# Gemini 3.7 Flash

> Fiche du modèle de langage Gemini 3.7 Flash sur Quelle IA, édition du 28 septembre 2026. Gemini 3.7 Flash (Google DeepMind) : score IA de 89,9, 16e sur 246. Scores par tâche, prix, exécution locale et liens pour le télécharger ou l'essayer.

Page : https://quelleia.com/modeles/gemini-3-7-flash/
Origine : Google DeepMind · États-Unis · sorti le 13 août 2026

## Score général

- Score IA : 89,9 (marge à 90 % : de 88,6 à 91,3)
- Rang : 16 (Groupe 4, ex æquo)
- Couverture : 100 % du poids des tâches, 36 mesures
- Échelle : 100 pour le meilleur modèle au lancement du site, 50 pour GPT-4o de novembre 2024.

## Scores par tâche

| Tâche | Score | Détail |
| --- | --- | --- |
| Raisonnement | 91,3 | Rang 12 · 67 % |
| Code | 90,2 | Rang 18 · 38 % |
| Agents | 93,9 | Provisoire · 22 % |
| Usage | 89,9 | Rang 13 · 100 % |
| Maths | 88,6 | Rang 19 · 62 % |
| Sciences | 87,9 | Rang 19 · 60 % |
| Français | 98,8 | Rang 1 · 100 % |
| Vision | 86,3 | Rang 22 · 67 % |
| Écriture | 93,3 | Rang 7 · 100 % |
| Web | 90,2 | Rang 23 · 100 % |

## Artificial Analysis (hors du score)

Artificial Analysis évalue les modèles de son côté et publie son propre indice, l'Artificial Analysis Intelligence Index v4.3. C'est un autre indice, qui ne compte pas dans le score IA de Quelle IA et ne se compare pas directement à lui.

| Version évaluée | Indice v4.3 | Rang chez eux | Vitesse | Premier jeton | Prix par million de jetons (entrée / sortie) |
| --- | --- | --- | --- | --- | --- |
| [Gemini 3.7 Flash (Medium)](https://artificialanalysis.ai/models/gemini-3-7-flash-medium) | 39,6 (estimé) | hors classement | 277,3 jetons/s | 5,62 s | 0,75 $ / 3,75 $ |
| [Gemini 3.7 Flash (High)](https://artificialanalysis.ai/models/gemini-3-7-flash) | 39,1 | 62e sur 193 | 295,6 jetons/s | 12,1 s | 0,75 $ / 3,75 $ |
| [Gemini 3.7 Flash (Low)](https://artificialanalysis.ai/models/gemini-3-7-flash-low) | 37,0 (estimé) | hors classement | 284,8 jetons/s | 1,21 s | 0,75 $ / 3,75 $ |

Médianes de leurs mesures : vitesse en jetons produits par seconde, délai avant le premier jeton en secondes. Prix en dollars par million de jetons, en entrée puis en sortie. Rang parmi les 193 modèles que leur indice classe ; un indice qu'ils estiment reste hors de ce classement. Relevé le 1er octobre 2026 sur leur site, reproduit avec leur accord.

Source : Artificial Analysis, https://artificialanalysis.ai/models/gemini-3-7-flash-medium

## Exécution locale

Non. Gemini 3.7 Flash est un modèle fermé : il s'utilise en ligne, par l'application de son éditeur ou par API.

## Fiche technique

- Prix : 1,50 € / 7,50 € (entrée / sortie, par million de jetons)
- Fenêtre de contexte : 1 048 576 jetons (environ 786 000 mots)
- Entrées : Texte, image, vidéo, son, PDF
- Réflexion : Faible, moyenne, élevée (trois niveaux réglables)
- Paramètres : Non communiqué
- Licence : Propriétaire (poids fermés, accès par l'éditeur)
- Classe énergétique : D (sur une échelle de A à G)
- Hébergement en Europe : Possible
- Connaissances jusqu'à : Mars 2026

## Où le trouver

- Par API : [OpenRouter](https://openrouter.ai/google/gemini-3.7-flash)
- Par API : [API Google DeepMind](https://ai.google.dev)
- L'essayer : [Gemini](https://gemini.google.com)

## Dans les outils de code

- Disponible dans : [Cursor](https://quelleia.com/outils/#cursor) (inclus), [GitHub Copilot](https://quelleia.com/outils/#github-copilot) (inclus), [Devin Desktop (ex-Windsurf)](https://quelleia.com/outils/#devin-desktop) (à l'usage), [Google Antigravity](https://quelleia.com/outils/#antigravity) (inclus), [OpenCode](https://quelleia.com/outils/#opencode) (à l'usage), [Droid (Factory)](https://quelleia.com/outils/#factory-droid), [Augment Code](https://quelleia.com/outils/#augment), [Warp](https://quelleia.com/outils/#warp)
- Utilisé par : [Amp](https://quelleia.com/outils/#amp)
- Relevé du 30 septembre 2026 sur la page publique de chaque outil. Un modèle proposé par un outil figure dans la liste que son éditeur publie. Rien n'y est mesuré.

## Mesures

| Benchmark | Tâche | Publié | Niveau suggéré | État | Source |
| --- | --- | --- | --- | --- | --- |
| OTIS Mock AIME 2024-2025 | Maths | 97,2 % | 86,7 | saturé | https://epoch.ai/benchmarks |
| ARC-AGI-1 | Raisonnement | 95,5 % | 92,0 | saturé | https://arcprize.org/leaderboard |
| EuroEval, Allociné (sentiment) | Français | 95 % | 57,9 | saturé | https://euroeval.com/leaderboards/Monolingual/french/ |
| DTBench | Raisonnement | 96,8 % | 102,9 | saturé | https://conceptualreasoning.ai/dtbench |
| GPQA Diamond | Sciences | 94,8 % | 91,3 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-1 | Raisonnement | 91,2 % | 87,7 | saturé | https://arcprize.org/leaderboard |
| DTBench | Raisonnement | 94,7 % | 95,1 | saturé | https://conceptualreasoning.ai/dtbench |
| EuroEval, HellaSwag (bon sens) | Français | 90,2 % | 110,7 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EuroEval, MultiLoKo (connaissances locales) | Français | 89,1 % | 116,3 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| DTBench | Raisonnement | 93,3 % | 91,6 | saturé | https://conceptualreasoning.ai/dtbench |
| ARC-AGI-1 | Raisonnement | 85,2 % | 84,3 | saturé | https://arcprize.org/leaderboard |
| EuroEval, INCLUDE (connaissances) | Français | 84,9 % | 103,3 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| ARC-AGI-2 | Raisonnement | 84,6 % | 92,6 | saturé | https://epoch.ai/benchmarks |
| EuroEval, ELTeC (noms propres) | Français | 83,1 % | 137,6 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 71,6 % | 88,8 | actif | https://epoch.ai/benchmarks |
| Code Arena, WebDev | Web | 1 592,2 Elo | 90,3 | actif | https://arena.ai/leaderboard |
| EuroEval, ScaLA (grammaire) | Français | 70,5 % | 112,7 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| SimpleQA Verified | Données | 69,2 % | 100,5 | actif | https://epoch.ai/benchmarks |
| APEX-Agents | Agents | 67,8 % | 96,8 | actif | https://epoch.ai/benchmarks |
| Arena, écriture créative | Écriture | 1 495,6 Elo | 98,1 | actif | https://arena.ai/leaderboard |
| DeepSWE | Code | 65,5 % | 91,4 | actif | https://deepswe.datacurve.ai/ |
| DeepSWE | Code | 65,3 % | 91,3 | actif | https://deepswe.datacurve.ai/ |
| EuroEval, FQuAD (compréhension) | Français | 65,2 % | 43,5 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| Arena, questions de maths | Maths | 1 506,6 Elo | 91,3 | actif | https://arena.ai/leaderboard |
| ARC-AGI-2 | Raisonnement | 63,7 % | 87,5 | saturé | https://epoch.ai/benchmarks |
| Arena, questions d'experts | Sciences | 1 509,3 Elo | 87,1 | actif | https://arena.ai/leaderboard |
| Arena, texte | Usage | 1 488,3 Elo | 89,9 | actif | https://arena.ai/leaderboard |
| Arena, questions en français | Français | 1 512,0 Elo | 89,3 | actif | https://arena.ai/leaderboard |
| Arena, questions de code | Code | 1 518,1 Elo | 85,5 | actif | https://arena.ai/leaderboard |
| SciCode | Code | 59,8 % | 94,9 | actif | https://artificialanalysis.ai/evaluations/scicode |
| Arena, vision | Vision | 1 295,0 Elo | 91,6 | actif | https://arena.ai/leaderboard |
| LMCA | Raisonnement | 50,38 | 88,3 | actif | https://conceptualreasoning.ai/lmca |
| compar:IA | Français | 1 085,0 Elo | 99,7 | actif | https://arene.comparia.beta.gouv.fr/ranking |
| ProofBench | Maths | 58 % | 89,2 | saturé | https://www.vals.ai/benchmarks/proof_bench |
| LMCA | Raisonnement | 49,22 | 87,4 | actif | https://conceptualreasoning.ai/lmca |
| SciCode | Code | 56,8 % | 91,3 | actif | https://artificialanalysis.ai/evaluations/scicode |
| LMCA | Raisonnement | 47,09 | 85,7 | actif | https://conceptualreasoning.ai/lmca |
| DeepSWE | Code | 53,8 % | 87,7 | actif | https://deepswe.datacurve.ai/ |
| SciCode | Code | 53,6 % | 87,4 | actif | https://artificialanalysis.ai/evaluations/scicode |
| ARC-AGI-2 | Raisonnement | 52,9 % | 85,6 | saturé | https://epoch.ai/benchmarks |
| Chess Puzzles | Raisonnement | 47 % | 92,2 | actif | https://epoch.ai/benchmarks |
| FrontierCode | Code | 43,6 % | 91,8 | actif | https://cognition.com/frontiercode |
| EuroEval, OrangeSum (résumé) | Français | 39,2 % | 104,0 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| FrontierMath, palier 4 (v2) | Maths | 36,6 % | 87,9 | saturé | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 37 % | 89,7 | actif | https://epoch.ai/benchmarks |
| GDP.pdf | Données | 23,8 % | 92,1 | actif | https://surgehq.ai/benchmarks/gdp-pdf |
| GDP.pdf | Données | 21,8 % | 90,5 | actif | https://surgehq.ai/benchmarks/gdp-pdf |
| FrontierSWE | Code | 20,3 % | 88,1 | actif | https://www.frontierswe.com/ |
| CritPt | Sciences | 14,3 % | 86,8 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 9,4 % | 82,5 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 5,7 % | 77,6 | actif | https://epoch.ai/benchmarks |
| Remote Labor Index | Agents | 5 % | 88,0 | actif | https://epoch.ai/benchmarks |
| Furniture Assembly | Vision | 26,7 % | 82,4 | actif | https://epoch.ai/benchmarks |

## En bref

**Quel est le score de Gemini 3.7 Flash ?** Gemini 3.7 Flash obtient un score IA de 89,9, avec une marge de 88,6 à 91,3, dans l'édition du 28 septembre 2026. Il est classé 16e sur 246 modèles, à partir de 36 mesures.

**Dans quelles tâches Gemini 3.7 Flash est-il le plus fort ?** Ses deux meilleures tâches sont français (98,8) et agents (93,9). Sa tâche la plus faible est vision (86,3).

**Gemini 3.7 Flash peut-il tourner en local ?** Non. Gemini 3.7 Flash est un modèle fermé : il s'utilise en ligne, par l'application de son éditeur ou par API.

**Combien coûte Gemini 3.7 Flash ?** 1,50 € par million de jetons en entrée et 7,50 € en sortie, au tarif affiché par les fournisseurs. Le coût réel d'une tâche dépend du nombre de jetons que le modèle consomme.

**Qui édite Gemini 3.7 Flash ?** Gemini 3.7 Flash est édité par Google DeepMind (États-Unis), et il est sorti le 13 août 2026. C'est un modèle fermé.

Source : Quelle IA, édition du 28 septembre 2026. https://quelleia.com