Google Gemini 3.5 Flash — 谷歌最强的 Flash 级别模型，在智能水平上略低于 3.1-pro-preview（AA Intel 55.3 vs 57.2），同时保持 Flash 延迟。100 万 token 上下文窗口（1,048,576），最大 64K 输出（65,536）。支持文本、图像、音频、视频和文件的完整多模态输入；仅输出文本。AA Coding 45，GPQA Diamond 92.2%，IFBench 76.3%（顶尖指令遵循能力），Long-Context Recall 69.3%，SciCode 53.1%，τ²-Bench 95.3%（代理式工具使用），HLE 41%。支持推理（include_reasoning / reasoning）、结构化输出、工具调用、response_format、seed、stop 以及标准采样控制。端点：chat_completions、gemini_generate。最适合：高吞吐量的代理循环、长文档分析，以及当 Pro 级延迟或成本显得过高时的多模态提取。
Gemini 3.5 Flash 是Google开发的大型语言模型，针对速度和效率进行了优化。它属于Gemini系列，可处理多模态输入（文本、图像、视频、文件和音频），并快速生成响应。该模型支持1,048,576个令牌的上下文窗口，能够处理超长序列，例如整本书籍、时长一小时的视频或大型代码库。其最大输出长度为65,536个令牌，可用于生成长篇内容，如完整报告或扩展代码文件。Gemini 3.5…
Gemini 3.5 Flash 在需要速度和效率而不牺牲太多质量的任务中表现出色。它在文本摘要、长文档问答以及需要低响应时间的对话代理方面尤为出色。其多模态能力使其能够生成图像描述、从视频帧中提取文本或处理音频录制。大上下文窗口使其在分析整个代码库、审阅冗长的法律文档或维持连贯的多轮对话等任务中高效工作。开发成本敏感型应用的开发人员将从其具有竞争力的定价中受益。然而，对于需要深度逻辑推理、创意生成或在复杂基准测试中实现高准确性的任务，高级模型可能更为合适。
如果你的使用场景涉及非常简单的任务，比如单轮分类、关键词提取或预定义回复，可以考虑使用更小、更便宜的模型——例如 Gemini Nano 或蒸馏变体。这类模型通常 token 成本低得多，能够处理简单的模式，而无需 Gemini 3.5 Flash 的完整上下文窗口。此外，如果你对延迟要求极低且愿意牺牲一定准确性，小型模型可能更为合适。相反，如果你的工作负载涉及复杂推理、多模态集成或超长上下文，那么投资 Gemini 3.5 Flash 将通过减少手动分块和提高输出质量而带来回报。OrcaRouter 提供多种模型，帮助你比较成本和性能。
是的，Gemini 3.5 Flash 支持通过 OrcaRouter 的 API 进行流式传输，允许在生成 token 时立即发送，而不必等待完整响应。这对于实时应用至关重要，例如实时聊天、语音助手或交互式编程工具。该模型的设计优先考虑低延迟，因此首个 token 的时间通常很短。您可以通过在 API 调用中将'stream'参数设置为 true 来启用流式传输。响应将是一系列遵循标准 OpenAI 流式格式的数据块。这使得 Gemini 3.5 Flash 适合面向用户的体验，其中感知速度很重要。但请注意，流式传输可能因开销而略微增加 token 成本。
凭借1,048,576个token的上下文窗口，Gemini 3.5 Flash可以处理非常长的输入。为了充分利用这一点，请将提示词结构化为在开头和结尾包含相关上下文，因为模型会关注所有token（尽管可能存在位置偏差）。对于多模态输入，请注意图像和视频会按其大小和分辨率消耗成比例的token。使用'max_tokens'参数控制输出长度。如果任务涉及多个文档，请考虑按逻辑顺序串联它们。对于对话，请维护滑动窗口或截断较早的消息以保持在限制内。OrcaRouter的API不会自动截断输入；请确保提示词的总token数在上下文窗口内，以避免错误。
Gemini 3.5 Flash 旨在在各种自然语言和多模态基准测试中提供强劲性能。虽然此模型版本的具体得分未在给定事实中提供，但 Gemini Flash 系列通常在 MMLU（大规模多任务语言理解）、HellaSwag（常识推理）以及 VQA 和 TextVQA 等多模态基准测试中表现出色。该模型在需要短上下文和快速推理的场景中尤其强大。其训练侧重于事实准确性和指令遵循。用户经常报告在摘要、翻译和代码生成方面的高质量。然而，由于基准测试会不断演进，鼓励开发者在自己的数据集上测试模型以评估实际性能。
尽管Gemini 3.5 Flash功能强大，但仍有局限性。在复杂数学问题、逻辑谜题或精细创意写作方面，其推理能力可能不及Gemini 3.5 Pro或GPT-4等更大模型。由于速度优化，有时会牺牲深度。该模型偶尔会生成听起来合理但实际错误的答案（幻觉），尤其在罕见或非常专业的领域。对于多模态输入，在低分辨率或严重遮挡图像上的表现可能不如专用视觉模型。此外，处理超长上下文（接近token限制）时，可能会因遗忘中间细节而降低准确性。OrcaRouter建议验证关键输出，尤其是在高风险领域。
Gemini 3.5 Flash针对低延迟进行了优化，这意味着其响应时间通常比更大、性能更强的模型更快。在典型条件下，短提示的首个令牌生成时间在几百毫秒内，吞吐量（每秒令牌数）与其他flash类模型相当。然而，实际延迟取决于输入长度、输出长度和并发请求数量。OrcaRouter的基础设施有助于减少波动。对于对延迟极敏感的应用（例如语音交互），可以调整温度和流式传输设置以平衡速度与质量。目前该模型没有官方基准延迟数据，但定性对比表明，它是通过OrcaRouter可用的较快选择之一。
Gemini 3.5 Flash 在代码生成、Bug 修复和解释任务中表现出色。它支持多种编程语言，可生成函数、类或完整脚本。其庞大的输出限制（65,536 个 token）使其能够一次性生成长段代码或文档。对于结构化数据（JSON、XML、YAML），该模型在收到指令后能可靠地格式化输出。然而，对于极其精确的语法正确性或复杂算法设计，测试仍然必不可少。该模型偶尔会生成能编译但包含逻辑错误的代码。由于它并非专门针对纯代码任务进行微调，因此在专门的编码基准测试中，专用的代码模型（如 CodeGemma）可能表现更佳。
OrcaRouter 以提供商费率计费 Gemini 3.5 Flash，且零加价。具体而言，输入令牌每 100 万个令牌 1.50 美元，输出令牌每 100 万个令牌 9.00 美元。没有额外的平台费、API 调用费用或月度最低消费。您只需为实际使用的令牌付费。输入令牌包括提示中的所有令牌（文本、图像令牌等），而输出令牌统计生成的回复。计费按每次请求计算，并按计费周期汇总。OrcaRouter 通过其仪表板提供透明的使用情况追踪。此定价使 Gemini 3.5 Flash 成为高容量、长上下文多模态工作负载中最经济实惠的选择之一。
输出 token 价格（每 1M 9.00 美元）是输入 token 价格（每 1M 1.50 美元）的六倍。这意味着生成非常长响应的应用程序成本会迅速上升，而主要传递长提示（例如文档分析）的应用程序每次请求的成本会更低。为了优化成本，请尽可能使用较短的输出，或为重复查询实现响应缓存。OrcaRouter 目前不提供折扣缓存定价（根据所提供的事实），因此每次 API 调用均按全额费率计费。如果您的用例涉及许多短提示且上下文很长，则输入成本可能占主导。对于具有长输出的聊天应用程序，请通过 max_tokens 控制生成长度。
根据提供的信息，OrcaRouter 以供应商原始费率计费 Gemini 3.5 Flash，零加价，且未提及任何特定的缓存或批量折扣计划。这意味着无论使用频率或重复程度如何，每个 token 均按标准费率收费。没有提示缓存折扣或预计算结果缓存来降低成本。然而，OrcaRouter 的定价透明且可预测：您只需为消耗的 token 付费。对于可能期望从 Google AI Studio 或 Vertex AI 等供应商处获得缓存服务的用户，请注意 OrcaRouter 提供的是直通服务，无额外开销。这种简单性有助于预算规划。
Gemini 3.5 Flash 被定位为相对于 Gemini 3.5 Pro 或 GPT-4 Turbo 等较大模型的高性价比选择，后者通常具有更高的每 Token 费率。例如，Gemini 3.5 Pro 的成本可能为输入 3.50 美元/100 万 Token，输出 10.50 美元/100 万 Token（假设数据，非实际给定）。相比之下，Flash 变体每 Token 更便宜，适合大规模生产。在 Flash 类模型中，定价具有竞争力，但具体比较取决于模型在特定任务上的表现。OrcaRouter 提供了一个模型目录，您可以在其中并排查看价格。请始终在 OrcaRouter 平台上核实最新定价，因为费率可能会发生变化。
要调用Gemini 3.5 Flash，请使用与OpenAI兼容的API端点：https://api.orcarouter.ai/v1/chat/completions。将模型参数设置为"google/gemini-3.5-flash"。身份验证需要从OrcaRouter获取API密钥，并在Authorization头中以"Bearer YOUR_API_KEY"格式传递。你可以使用OpenAI Python SDK、Node.js库或原始HTTP请求。Python示例：openai.base_url = "https://api.orcarouter.ai/v1/"; openai.api_key = "your-key"; openai.ChatCompletion.create(model="google/gemini-3.5-flash", messages=[{"role":"user","content":"Hello"}])。流式传输按标准方式工作。所有其他参数，如temperature、top_p、presence_penalty和stop sequences均受支持。
OrcaRouter的Gemini 3.5 Flash API支持标准的聊天补全参数：model（必需）、messages（角色/内容对象数组）、temperature（0–2，默认1）、top_p（0–1，默认1）、max_tokens（最高65536）、stop（字符串或字符串数组）、presence_penalty和frequency_penalty（0–2）、logit_bias（令牌ID到偏置的映射），以及stream（布尔值）。对于多模态输入，消息内容可以是多个部分（文本、image_url等）的数组，遵循OpenAI的视觉格式。音频和视频输入可能需要特定的编码（如base64）。没有上下文窗口大小参数——模型自动使用最多1,048,576个令牌。如果提示词超出限制，API将返回错误。
是的，迁移非常简单直接，因为 OrcaRouter 实现了兼容 OpenAI 的 API，抽象了底层提供商。如果您原来使用的是 Google 的 Generative AI SDK 或 Vertex AI，则需要替换客户端代码以使用 OpenAI 端点。具体来说，将基础 URL 改为 https://api.orcarouter.ai/v1 并切换到 OpenAI SDK。模型标识符从 "gemini-3.5-flash" 变为 "google/gemini-3.5-flash"。认证方式从 Google OAuth 迁移为简单的 OrcaRouter API 密钥。响应格式类似，但您可能需要调整多模态输入的构建方式（例如，使用 OpenAI 视觉格式）。OrcaRouter 的文档提供了迁移指南。
常见错误包括：无效参数导致HTTP 400（例如，超过max_tokens、不支持的模式）、API密钥错误导致HTTP 401、模型ID错误导致HTTP 404、以及速率限制导致HTTP 429。API返回带有详细信息的JSON错误消息。对于令牌限制错误，请减少输入长度或使用截断。对于速率限制，请实现指数退避。OrcaRouter可能对每个用户有速率限制；请查看仪表板了解具体情况。流式错误可能表现为格式错误的块；请优雅处理重连。由于API兼容OpenAI，现有的OpenAI错误处理代码通常可以工作，但请进行充分测试。
Gemini 3.5 Flash专为速度和成本优化，而Gemini 3.5 Pro则追求更高的推理准确性和基准测试性能。Pro的价格通常更高（此处未明确说明），且可能不支持相同的100万token上下文（通常为128K或200K）。Flash更适合实时应用、高吞吐量和预算敏感型项目。然而，Pro在复杂数学、科学和逻辑推理任务上优于Flash。在多模态任务中，Flash可处理图像和视频，但生成的描述可能不如Pro详细。如果您的应用要求最高输出质量并能容忍更高的延迟和成本，请选择Pro。否则，Flash是默认的可靠选择。
两者都是高效、快速的模型，但Gemini 3.5 Flash提供了显著更大的上下文窗口（通常为1M比128K），使其更适合处理超长文档或一次处理大量图像的任务。在基准测试中，两者具有竞争力，但具体分数取决于数据集。GPT-4o Mini在多语言任务上可能因训练分布而表现稍好，而Gemini 3.5 Flash在多模态集成方面可能更出色。价格：Gemini 3.5 Flash每100万token为$1.50/$9.00；GPT-4o Mini通常为每100万token $0.15/$0.60（虽未在事实中给出，但广为人知）。因此GPT-4o Mini更便宜，但Gemini 3.5 Flash提供8倍长的上下文。选择取决于上下文需求与成本预算。
Claude 3 Haiku 是 Anthropic 推出的另一款快速且成本效益高的模型，上下文窗口为 20 万 token（小于 Gemini 3.5 Flash）。两者均支持多模态输入，但 Haiku 主要处理文本和图像。Gemini 3.5 Flash 的定价更高（Haiku 约为每百万 token 0.25/1.25 美元，广为人知）。然而，更长的上下文窗口以及对音频/视频的支持，使 Gemini 3.5 Flash 在特定使用场景中具备优势。推理任务性能相近，但 Gemini 3.5 Flash 在长上下文中的指令遵循能力可能更强。若上下文长度至关重要，则 Gemini 3.5 Flash 胜出；若成本和简单任务占主导，Haiku 可能更经济。
Gemini 3.5 Flash 相较开源模型（如 Llama 3.1 8B 或 Mistral 7B）的主要优势在于其托管基础设施和多模态能力。开源模型需要自行部署和维护服务器、处理扩展问题，并且上下文窗口通常较小（一般为 8K–128K）。Gemini 3.5 Flash 开箱即支持 1M 上下文、原生音频/视频功能，且零前期成本——通过 OrcaRouter 按 token 付费即可。不过，在超大规模使用场景下，若拥有自有硬件，开源模型可能更便宜，且能完全保障数据隐私。对于希望避免运维负担的初创企业和大型企业而言，Gemini 3.5 Flash 是便捷之选。
兼容 OpenAI——沿用你现有的 SDK
https://api.orcarouter.ai/v1https://api.orcarouter.aifrom openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="google/gemini-3.5-flash",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_tokensreasoningresponse_formatseedstopstructured_outputstemperaturetool_choicetoolstop_p| 输入 / 1M tokens | $1.50 |
| 输出 / 1M tokens | $9.00 |
| 缓存读取 / 1M | $0.150 |
| 缓存写入 / 1M | $0.083 |
| 货币 | USD |
基于标价的估算
仅为估算——实际 Token 数取决于提供商的分词器。
@misc{orcarouter_gemini_3_5_flash,
title = {Gemini 3.5 Flash API},
author = {google},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/google/gemini-3.5-flash}
}google. (2026). Gemini 3.5 Flash API. OrcaRouter. https://www.orcarouter.ai/models/google/gemini-3.5-flash