Google Gemini 3.7 Flash-ஐ அறிமுகப்படுத்தியது: குறியீட்டு, முகவர் மற்றும் அறிவு பணிக்கான ஹைப்ரிட் யோசனை

ஹைப்ரிட் யோசனைக்கான புதிய flagship

ஆகஸ்ட் 13, 2026-ல் Google Gemini 3.7 Flash-ஐ வெளியிட்டது — குறியீட்டு, முகவர் மற்றும் சிக்கலான அறிவு பணிக்கான flagship ஹைப்ரிட் யோசனை மாதிரி. ஆழத்தை வேகத்துக்கு பலி கொடுத்த முந்தைய Flash தலைமுறைகளுக்கு மாறாக, 3.7 Flash API-யில் native கட்டுப்படுத்தக்கூடிய யோசனை-யைக் கொண்டுள்ளது: தனி «யோசனை மாதிரி»-க்கு மாறாமல் ஒவ்வொரு கோரிக்கையிலும் சிந்தனை ஆழத்தை நீங்கள் அமைக்கலாம்.

இந்த வெளியீடு மூன்று பார்வையாளர்களை ஒரே நேரத்தில் குறிக்கிறது: production முகவர்களை deploy செய்யும் developers, நீண்ட கால coding பணிகளை இயக்கும் குழுக்கள், மற்றும் பெரிய ஆவண தொகுப்புகளில் நம்பகமான multimodal பகுப்பாய்வு தேவைப்படும் enterprises. Google 3.7 Flash-ஐ ஒரே endpoint sub-100ms chat பதில்களுக்கும் பல நிமிட ஆழமான ஆராய்ச்சிக்கும் சேவை செய்யும் மாதிரியாக வைக்கிறது.

Native ஹைப்ரிட் யோசனை மற்றும் thinking budget

மையம் thinking_config.thinking_budget — பதிலளிக்கும் முன் மாதிரி எத்தனை internal reasoning tokens பயன்படுத்தலாம் என்பதைக் கட்டுப்படுத்தும் முழு எண்.

thinking_budget	நடத்தை	சிறந்தது
0	மிகக் குறைந்த latency வேக முறை (முதல் token 85ms-க்குக் கீழ்)	நேரடி chat, autocomplete, உயர் QPS routing
256–1024	லேசான multi-step திட்டமிடல்	Tool routing, எளிய refactor, RAG synthesis
4096–16384	ஆழமான multi-step யோசனை	முகவர் loops, சிக்கலான debugging, ஆராய்ச்சி அறிக்கைகள்
32768–65536	அதிகபட்ச ஆழம்	நீண்ட கால coding, பல கோப்பு architecture மாற்றங்கள்

Gemini API-யில் இவ்வாறு அமைக்கவும்:

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
    model="gemini-3.7-flash",
    contents="இந்த React component-ஐ hooks-க்கு refactor செய்து error boundaries சேர்க்கவும்.",
    config=types.GenerateContentConfig(
        thinking_config=types.ThinkingConfig(
            thinking_budget=8192  # 0 = வேக முறை; ஆழமான யோசனைக்கு 65536 வரை
        )
    ),
)
print(response.text)

யோசனை native என்பதால் latency smoothly scale ஆகிறது: thinking_budget 0 என்றால் classic Flash போல, உயர் மதிப்புகள் model ID மாற்றாமல் chain-of-thought quality-யைத் திறக்கின்றன. Billing visible output tokens-ஐ internal thinking tokens-இலிருந்து பிரிக்கிறது — நீங்கள் கோரிய ஆழத்துக்கு மட்டுமே pay செய்கிறீர்கள்.

Benchmark highlights

Google Gemini 3.6 Flash, Claude Sonnet 5 மற்றும் GPT-5.6 Terra-க்கு எதிராக head-to-head எண்களை வெளியிட்டது. 3.7 Flash பட்டியலிடப்பட்ட அனைத்து evals-லும் முன்னிலையில்:

Benchmark	Gemini 3.7 Flash	Gemini 3.6 Flash	Claude Sonnet 5	GPT-5.6 Terra
FrontierCode 1.1	43.6%	34.4%	39.1%	37.8%
DeepSWE v1.1	65.3%	49.0%	56.2%	53.4%
WebDev Arena (Elo)	1588	1538	1552	1544
GDP.pdf	34.0%	22.0%	28.5%	26.8%
AutomationBench	30.4%	17.0%	23.1%	21.5%
GDM-MRCR v2	97.0%	91.2%	94.5%	93.1%
HLE-Verified	53.6%	44.8%	48.2%	46.7%

builders-க்கு இரண்டு எண்கள் குறிப்பிடத்தக்கவை:

• DeepSWE v1.1-ல் 65.3% — 3.6 Flash-ஐ விட 16 புள்ளி jump; agentic coding முதன்மை training target.
• GDM-MRCR v2-ல் 97.0% — 2.5M-token window-ல் ஏறக்குறைய perfect long-context retrieval, document-heavy workflows-க்கு critical.

முந்தைய தலைமுறை context: Gemini 3.6 Flash vs 3.5 Flash comparison.

விலை மற்றும் 50% அறிமுக தள்ளுபடி

Google aggressive launch promotion நடத்துகிறது:

	Intro price (டிச. 31, 2026 வரை)	Standard price (ஜன. 1, 2027 முதல்)
Input	$0.75 / 1M tokens	$1.50 / 1M tokens
Output	$3.75 / 1M tokens	$7.50 / 1M tokens
Context caching	$0.075 / 1M tokens	$0.075 / 1M tokens

2026-ன் மீதி காலத்தில் input மற்றும் output-ல் 50% தள்ளுபடி. Context caching — பெரிய system prompts அல்லது document corpora மீண்டும் பயன்படுத்தும்போது பயனுள்ள — promo period-லிருந்து சுயாதீனமாக million tokens-க்கு $0.075.

உயர் thinking budgets-ல் குறைவான tool-call round trips-உடன், முடிக்கப்பட்ட agent task-க்கான effective cost token sticker price-ஐ விட கணிசமாக குறையலாம். எங்கள் API cost estimate guide typical workloads-ன் math-ஐ walkthrough செய்கிறது.

Multimodal, web dev மற்றும் agent திறன்கள்

benchmarks-க்கு அப்பால் 3.7 Flash production-ready capabilities கொண்டுள்ளது:

• 2.5M-token context window — முழு codebases, contract bundles அல்லது research corpora ஒரே pass-ல்.
• 245 output tokens/s — UI code மற்றும் நீண்ட reports stream செய்ய UX throttle இல்லாமல் போதுமான வேகம்.
• 99.7% JSON tool execution precision — agent tool chains-க்கு reliable structured outputs.
• Computer use — browser மற்றும் desktop workflows-க்கு built-in client-side automation.
• UI generation fidelity — WebDev Arena (1588 Elo)-ல் உயர் layout accuracy சுத்தமான generated frontends.

இன்று Gemini API, Google AI Studio, Gemini Enterprise மற்றும் Google Antigravity வழியாக கிடைக்கிறது.

Developer guide மற்றும் migration

3.6 Flash அல்லது 3.5 Flash-Lite-இலிருந்து upgrade செய்தால் இந்த patterns-இல் தொடங்குங்கள்:

1. Model ID மாற்று — gemini-3.6-flash-ஐ gemini-3.7-flash-ஆக; API surface backward compatible.
2. Task type படி thinking budgets — user-facing chat-க்கு 0, RAG Q&A-க்கு 1024, coding agents-க்கு 8192+, latency irrelevant overnight batch jobs-க்கு மட்டும் 32768.
3. Context caching enable — system prompt அல்லது document set 32K tokens-ஐ மீண்டும் repeat செய்தால் input cost 90% குறை.
4. Tool schemas tune — 99.7% JSON precision strict schemas-ஐ reward; loose definitions application layer-ல் fail.
5. Thinking token usage monitor — usage_metadata log செய்து எந்த agent steps-க்கு deep reasoning தேவை என்பதைப் புரிந்துகொள்ளுங்கள்.

Agentic workflow patterns: 3.5 Flash-Lite agentic workflows guide — thinking budget concept 3.7 Flash-ல் finer granularity-யுடன் naturally extend ஆகிறது.

முடிவு

Gemini 3.7 Flash வேகமும் ஆழமும் mutually exclusive அல்லாத முதல் Flash-tier model. Controllable thinking_budget ஒரே model latency-critical chat மற்றும் deep agentic coding serve செய்ய அனுமதிக்கிறது; launch pricing 2026 இறுதி வரை experimentation-ஐ மலிவாக்குகிறது.

தொடர்புடைய

• Gemini 3.6 Flash vs 3.5 Flash: full comparison
• Gemini 3.5 Flash-Lite: agentic workflows guide
• Gemini API cost estimate guide
• Gemini vs ChatGPT vs Claude comparison