Note : Quelques semaines seulement après le lancement de Gemini 3.7 Flash, Google a lancé Gemini 3.8 Flash. Découvrez-le en action dans notre tutoriel sur l’API Gemini 3.8 Flash.
\n
Google a publié Gemini 3.7 Flash, son modèle Flash le plus performant à ce jour, pensé pour le code et les workflows agentiques. Cette sortie intervient alors que le fleuron de Google, Gemini 3.5 Pro, reste retardé, ce que Reuters a présenté comme un test de la capacité de DeepMind à suivre Anthropic et OpenAI.
\n
Les chiffres clés sont ambitieux. Gemini 3.7 Flash atteint 43,6 % sur FrontierCode 1.1 Main (contre 34,4 % pour 3.6 Flash), 1588 Elo sur Code Arena pour le développement web, et est proposé à un prix de lancement de 0,75 $ par million de tokens en entrée et 3,75 $ par million de tokens en sortie, soit la moitié du coût initial de 3.6 Flash.
\n
Dans cet article, nous passons en revue les nouveautés de Gemini 3.7 Flash : ses fonctionnalités, les benchmarks, et des tests pratiques que vous pouvez reproduire. Pour creuser la concurrence, consultez nos guides GPT-5.6 Terra vs Claude Sonnet 5 et apprendre à utiliser Claude.
\n\n
En bref
\n
\n- Gemini 3.7 Flash est le modèle Flash le plus capable de Google, conçu pour le code et les workflows agentiques, avec une fenêtre de contexte d’1 million de tokens.
\n- Tarifs de lancement : 0,75 $/1M tokens en entrée et 3,75 $/1M en sortie jusqu’au 31 décembre 2026, puis 1,50 $/7,50 $ en standard.
\n- Il domine FrontierCode 1.1 (43,6 %), GDP.pdf (34,0 %), Harvey LAB-AA (90,7 %) et GDM-MRCR long contexte (97,0 %) face à Claude Sonnet 5 et GPT-5.6 Terra.
\n- GPT-5.6 Terra reste en tête sur DeepSWE, Terminal-bench et les évaluations agentiques OSWorld.
\n- Disponible via l’API Gemini, Google Antigravity, Gemini Enterprise et Gemini Spark.
\n
\n
Qu’est-ce que Gemini 3.7 Flash ?
\n
Gemini 3.7 Flash est le modèle polyvalent milieu de gamme de Google, présenté comme son modèle Flash le plus abouti pour le codage avancé, les workflows agentiques et l’exécution multi-étapes fiable. Il succède à Gemini 3.6 Flash, sorti trois semaines plus tôt, et Google attribue la hausse de qualité aux retours développeurs et à des changements algorithmiques.
\n
Le modèle est disponible de manière générale via l’API Gemini, avec une fenêtre de contexte d’1 million de tokens (1 048 576 tokens en entrée) et une limite de 65 536 tokens en sortie. Il accepte des entrées texte, image, vidéo, audio et PDF, et ne renvoie que du texte. Google expose des niveaux de raisonnement réglables : faible, moyen et élevé. L’API renvoie une erreur si vous demandez le paramètre minimal, non pris en charge.
\n
Le benchmark le plus révélateur est DeepSWE v1.1, une évaluation d’ingénierie logicielle à long horizon : 3.7 Flash obtient 65,3 % contre 34,4 % pour son prédécesseur sur FrontierCode et seulement 48,6 % pour 3.6 Flash sur DeepSWE lui-même. C’est un gain de génération important pour un modèle dont le prix a en plus baissé, ce qui est rare.
\n\n
![]()
Quoi de neuf avec Gemini 3.7 Flash ?
\n
En bref : un modèle Flash plus capable, moins cher, qui suit mieux les consignes et demande moins de supervision dans les boucles agentiques. Voici les changements qui comptent le plus pour les praticiens.
\n
Un code et une résolution d’incidents renforcés
\n
Vous pouvez confier à Gemini 3.7 Flash des tâches de débogage et de refactorisation plus ardues, avec une meilleure précision au premier essai. Google annonce 43,6 % sur FrontierCode 1.1 Main pour la qualité de code prête à la production (contre 34,4 % pour 3.6 Flash), et 65,3 % sur DeepSWE v1.1 pour l’ingénierie logicielle à long horizon.
\n
Pour les ingénieurs, cela se traduit concrètement par moins de relances. Selon Google, le modèle gère mieux les obstacles et suit les instructions avec plus de fidélité, ce qui réduit la supervision manuelle qui rend souvent les modèles bon marché coûteux en temps réel.
\n
Génération plus rapide d’apps web et d’interfaces
\n
Gemini 3.7 Flash génère des maquettes fonctionnelles et des applications web complètes en moins de prompts que 3.6 Flash. Sur le classement web de Code Arena, il obtient 1588 Elo, contre 1538 pour 3.6 Flash et 1541 pour Claude Sonnet 5.
\n
Le modèle peut aussi s’aligner sur une référence visuelle lors de la génération d’UI, qu’il s’agisse d’une capture d’écran, d’une image ou d’un design system complet. Si vous lui fournissez la maquette d’une page de tarification, il vise la fidélité au design plutôt que d’improviser une mise en page générique.
\n
Meilleure exécution agentique multi-étapes
\n
Le modèle investit davantage dans la planification et l’usage d’outils, là où les modèles bon marché se cassent souvent les dents. Sur AutomationBench, une évaluation privée de workflows métiers réels, 3.7 Flash atteint 30,4 % contre 17,0 % pour 3.6 Flash et 10,7 % pour Claude Sonnet 5.
\n
Les outils intégrés accessibles via l’API incluent : mise en cache, exécution de code, recherche de fichiers, appels de fonctions, ancrage sur la recherche, ancrage avec Google Maps, sorties structurées et contexte par URL. L’usage de l’ordinateur est présent mais en préversion ; évitez donc d’y baser des agents en production pour l’instant.
\n
Documents et travaux de connaissance améliorés
\n
Gemini 3.7 Flash gère mieux les domaines riches en connaissances comme la finance, le droit et les biosciences, avec un meilleur raisonnement et une meilleure compréhension documentaire. Sur le benchmark GDP.pdf pour la compréhension experte de PDF, il obtient 34,0 % (contre 22,0 % pour 3.6 Flash), et 90,7 % sur Harvey LAB-AA pour des workflows juridiques complexes.
\n
Si votre travail consiste à extraire des réponses structurées de rapports annuels ou de contrats volumineux, cette version mérite un test. Le modèle ne produit toujours que du texte : il ne génère pas les graphiques qu’il lit, il les décrit ou les résume.
\n
Un prix plus bas pour faire monter vos agents à l’échelle
\n
Le tarif de lancement divise par deux le coût d’exécution d’agents basés sur Flash par rapport aux prix de lancement de 3.6 Flash. Jusqu’au 31 décembre 2026, vous payez 0,75 $ par million de tokens en entrée et 3,75 $ par million de tokens en sortie.
\n
\n- Entrée : 0,75 $ par 1M tokens (lancement), porté à 1,50 $ par 1M au 1er janvier 2027
\n- Sortie : 3,75 $ par 1M tokens (lancement), porté à 7,50 $ par 1M au 1er janvier 2027
\n
\n
À titre de comparaison, Claude Sonnet 5 est à 2,00 $ en entrée et 10,00 $ en sortie sur le tableau de Google, et GPT-5.6 Terra à 2,00 $ en entrée et 12,00 $ en sortie. À prix par token brut, 3.7 Flash est nettement moins cher que les deux.
\n
Benchmarks de Gemini 3.7 Flash
\n
Le tableau de benchmarks de Google oppose Gemini 3.7 Flash à 3.6 Flash, Claude Sonnet 5, GPT-5.6 Terra et Muse Spark 1.2. Le schéma est cohérent : 3.7 Flash surpasse son prédécesseur sur presque toutes les évaluations et rivalise avec des modèles plus chers, même si GPT-5.6 Terra garde l’avantage sur plusieurs évaluations agentiques de codage.
\n\n
Gemini 3.7 Flash face au marché, en un coup d’œil
\n
Voici l’alignement des chiffres clés pour ces quatre modèles sur le tableau de Google.
\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
| Métrique | Gemini 3.7 Flash | Claude Sonnet 5 | GPT-5.6 Terra |
|---|
| Prix entrée / 1M | 0,75 $ | 2,00 $ | 2,00 $ |
| Prix sortie / 1M | 3,75 $ | 10,00 $ | 12,00 $ |
| FrontierCode 1.1 Main | 43,6 % | 42,7 % | 41,3 % |
| DeepSWE v1.1 | 65,3 % | 53,8 % | 69,6 % |
| Terminal-bench 2.1 | 85,8 % | 80,4 % | 87,4 % |
| GDP.pdf | 34,0 % | 28,0 % | 24,7 % |
| GDM-MRCR v2 (128k) | 97,0 % | 81,5 % | 93,5 % |
\n
FrontierCode 1.1 Main
\n
FrontierCode 1.1 Main mesure la qualité de code prête à la production : il valorise du code correct et livrable, pas seulement syntaxiquement valide.
\n
Gemini 3.7 Flash obtient 43,6 %, devant Claude Sonnet 5 (42,7 %), GPT-5.6 Terra (41,3 %) et 3.6 Flash (34,4 %).
\n
Qu’un modèle de la gamme Flash devance les deux rivaux de pointe sur la qualité de code production est le fait marquant de cette sortie, d’autant plus à un tiers de leur coût par token.
\n
DeepSWE v1.1
\n
DeepSWE v1.1 évalue l’ingénierie logicielle à long horizon : des tâches multi-fichiers nécessitant un contexte soutenu sur de nombreuses étapes.
\n
Ici, 3.7 Flash atteint 65,3 %, un grand bond depuis 48,6 % pour 3.6 Flash, mais GPT-5.6 Terra mène à 69,6 % et Claude Sonnet 5 suit à 53,8 %.
\n
À retenir : 3.7 Flash a comblé l’essentiel de l’écart avec Terra sur le codage long horizon sans le dépasser. Si vous cherchez le plafond absolu sur le codage agentique multi-fichiers, Terra reste en tête sur cette évaluation.
\n
Terminal-bench 2.1 et 3.0
\n
Terminal-bench mesure le codage agentique au terminal, où le modèle pilote une ligne de commande pour accomplir des tâches.
\n
Sur Terminal-bench 2.1, 3.7 Flash obtient 85,8 % contre 78,0 % pour 3.6 Flash et 80,4 % pour Claude Sonnet 5, tandis que GPT-5.6 Terra mène à 87,4 %.
\n
La version plus récente, Terminal-bench 3.0, évalue des capacités agentiques générales et est plus exigeante : 3.7 Flash atteint 14,9 %, bien au-dessus de 3.6 Flash (5,4 %), à peu près à égalité avec Claude Sonnet 5 (14,6 %), et derrière Terra (20,8 %).
\n
Ces faibles niveaux absolus rappellent utilement le chemin restant avant une fiabilité agentique vraiment générale.
\n
GDP.pdf et Harvey LAB-AA
\n
GDP.pdf teste la compréhension experte de documents PDF, et Harvey LAB-AA des workflows juridiques complexes.
\n
Gemini 3.7 Flash mène sur les deux : 34,0 % sur GDP.pdf contre 28,0 % pour Claude Sonnet 5 et 24,7 % pour GPT-5.6 Terra, et 90,7 % sur Harvey LAB-AA contre 90,1 % pour Sonnet 5 et 85,2 % pour Terra.
\n
Si vos charges concernent l’analyse juridique ou financière riche en documents, c’est ici que le modèle le moins cher est aussi le plus précis — une combinaison rare.
\n
GDM-MRCR v2 long contexte
\n
GDM-MRCR v2 (8-needle) mesure la recherche en long contexte : savoir retrouver plusieurs informations enfouies dans une longue entrée.
\n
À 128k de moyenne, 3.7 Flash obtient 97,0 %, devant 3.6 Flash (91,8 %), Claude Sonnet 5 (81,5 %) et GPT-5.6 Terra (93,5 %).
\n
Avec une fenêtre de contexte d’1 million de tokens et la meilleure récupération 8-needle du tableau, 3.7 Flash est un excellent choix pour les pipelines qui ingèrent de gros documents ou de longs verbatims en un seul appel.
\n
Lorsque nous avons comparé Terra et Sonnet 5, la récupération long contexte était l’un des principaux points de différenciation. 3.7 Flash se place désormais au-dessus des deux sur ce volet.
\n
Où GPT-5.6 Terra garde l’avantage
\n
Il faut aussi reconnaître les points faibles.
\n
GPT-5.6 Terra dépasse Gemini 3.7 Flash sur DeepSWE v1.1 (69,6 % vs 65,3 %), Terminal-bench 2.1 (87,4 % vs 85,8 %), Terminal-bench 3.0 (20,8 % vs 14,9 %) et OSWorld-2.0 (usage agentique de l’ordinateur : 50,2 % vs 47,9 %).
\n
Le schéma : Terra conserve un léger avantage sur les évaluations agentiques et terminales les plus difficiles, tandis que 3.7 Flash gagne sur la qualité de code production, la compréhension documentaire et la récupération long contexte. Votre choix dépendra de votre goulot d’étranglement : fiabilité agentique ou coût.
\n
![]()
\n
Tarifs et disponibilité de Gemini 3.7 Flash
\n
Gemini 3.7 Flash est disponible dès maintenant sur plusieurs surfaces Google.
\n
L’identifiant du modèle dans l’API est gemini-3.7-flash. Vous pouvez démarrer dans Google AI Studio, Android Studio ou l’environnement agent-first Google Antigravity.
\n
\n- Développeurs : API Gemini via Google AI Studio et Android Studio ; workflows agentiques dans Google Antigravity
\n- Entreprises : Gemini Enterprise Agent Platform et application Gemini Enterprise
\n- Particuliers : Gemini Spark, l’agent personnel 24/7 dans l’application Gemini, pour les abonnés Google AI Pro et Ultra dans plus de 160 pays
\n
\n
Le tarif est de 0,75 $ par 1M tokens en entrée et 3,75 $ par 1M tokens en sortie jusqu’au 31 décembre 2026. À partir du 1er janvier 2027, les tarifs standard de 1,50 $ en entrée et 7,50 $ en sortie s’appliquent. Notez que la génération audio, la génération d’images et l’API Live ne sont pas prises en charge pour ce modèle, et que l’usage de l’ordinateur est en préversion.
\n
Conclusion
\n
Gemini 3.7 Flash illustre un Google qui livre vite et baisse les prix, tandis que son fleuron Gemini 3.5 Pro reste retardé.
\n
Sortir un modèle Flash amélioré trois semaines après 3.6 Flash, à la moitié du coût par token, traduit la volonté de gagner sur le segment milieu de gamme, là où se concentre l’essentiel des usages en production.
\n
Honnêtement, c’est le modèle à privilégier si vos charges portent sur la compréhension documentaire, le code web et applicatif de production ou la récupération long contexte : il devance clairement Claude Sonnet 5 et GPT-5.6 Terra tout en coûtant une fraction du prix.
\n
Si votre goulot d’étranglement est le codage agentique au terminal le plus difficile, Terra garde une courte avance sur DeepSWE et Terminal-bench, au prix d’un surcoût.
\n
Avec la réorganisation de la direction de DeepMind et le retard du modèle Pro, Google mise sur Flash pour prouver qu’il reste dans la course. Au vu du tableau de benchmarks publié, l’argument tient en grande partie pour un modèle milieu de gamme.
\n
Pour prendre en main ce type de modèles, commencez par notre parcours de compétences AI Fundamentals afin de poser les bases avant d’intégrer Gemini 3.7 Flash dans vos propres pipelines d’agents.
%22%3E%0A%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22%23EFEBE4%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23DD3400%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23FFEC3C%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23FF931E%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-226.525%20189.111)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-226.525%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22189.111%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23DD3400%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23FFEC3C%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22184.5%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23FF931E%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20227.432%20132.736)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22271.625%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22227.432%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22132.736%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%3C%2Fg%3E%0A%20%20%20%20%20%20%3Cdefs%3E%0A%20%20%20%20%20%20%20%20%3CclipPath%20id%3D%22clip%22%3E%0A%20%20%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22white%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3C%2FclipPath%3E%0A%20%20%20%20%20%20%3C%2Fdefs%3E%0A%20%20%20%20%3C%2Fsvg%3E)
%22%3E%0A%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22%2305192D%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23B08EFF%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%237933FF%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%2372E5FE%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-226.525%20189.111)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-226.525%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22189.111%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%235EB1FF%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23B08EFF%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22184.5%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%2372E5FE%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20227.432%20132.736)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22271.625%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22227.432%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22132.736%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%3C%2Fg%3E%0A%20%20%20%20%20%20%3Cdefs%3E%0A%20%20%20%20%20%20%20%20%3CclipPath%20id%3D%22clip%22%3E%0A%20%20%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22white%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3C%2FclipPath%3E%0A%20%20%20%20%20%20%3C%2Fdefs%3E%0A%20%20%20%20%3C%2Fsvg%3E)
%22%3E%0A%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22%23F7F3EB%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23000820%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%2300C74E%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23FF931E%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-226.525%20189.111)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-226.525%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22189.111%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23D87300%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23000820%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22184.5%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%2300C74E%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20227.432%20132.736)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22271.625%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22227.432%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22132.736%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%3C%2Fg%3E%0A%20%20%20%20%20%20%3Cdefs%3E%0A%20%20%20%20%20%20%20%20%3CclipPath%20id%3D%22clip%22%3E%0A%20%20%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22white%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3C%2FclipPath%3E%0A%20%20%20%20%20%20%3C%2Fdefs%3E%0A%20%20%20%20%3C%2Fsvg%3E)
%22%3E%0A%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22%2372E5FE%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%237933FF%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%235EB1FF%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23000820%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-226.525%20189.111)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-226.525%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22189.111%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%237933FF%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%235EB1FF%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22184.5%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23000820%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20227.432%20132.736)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22271.625%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22227.432%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22132.736%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%3C%2Fg%3E%0A%20%20%20%20%20%20%3Cdefs%3E%0A%20%20%20%20%20%20%20%20%3CclipPath%20id%3D%22clip%22%3E%0A%20%20%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22white%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3C%2FclipPath%3E%0A%20%20%20%20%20%20%3C%2Fdefs%3E%0A%20%20%20%20%3C%2Fsvg%3E)
Note : Quelques semaines seulement après le lancement de Gemini 3.7 Flash, Google a lancé Gemini 3.8 Flash. Découvrez-le en action dans notre tutoriel sur l’API Gemini 3.8 Flash.
\nGoogle a publié Gemini 3.7 Flash, son modèle Flash le plus performant à ce jour, pensé pour le code et les workflows agentiques. Cette sortie intervient alors que le fleuron de Google, Gemini 3.5 Pro, reste retardé, ce que Reuters a présenté comme un test de la capacité de DeepMind à suivre Anthropic et OpenAI.
\nLes chiffres clés sont ambitieux. Gemini 3.7 Flash atteint 43,6 % sur FrontierCode 1.1 Main (contre 34,4 % pour 3.6 Flash), 1588 Elo sur Code Arena pour le développement web, et est proposé à un prix de lancement de 0,75 $ par million de tokens en entrée et 3,75 $ par million de tokens en sortie, soit la moitié du coût initial de 3.6 Flash.
\nDans cet article, nous passons en revue les nouveautés de Gemini 3.7 Flash : ses fonctionnalités, les benchmarks, et des tests pratiques que vous pouvez reproduire. Pour creuser la concurrence, consultez nos guides GPT-5.6 Terra vs Claude Sonnet 5 et apprendre à utiliser Claude.
\n\nEn bref
\n\n- Gemini 3.7 Flash est le modèle Flash le plus capable de Google, conçu pour le code et les workflows agentiques, avec une fenêtre de contexte d’1 million de tokens.
\n- Tarifs de lancement : 0,75 $/1M tokens en entrée et 3,75 $/1M en sortie jusqu’au 31 décembre 2026, puis 1,50 $/7,50 $ en standard.
\n- Il domine FrontierCode 1.1 (43,6 %), GDP.pdf (34,0 %), Harvey LAB-AA (90,7 %) et GDM-MRCR long contexte (97,0 %) face à Claude Sonnet 5 et GPT-5.6 Terra.
\n- GPT-5.6 Terra reste en tête sur DeepSWE, Terminal-bench et les évaluations agentiques OSWorld.
\n- Disponible via l’API Gemini, Google Antigravity, Gemini Enterprise et Gemini Spark.
\n
\nQu’est-ce que Gemini 3.7 Flash ?
\nGemini 3.7 Flash est le modèle polyvalent milieu de gamme de Google, présenté comme son modèle Flash le plus abouti pour le codage avancé, les workflows agentiques et l’exécution multi-étapes fiable. Il succède à Gemini 3.6 Flash, sorti trois semaines plus tôt, et Google attribue la hausse de qualité aux retours développeurs et à des changements algorithmiques.
\nLe modèle est disponible de manière générale via l’API Gemini, avec une fenêtre de contexte d’1 million de tokens (1 048 576 tokens en entrée) et une limite de 65 536 tokens en sortie. Il accepte des entrées texte, image, vidéo, audio et PDF, et ne renvoie que du texte. Google expose des niveaux de raisonnement réglables : faible, moyen et élevé. L’API renvoie une erreur si vous demandez le paramètre
\nminimal, non pris en charge.Le benchmark le plus révélateur est DeepSWE v1.1, une évaluation d’ingénierie logicielle à long horizon : 3.7 Flash obtient 65,3 % contre 34,4 % pour son prédécesseur sur FrontierCode et seulement 48,6 % pour 3.6 Flash sur DeepSWE lui-même. C’est un gain de génération important pour un modèle dont le prix a en plus baissé, ce qui est rare.
\n\n![]()
Quoi de neuf avec Gemini 3.7 Flash ?
\nEn bref : un modèle Flash plus capable, moins cher, qui suit mieux les consignes et demande moins de supervision dans les boucles agentiques. Voici les changements qui comptent le plus pour les praticiens.
\nUn code et une résolution d’incidents renforcés
\nVous pouvez confier à Gemini 3.7 Flash des tâches de débogage et de refactorisation plus ardues, avec une meilleure précision au premier essai. Google annonce 43,6 % sur FrontierCode 1.1 Main pour la qualité de code prête à la production (contre 34,4 % pour 3.6 Flash), et 65,3 % sur DeepSWE v1.1 pour l’ingénierie logicielle à long horizon.
\nPour les ingénieurs, cela se traduit concrètement par moins de relances. Selon Google, le modèle gère mieux les obstacles et suit les instructions avec plus de fidélité, ce qui réduit la supervision manuelle qui rend souvent les modèles bon marché coûteux en temps réel.
\nGénération plus rapide d’apps web et d’interfaces
\nGemini 3.7 Flash génère des maquettes fonctionnelles et des applications web complètes en moins de prompts que 3.6 Flash. Sur le classement web de Code Arena, il obtient 1588 Elo, contre 1538 pour 3.6 Flash et 1541 pour Claude Sonnet 5.
\nLe modèle peut aussi s’aligner sur une référence visuelle lors de la génération d’UI, qu’il s’agisse d’une capture d’écran, d’une image ou d’un design system complet. Si vous lui fournissez la maquette d’une page de tarification, il vise la fidélité au design plutôt que d’improviser une mise en page générique.
\nMeilleure exécution agentique multi-étapes
\nLe modèle investit davantage dans la planification et l’usage d’outils, là où les modèles bon marché se cassent souvent les dents. Sur AutomationBench, une évaluation privée de workflows métiers réels, 3.7 Flash atteint 30,4 % contre 17,0 % pour 3.6 Flash et 10,7 % pour Claude Sonnet 5.
\nLes outils intégrés accessibles via l’API incluent : mise en cache, exécution de code, recherche de fichiers, appels de fonctions, ancrage sur la recherche, ancrage avec Google Maps, sorties structurées et contexte par URL. L’usage de l’ordinateur est présent mais en préversion ; évitez donc d’y baser des agents en production pour l’instant.
\nDocuments et travaux de connaissance améliorés
\nGemini 3.7 Flash gère mieux les domaines riches en connaissances comme la finance, le droit et les biosciences, avec un meilleur raisonnement et une meilleure compréhension documentaire. Sur le benchmark GDP.pdf pour la compréhension experte de PDF, il obtient 34,0 % (contre 22,0 % pour 3.6 Flash), et 90,7 % sur Harvey LAB-AA pour des workflows juridiques complexes.
\nSi votre travail consiste à extraire des réponses structurées de rapports annuels ou de contrats volumineux, cette version mérite un test. Le modèle ne produit toujours que du texte : il ne génère pas les graphiques qu’il lit, il les décrit ou les résume.
\nUn prix plus bas pour faire monter vos agents à l’échelle
\nLe tarif de lancement divise par deux le coût d’exécution d’agents basés sur Flash par rapport aux prix de lancement de 3.6 Flash. Jusqu’au 31 décembre 2026, vous payez 0,75 $ par million de tokens en entrée et 3,75 $ par million de tokens en sortie.
\n\n- Entrée : 0,75 $ par 1M tokens (lancement), porté à 1,50 $ par 1M au 1er janvier 2027
\n- Sortie : 3,75 $ par 1M tokens (lancement), porté à 7,50 $ par 1M au 1er janvier 2027
\n
\nÀ titre de comparaison, Claude Sonnet 5 est à 2,00 $ en entrée et 10,00 $ en sortie sur le tableau de Google, et GPT-5.6 Terra à 2,00 $ en entrée et 12,00 $ en sortie. À prix par token brut, 3.7 Flash est nettement moins cher que les deux.
\nBenchmarks de Gemini 3.7 Flash
\nLe tableau de benchmarks de Google oppose Gemini 3.7 Flash à 3.6 Flash, Claude Sonnet 5, GPT-5.6 Terra et Muse Spark 1.2. Le schéma est cohérent : 3.7 Flash surpasse son prédécesseur sur presque toutes les évaluations et rivalise avec des modèles plus chers, même si GPT-5.6 Terra garde l’avantage sur plusieurs évaluations agentiques de codage.
\n\nGemini 3.7 Flash face au marché, en un coup d’œil
\nVoici l’alignement des chiffres clés pour ces quatre modèles sur le tableau de Google.
\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\nFrontierCode 1.1 Main
\nFrontierCode 1.1 Main mesure la qualité de code prête à la production : il valorise du code correct et livrable, pas seulement syntaxiquement valide.
\nGemini 3.7 Flash obtient 43,6 %, devant Claude Sonnet 5 (42,7 %), GPT-5.6 Terra (41,3 %) et 3.6 Flash (34,4 %).
\nQu’un modèle de la gamme Flash devance les deux rivaux de pointe sur la qualité de code production est le fait marquant de cette sortie, d’autant plus à un tiers de leur coût par token.
\nDeepSWE v1.1
\nDeepSWE v1.1 évalue l’ingénierie logicielle à long horizon : des tâches multi-fichiers nécessitant un contexte soutenu sur de nombreuses étapes.
\nIci, 3.7 Flash atteint 65,3 %, un grand bond depuis 48,6 % pour 3.6 Flash, mais GPT-5.6 Terra mène à 69,6 % et Claude Sonnet 5 suit à 53,8 %.
\nÀ retenir : 3.7 Flash a comblé l’essentiel de l’écart avec Terra sur le codage long horizon sans le dépasser. Si vous cherchez le plafond absolu sur le codage agentique multi-fichiers, Terra reste en tête sur cette évaluation.
\nTerminal-bench 2.1 et 3.0
\nTerminal-bench mesure le codage agentique au terminal, où le modèle pilote une ligne de commande pour accomplir des tâches.
\nSur Terminal-bench 2.1, 3.7 Flash obtient 85,8 % contre 78,0 % pour 3.6 Flash et 80,4 % pour Claude Sonnet 5, tandis que GPT-5.6 Terra mène à 87,4 %.
\nLa version plus récente, Terminal-bench 3.0, évalue des capacités agentiques générales et est plus exigeante : 3.7 Flash atteint 14,9 %, bien au-dessus de 3.6 Flash (5,4 %), à peu près à égalité avec Claude Sonnet 5 (14,6 %), et derrière Terra (20,8 %).
\nCes faibles niveaux absolus rappellent utilement le chemin restant avant une fiabilité agentique vraiment générale.
\nGDP.pdf et Harvey LAB-AA
\nGDP.pdf teste la compréhension experte de documents PDF, et Harvey LAB-AA des workflows juridiques complexes.
\nGemini 3.7 Flash mène sur les deux : 34,0 % sur GDP.pdf contre 28,0 % pour Claude Sonnet 5 et 24,7 % pour GPT-5.6 Terra, et 90,7 % sur Harvey LAB-AA contre 90,1 % pour Sonnet 5 et 85,2 % pour Terra.
\nSi vos charges concernent l’analyse juridique ou financière riche en documents, c’est ici que le modèle le moins cher est aussi le plus précis — une combinaison rare.
\nGDM-MRCR v2 long contexte
\nGDM-MRCR v2 (8-needle) mesure la recherche en long contexte : savoir retrouver plusieurs informations enfouies dans une longue entrée.
\nÀ 128k de moyenne, 3.7 Flash obtient 97,0 %, devant 3.6 Flash (91,8 %), Claude Sonnet 5 (81,5 %) et GPT-5.6 Terra (93,5 %).
\nAvec une fenêtre de contexte d’1 million de tokens et la meilleure récupération 8-needle du tableau, 3.7 Flash est un excellent choix pour les pipelines qui ingèrent de gros documents ou de longs verbatims en un seul appel.
\nLorsque nous avons comparé Terra et Sonnet 5, la récupération long contexte était l’un des principaux points de différenciation. 3.7 Flash se place désormais au-dessus des deux sur ce volet.
\nOù GPT-5.6 Terra garde l’avantage
\nIl faut aussi reconnaître les points faibles.
\nGPT-5.6 Terra dépasse Gemini 3.7 Flash sur DeepSWE v1.1 (69,6 % vs 65,3 %), Terminal-bench 2.1 (87,4 % vs 85,8 %), Terminal-bench 3.0 (20,8 % vs 14,9 %) et OSWorld-2.0 (usage agentique de l’ordinateur : 50,2 % vs 47,9 %).
\nLe schéma : Terra conserve un léger avantage sur les évaluations agentiques et terminales les plus difficiles, tandis que 3.7 Flash gagne sur la qualité de code production, la compréhension documentaire et la récupération long contexte. Votre choix dépendra de votre goulot d’étranglement : fiabilité agentique ou coût.
\n![]()
\nTarifs et disponibilité de Gemini 3.7 Flash
\nGemini 3.7 Flash est disponible dès maintenant sur plusieurs surfaces Google.
\nL’identifiant du modèle dans l’API est
\ngemini-3.7-flash. Vous pouvez démarrer dans Google AI Studio, Android Studio ou l’environnement agent-first Google Antigravity.\n- Développeurs : API Gemini via Google AI Studio et Android Studio ; workflows agentiques dans Google Antigravity
\n- Entreprises : Gemini Enterprise Agent Platform et application Gemini Enterprise
\n- Particuliers : Gemini Spark, l’agent personnel 24/7 dans l’application Gemini, pour les abonnés Google AI Pro et Ultra dans plus de 160 pays
\n
\nLe tarif est de 0,75 $ par 1M tokens en entrée et 3,75 $ par 1M tokens en sortie jusqu’au 31 décembre 2026. À partir du 1er janvier 2027, les tarifs standard de 1,50 $ en entrée et 7,50 $ en sortie s’appliquent. Notez que la génération audio, la génération d’images et l’API Live ne sont pas prises en charge pour ce modèle, et que l’usage de l’ordinateur est en préversion.
\nConclusion
\nGemini 3.7 Flash illustre un Google qui livre vite et baisse les prix, tandis que son fleuron Gemini 3.5 Pro reste retardé.
\nSortir un modèle Flash amélioré trois semaines après 3.6 Flash, à la moitié du coût par token, traduit la volonté de gagner sur le segment milieu de gamme, là où se concentre l’essentiel des usages en production.
\nHonnêtement, c’est le modèle à privilégier si vos charges portent sur la compréhension documentaire, le code web et applicatif de production ou la récupération long contexte : il devance clairement Claude Sonnet 5 et GPT-5.6 Terra tout en coûtant une fraction du prix.
\nSi votre goulot d’étranglement est le codage agentique au terminal le plus difficile, Terra garde une courte avance sur DeepSWE et Terminal-bench, au prix d’un surcoût.
\nAvec la réorganisation de la direction de DeepMind et le retard du modèle Pro, Google mise sur Flash pour prouver qu’il reste dans la course. Au vu du tableau de benchmarks publié, l’argument tient en grande partie pour un modèle milieu de gamme.
\nPour prendre en main ce type de modèles, commencez par notre parcours de compétences AI Fundamentals afin de poser les bases avant d’intégrer Gemini 3.7 Flash dans vos propres pipelines d’agents.