wielowierszowymi czy skanowanymi tabelami.

Czy dostępność w Spark oznacza tożsamość z API. Gemini Spark i API są wymienione jako osobne środowiska, a post nie stwierdza, że ich zachowanie jest identyczne.

Jakie są limity zapytań (rate limits). W ogłoszeniu nie pojawiają się żadne limity minutowe ani dzienne, co przy niskiej cenie ma większe znaczenie niż przy wysokiej.

Istnieje też czwarta luka, która ma znaczenie dla planowania. Nic nie wspomniano o tym, jak długo 3.7 Flash pozostanie aktualny, podczas gdy 3.6 Flash przetrwał około trzech tygodni.

Gdzie szybszy model przestaje pomagać

Model to tylko komponent. Praca, z której jesteś rozliczany, to gotowy produkt, a większość czasu ucieka właśnie na wypełnienie luki między jednym a drugim.

Ta luka składa się z trzech części: doprowadzenia pliku do użytecznej formy, zdecydowania, które liczby mają znaczenie, oraz stworzenia czegoś, co współpracownik może przeczytać bez Twojego komentarza.

Zauważ, że tylko środkowa część dotyczy tak naprawdę inteligencji. Pierwsza i ostatnia to kwestia obsługi plików i generowania odpowiednich formatów.

Żadnego z tych trzech problemów nie rozwiąże tańszy token. Rozwiązaniem są narzędzia, które łączą plik, analizę i wyniki w jednym miejscu.

To jest właśnie warstwa, w której działa Powerdrill Bloom. Przesyłasz plik Excel, CSV, TSV lub PDF i analizujesz go na interaktywnej tablicy (canvas). To, co zachowasz, w jednym kroku staje się wykresem, raportem lub slajdami. Jego uczciwe ograniczenie leży w drugim kierunku: nie jest to surowy punkt końcowy modelu (endpoint), więc nie masz kontroli nad tokenami, temperaturą ani wyborem modelu.

Alternatywy, które warto znać

Jeśli potrzebujesz	Rozważ
Taniego i szybkiego wnioskowania do zadań agentowych i kodowania	Gemini 3.7 Flash
Głębokiego wnioskowania na długich, nieuporządkowanych dokumentach	Model flagowy (frontier model) zamiast klasy roboczej (workhorse)
Gotowego wykresu, raportu lub prezentacji z pliku danych	Agenta działającego (action agent) z funkcją przesyłania i eksportu plików
Interaktywnego widoku arkusza Google Sheet	Sheets canvas, omówiony w naszym przewodniku po Sheets canvas

Wybierz w zależności od tego, którego ogniwa w łańcuchu Ci brakuje. Jeśli brakującym elementem jest koszt wnioskowania, rozwiązaniem jest model roboczy (workhorse).

Pamiętaj, że nie są to konkurencyjne zakupy. Klasa modelu i narzędzie do dostarczania wyników znajdują się w różnych punktach procesu i większość zespołów ostatecznie płaci za jedno i drugie.

Jeśli brakującym elementem jest końcowy produkt, tańszy model go nie stworzy. To po prostu inna kategoria narzędzi, a nie słabsza.

Podsumowanie

Gemini 3.7 Flash to prawdziwy krok naprzód w zadaniach agentowych i pracy z dokumentami, przy połowie dotychczasowych kosztów – przy czym ta obniżka ceny jest tymczasowa. To trzy fakty, o których warto pamiętać.

Liczbą, na którą należy zwracać uwagę, jest wynik GDP.pdf wynoszący 34.0%. Poprawa a wystarczalność to dwie różne rzeczy, a rozumienie dokumentów to wciąż obszar, który musisz weryfikować samodzielnie.

Jeśli Twoja praca kończy się na wykresie, pisemnym podsumowaniu lub prezentacji, wypróbuj Powerdrill Bloom na jednym ze swoich plików. Zobacz również nasze przewodniki po wtyczkach agentowych oraz o tym, czym jest MCP.

Najczęściej zadawane pytania

Czym jest Gemini 3.7 Flash?

To model klasy roboczej (workhorse) od Google, ogłoszony 13 sierpnia 2026 roku, opisywany jako dotychczas najbardziej inteligentny model roboczy do kodowania i agentów. Google wymienia kodowanie, pracę koncepcyjną, rozumienie dokumentów oraz automatyzację procesów biznesowych wśród jego głównych obszarów zastosowań.

Ile kosztuje Gemini 3.7 Flash?

Obecnie $0.75 za milion tokenów wejściowych (input) i $3.75 za milion tokenów wyjściowych (output). Google podaje, że ta promocyjna cena wygasa 31 grudnia 2026 roku, po czym zaczną obowiązywać stawki $1.50 i $7.50.

Czy jest lepszy niż Gemini 3.6 Flash?

Google publikuje wzrosty we wszystkich pięciu porównywanych testach benchmarkowych, w tym FrontierCode 1.1 Main na poziomie 43.6% w porównaniu do 34.4%. Podaje również, że obecna cena to połowa pierwotnego kosztu 3.6 Flash za milion tokenów.

Jak duże jest jego okno kontekstowe (context window)?

W ogłoszeniu nie podano wielkości okna kontekstowego. Jeśli w Twojej pracy liczą się długie pliki, przetestuj to samodzielnie, zamiast zakładać zgodność z inną klasą modelu.

Czy potrafi zamienić arkusz kalkulacyjny w prezentację?

Model zwraca tekst i wnioski, a nie sformatowaną prezentację. Tworzenie slajdów z pliku danych wymaga narzędzi, które obsługują pliki i eksport, co stanowi osobną warstwę, niezależną od samego modelu.