Panduan developer untuk Gemini 3.7 Flash

Gemini 3.7 Flash adalah model andalan kami yang cerdas untuk penggunaan sehari-hari oleh developer, dan memberikan kemajuan dalam rekayasa software, sehingga terasa jauh lebih baik untuk digunakan dalam membangun aplikasi. Model ini menghadirkan kecerdasan yang lebih baik untuk tugas kompleks, mengikuti petunjuk, dan panggilan alat ke dalam alur kerja harian Anda.

Dokumen ini membahas hal-hal baru di 3.7 Flash, kesesuaiannya dalam rangkaian model Gemini, cara bermigrasi ke 3.7 Flash, dan memberikan panduan memulai untuk menggunakan 3.7 Flash.

Bagaimana posisinya dalam rangkaian model Gemini?

Gemini 3.7 Flash adalah model andalan agentic utama dalam rangkaian Gemini 3, yang menjembatani kesenjangan antara model Pro deep-reasoning dan model Gemini Flash-Lite dengan throughput tinggi, sekaligus memberikan efisiensi token yang tinggi dan pemrosesan multimodal multi-langkah.

Spesifikasi dan perbandingan model

Tabel berikut adalah perbandingan yang mencakup beberapa spesifikasi antara 3.7 Flash, 3.6 Flash, dan 3.1 Pro:

Gemini 3.7 Flash Gemini 3.6 Flash Gemini 3.1 Pro
ID Model gemini-3.7-flash gemini-3.6-flash gemini-3.1-pro-preview
Tahap peluncuran GA GA Pratinjau
Jenis input Teks, Gambar, Audio, Video Teks, Gambar, Audio, Video Teks, Gambar, Audio, Video
Jenis output Teks Teks Teks
Jendela konteks 1.048.576 1.048.576 1.048.576
Panjang token output maksimum 65.536 65.536 65.536
Region yang didukung Global, Multi-region Global, Multi-region Global
Tingkat penalaran yang didukung LOW, MEDIUM, HIGH
(Default: MEDIUM) 		MINIMAL, LOW, MEDIUM, HIGH
(Default: MEDIUM) 		LOW, MEDIUM, HIGH
(Default: HIGH)
Fokus utama Alur kerja agentic, coding, pemahaman video interaktif Alur kerja agentic umum, orkestrasi multilangkah Tugas dengan penalaran mendalam dan kompleksitas tinggi

Lihat halaman model 3.7 Flash untuk mengetahui daftar lengkap kemampuan, alat, dan opsi konsumsi yang didukung.

Apa yang baru di Gemini 3.7 Flash?

Tabel berikut membandingkan tolok ukur evaluasi developer standar antara Gemini 3.7 Flash dan 3.6 Flash:

Tolok ukur evaluasi 3.7 Flash 3.6 Flash
Terminal-bench 2.1 85,1% 73,0%
DeepSWE 63,7% 49,0%
Humanity's Last Exam (HLE) 45,7% 37,4%
LMArena WebDev 1.592 1532

Panduan Memulai

Sebelum memulai, Anda harus melakukan autentikasi ke Agent Platform menggunakan Kredensial Default Aplikasi (ADC) atau kunci API. Lihat Mulai menggunakan Gemini Enterprise Agent Platform untuk informasi selengkapnya.

Dalam blok kode berikut, ganti PROJECT_ID dengan project ID Anda.

Penginstalan

Pastikan Anda menggunakan google-genai SDK terbaru:

pip install --upgrade google-genai

Permintaan dasar

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

response = client.models.generate_content(
  model="gemini-3.7-flash",
  contents="How does AI work?",
)
print(response.text)

REST

curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.7-flash:generateContent \
-d '{
  "contents": {
    "role": "USER",
    "parts": { "text": "Why is the sky blue?" },
  },
}'

Aturan API dan konvensi perilaku wajib

Gemini 3.7 Flash menerapkan konvensi API rangkaian model Gemini 3 standar berikut secara ketat:

  • Parameter sampling yang tidak digunakan lagi (temperature, top_k, top_p): Parameter ini diabaikan oleh backend. Sebagai gantinya, Anda dapat mengontrol determinisme menggunakan thinking_level (LOW, MEDIUM, HIGH) dan response_schema atau json_schema.
  • Parameter yang tidak didukung (frequency_penalty, presence_penalty, candidate_count): Meneruskan frequency_penalty, presence_penalty, atau candidate_count akan menampilkan error API aktif. Hapus dari kode klien lama.

  • Aturan panggilan fungsi yang ketat: Giliran FunctionResponse harus benar-benar cocok dengan id, name, dan jumlah eksekusi FunctionCall sebelumnya.

    • Aset multimodal: Selalu tempatkan aset multimodal di dalam payload respons.
    • Pemformatan dan teks pra-alat: Format petunjuk inline menggunakan \n\n. Jika Anda mengalami error Malformed_Function_Call yang terkait dengan teks pra-alat, bersihkan komentar di awal sebelum panggilan alat.

    • Untuk meneruskan catatan kerja sementara atau pembaruan status sebelum panggilan alat, gabungkan dalam panggilan fungsi update() khusus, bukan memunculkan XML atau teks mentah:

      {
  "name": "update",
  "description": "Update working notes before tool execution",
  "parameters": {
    "type": "OBJECT",
    "properties": {
      "previous_step": {"type": "STRING"},
      "plan": {"type": "STRING"},
      "next_step": {"type": "STRING"}
    },
    "required": ["previous_step", "plan", "next_step"]
  }
}

  • Validasi urutan chat:

    • Payload histori tidak boleh diakhiri dengan giliran peran "model".
    • Respons model yang telah disiapkan tidak didukung dan harus dihapus saat mengupgrade.
    • Giliran kosong dalam histori percakapan akan otomatis dihapus atau akan menghasilkan error validasi.

Bermigrasi ke 3.7 Flash dari 3.5 Flash atau 3.6 Flash

Untuk bermigrasi ke 3.7 Flash dari 3.5 Flash atau 3.6 Flash, lakukan langkah-langkah berikut:

  1. Perbarui ID model: Ubah string model dalam panggilan API Anda menjadi gemini-3.7-flash.
  2. Ganti parameter anggaran penalaran: Ganti konfigurasi thinking_budget bilangan bulat dengan enum string thinking_level yang ditetapkan ke salah satu nilai berikut:
    • HIGH: Direkomendasikan untuk QA visual yang padat, deteksi gerakan dalam hitungan detik (olahraga, pengeditan), atau penalaran multi-langkah di video berdurasi 60+ menit.
    • MEDIUM: Tingkat penalaran default. Tingkat ini memberikan keseimbangan optimal untuk Tanya Jawab video umum, ringkasan materi, dan pengambilan klip.
    • LOW: Direkomendasikan untuk tugas seperti penelusuran cepat yang berfokus pada transkrip atau ekstraksi metadata dasar.
  3. Menghapus parameter yang tidak digunakan lagi dan tidak didukung:
    • Menghapus temperature, top_p, dan top_k.
    • Menghapus candidate_count, frequency_penalty, dan presence_penalty.
    • Hapus semua respons model yang telah disiapkan dari histori percakapan.

Checklist ringkasan untuk developer

Referensi lainnya