de.wedoany.com-Bericht: Google hat sein neues Flaggschiff-Modell Gemini 3.7 Flash veröffentlicht, das Programmierung, Agenten-Workflows und Wissensarbeit in den Mittelpunkt der Verbesserungen stellt und die API-Preise vorübergehend halbiert. Nur drei Wochen nach der Veröffentlichung von Gemini 3.6 Flash führt Google diesen ungewöhnlich kurzen Produktzyklus auf Entwicklerfeedback und Algorithmusverbesserungen zurück. Für Unternehmensentwickler ist die Kombination aus gesteigerter Intelligenz und gesenkten Inferenzkosten von größerem Interesse: Bis zum 31. Dezember 2026 kostet der Eingabe-Token bei Gemini 3.7 Flash 0,75 US-Dollar pro Million, der Ausgabe-Token 3,75 US-Dollar pro Million.
Ab dem 1. Januar 2027 werden die Preise auf 1,50 US-Dollar pro Million Eingabe-Token und 7,50 US-Dollar pro Million Ausgabe-Token angehoben; auch die Kosten für den Kontext-Cache steigen von 0,075 US-Dollar pro Million Token in der Einführungsphase auf 0,15 US-Dollar. Das bedeutet, dass der Rabatt nur vorübergehend ist, aber Teams, die groß angelegte Programmier- und Geschäftsagenten einsetzen, haben einige Monate Zeit, um zu bewerten, ob sich Googles Behauptung von „weniger Wiederholungen und weniger manueller Aufsicht“ in niedrigere Gesamtbetriebskosten umsetzen lässt.
Google bezeichnet Gemini 3.7 Flash als „das bisher intelligenteste Flaggschiff-Modell für Programmierung und Agenten“ und betont, dass das Modell besser darin ist, sich bei Hindernissen anzupassen, bei Bedarf Absichten zu klären und Anweisungen mit höherer Genauigkeit zu befolgen. In Unternehmens-Programmieragenten-Szenarien kann ein Modell, das unnötige Änderungen reduziert, sich von Fehlern erholt und mehrstufige Pläne zuverlässiger ausführt, die Häufigkeit manueller Eingriffe direkt senken; auch Geschäftsagenten, die über Dokumente und Anwendungen hinweg arbeiten, profitieren davon. Im Vergleich zum Designansatz von Gemini 3.6 Flash, der darauf abzielte, Inferenzschritte, Dialogrunden und Tool-Aufrufe zu reduzieren, investiert 3.7 Flash mehr in mehrstufige Planung und Tool-Aufrufe, mit dem Ziel strengerer Ausführung und weniger Wiederholungen. Google DeepMind gibt an, dass das Modell Verbesserungen beim Debugging und bei der Problemlösung aufweist, mit weniger Aufforderungen praktischere Weblayouts und Anwendungen generieren kann und die Argumentation und Genauigkeit in realen Geschäftsworkflows verbessert.
Bei den Programmier-Benchmarks zeigen sich deutliche Verbesserungen. Beim FrontierCode 1.1 Main, der die Qualität von Produktionscode misst, erreicht Gemini 3.7 Flash 43,6 %, mehr als die 34,4 % von Gemini 3.6 Flash und leicht über den von Google angegebenen Werten von Claude Sonnet 5 (42,7 %) und GPT-5.6 Terra (41,3 %). Bei der Langzeit-Softwareentwicklungsbewertung DeepSWE v1.1 erreicht 3.7 Flash 65,3 %, während der Vorgänger 49,0 % erzielte; GPT-5.6 Terra führt mit 69,6 %. Bei der Webentwicklung erreicht Gemini 3.7 Flash auf Code Arena einen Elo-Wert von 1588, höher als die 1538 von 3.6 Flash, die 1541 von Claude Sonnet 5 und die 1523 von GPT-5.6 Terra; Google gibt an, dass das neue Modell mit weniger Aufforderungen praktischere Layouts und funktionsfähige Anwendungen generiert und Referenz-Screenshots, Bilder und Designsysteme genauer befolgt.
Die breiteren Benchmark-Ergebnisse zeigen ein komplexeres Bild, was für Unternehmen bei der Auswahl nach spezifischen Arbeitslasten praktischen Referenzwert hat. Gemini 3.7 Flash erreicht auf Terminal-bench 2.1 85,8 %, weniger als die 87,4 % von GPT-5.6 Terra; Terra führt auch auf Terminal-bench 3.0 und OSWorld-2.0. Claude Sonnet 5 führt bei den multimodalen Desktop- und Betriebssystemaufgaben von Agent's Last Exam mit einer Erfolgsquote von 33,3 %, während Gemini 3.7 Flash 26,3 % erreicht. Mit anderen Worten: Googles eigene Daten zeigen nicht, dass 3.7 Flash die teureren Wettbewerber vollständig ersetzt, sondern dass das Modell bei Programmier- und Agenten-Workloads wettbewerbsfähiger ist, während es in einer niedrigeren Preisklasse positioniert ist.
Die Leistung in Unternehmens-Workflows ist eine praktischere Bewertungsdimension. Beim AutomationBench, der die Automatisierung von Unternehmens-Workflows misst, erreicht Gemini 3.7 Flash 30,4 %, deutlich mehr als die 17,0 % von 3.6 Flash; in der Google-Tabelle liegen Claude Sonnet 5 bei 10,7 % und GPT-5.6 Terra bei 23,6 %. Beim GDP.PDF, der komplexes PDF-Verständnis bewertet, erreicht das Modell 34,0 %, mehr als die 22,0 % von 3.6 Flash, die 28,0 % von Claude Sonnet 5 und die 24,7 % von GPT-5.6 Terra. Diese Kombination von Fähigkeiten ist für Unternehmensagenten von großer Bedeutung, da reale Bereitstellungen oft eine vollständige Kette umfassen: das Interpretieren langer Berichte, das Identifizieren relevanter Informationen, das Aufrufen von Tools, das Aktualisieren von Systemen und das Generieren von Dokumenten für die menschliche Überprüfung. Die Zuverlässigkeit der Kette ist entscheidender als isolierte Reasoning-Benchmark-Werte.
Google setzt diesen Ansatz über Gemini Spark um. Nutzer von Google AI Pro und Ultra können 3.7 Flash im persönlichen KI-Agenten Spark verwenden, um Wissensarbeit und Tool-Nutzung in Google Workspace-Anwendungen zu verbessern, einschließlich Workflows wie dem Zusammenführen von Dateien, dem Entwerfen von E-Mails und dem Aktualisieren von Statusdokumenten. Unternehmen können das Modell auch über die Gemini Enterprise Agent Platform und die Gemini Enterprise-Anwendung erhalten.
Die Einführungspreise werden als deutlicher Versuch gesehen, sich in Unternehmens-Workflows zu integrieren. Zum Vergleich: Die Standard-API-Preise für Gemini 3.6 Flash liegen bei 1,50 US-Dollar pro Million Eingabe-Token und 7,50 US-Dollar pro Million Ausgabe-Token; Claude Sonnet 5 kostet 2 US-Dollar bzw. 10 US-Dollar, GPT-5.6 Terra 2 US-Dollar bzw. 12 US-Dollar. Bei autonomen Agenten kann eine einzelne Benutzeranfrage eine lange Kette von Modellaufrufen, Reasoning-Token und Tool-Interaktionen auslösen. Ein Modell mit niedrigeren Kosten pro Token, aber deutlich mehr Wiederholungen ist nicht unbedingt günstiger. Google kombiniert niedrigere Einführungs-Token-Preise mit den sogenannten Verbesserungen bei der Erstversuchs-Genauigkeit. Wenn sich diese Vorteile in der Produktion fortsetzen, könnten sie die Betriebskosten groß angelegter Programmier- oder Dokumentverarbeitungsagenten erheblich verändern. Die Kennzahl, auf die Unternehmensteams letztendlich achten sollten, ist nicht der isolierte Preis pro Million Token, sondern die Kosten pro erfolgreich abgeschlossener Aufgabe.
Die Veröffentlichung von Gemini 3.7 Flash erfolgt inmitten externer Diskussionen darüber, ob Google an der KI-Front an Boden verliert. Google hat Gemini 3.5 Pro noch nicht veröffentlicht – ein Modell, das im Mai für den Folgemonat angekündigt worden war, im Juli dann als weiterhin in Partner-Tests befindlich bezeichnet wurde; die Ankündigung vom Donnerstag lieferte keinen weiteren Zeitplan. Das neueste veröffentlichte allgemeine Pro-Modell von Google bleibt daher das im Februar eingeführte Gemini 3.1 Pro. Dieses Modell hatte Berichten zufolge den ursprünglichen Zeitplan verpasst, weil interne Ziele – insbesondere bei der Programmierung – nicht erreicht wurden. Google hat bereits mit dem Training von Gemini 4 begonnen, das es als sein „ehrgeizigstes“ Modell bezeichnet.
Diese Reihe von Verzögerungen fällt mit der Ankündigung bedeutender Veränderungen in der KI-Führungsebene von Google zusammen. Demis Hassabis, Mitbegründer von Google DeepMind und Nobelpreisträger, wechselt in die Rolle des Vorsitzenden der Abteilung und wird Chief Scientist von Alphabet; er ist nicht mehr für das Tagesgeschäft verantwortlich. Der ehemalige CTO von DeepMind, Koray Kavukcuoglu, leitet die Abteilung nun als Senior Vice President und berichtet direkt an CEO Sundar Pichai. Kavukcuoglu ist verantwortlich für die Gemini-Modellentwicklung, Spitzenforschung, die Gemini-App und die Entwicklerteams und bündelt die gesamte Gemini-Produktkette unter einem eher produktorientierten Manager. Chief Scientist Jeff Dean, die Gemini-Co-Leiter Oriol Vinyals, Quoc Le und Sanjay Ghemawat haben das Unternehmen verlassen, um das Forschungs-Startup Discovery Loop zu gründen; zuvor war der Gemini-Co-Leiter Noam Shazeer zu OpenAI gewechselt, und der Nobelpreisträger und AlphaFold-Wissenschaftler John Jumper ist zu Anthropic gewechselt. Reuters hatte zuvor berichtet, dass die langsamen Veröffentlichungen und Programmierdefizite auf interne Meinungsverschiedenheiten, eingeschränkte Rechenressourcenzuweisung und Googles Bürokratie zurückzuführen seien.
Externe Einschätzungen gehen auseinander. SemiAnalysis ist der Ansicht, dass Google zunehmend das hochprofitable Geschäft der Bereitstellung von Cloud-Infrastruktur für KI-Unternehmen (einschließlich Konkurrenten von Gemini) priorisiert, anstatt die eigenen Modelle an der Spitze zu halten; die Analyse behauptet auch, dass Google 3.5 Pro faktisch eingestellt hat, was Google jedoch nicht bestätigt und weiterhin erklärt, das Modell sei verschoben. The Verge kommt zu einem vorsichtigeren Urteil: Die Abgänge und Modellverzögerungen seien zwar ernst, aber Google habe durch Suche, Workspace, Android, Cloud Computing, maßgeschneiderte KI-Chips und Verbrauchervertrieb weiterhin enorme Vorteile; die Gemini-App habe über 950 Millionen monatlich aktive Nutzer, und ihre Reichweite hänge nicht vollständig vom höchstplatzierten Modell ab. Der Overall Model Intelligence Index von Artificial Analysis bewertet Claude Opus 5 mit 63 Punkten; Google gibt für Gemini 3.7 Flash 56 Punkte an, eine Verbesserung gegenüber den 52 Punkten von 3.6 Flash. Frühe menschliche Präferenzergebnisse auf Arena zeigen 3.7 Flash vorläufig auf Platz 9, bei der Webentwicklung auf Platz 8.
Entwickler können auf Gemini 3.7 Flash über Google AI Studio, die Gemini API in Android Studio und Googles Antigravity-Umgebung zugreifen; Unternehmen können über die Gemini Enterprise Agent Platform und Gemini Enterprise bereitstellen, und Nutzer von Google AI Pro oder Ultra können es in unterstützten Ländern über Spark nutzen. Google hat gleichzeitig die Sicherheitsvorkehrungen aktualisiert, die chemische, biologische, radiologische und nukleare Risiken sowie Missbrauch durch Cyberangriffe abdecken.
Der schnelle Sprung von Gemini 3.6 Flash zu 3.7 Flash zeigt, dass Algorithmusverbesserungen nicht auf eine neue Flaggschiff-Generation warten müssen, um in Produktionsprodukte zu gelangen. Für Entwickler bringt dieses Tempo auch betriebliche Anforderungen mit sich: Produktionsteams müssen neue Versionen weiterhin gegen ihre eigenen Codebasen, Prompts, Tool-Architekturen und Fehlermodi benchmarken, bevor sie die Bereitstellung umstellen. Googles eigene Daten zeigen erhebliche Verbesserungen des Modells bei produktionsreifer Programmierung, Webentwicklung, Dokumentverständnis und Workflow-Automatisierung, aber es wird keine vollständige Überlegenheit beansprucht. Mit den Einführungspreisen wettet Google im Grunde darauf, dass Entwickler ein Modell schätzen werden, das „mit teureren Systemen ausreichend konkurrenzfähig und gleichzeitig günstig genug für wiederholte Ausführung“ ist. Ob sich dieser Vorteil nach der Rückkehr zu den vollen Preisen im Januar 2027 fortsetzt, hängt von der Zuverlässigkeit von 3.7 Flash bei realen Aufgaben ab – nicht von Platzierungen in Ranglisten.
