
Google no espera a nadie — ni siquiera a su propio Gemini 3.5 Pro, que sigue desaparecido en acción. Lanzó Gemini 3.7 Flash apenas tres semanas después de 3.6 Flash, con foco total en coding, agentes agénticos y trabajo del día a día. Y de propina: 50% de descuento en la API hasta fin de 2026.
Los números que importan
La mejora generacional en software engineering es real y sustancial:
- FrontierCode 1.1 Main (calidad de código productivo): 43,6% vs 34,4% de 3.6 Flash. Y ojo: supera por poco el 42,7% de Claude Sonnet 5 y el 41,3% de GPT-5.6 Terra.
- DeepSWE v1.1 (tareas largas de ingeniería): 65,3% vs 49,0% del predecesor. Acá GPT-5.6 Terra sigue adelante con 69,6%.
- Code Arena (desarrollo web): Elo 1588, por encima de 1538 de 3.6 Flash, 1541 de Sonnet 5 y 1523 de Terra.
Eso sí, la tabla completa es más mixta: Terra sigue ganando en Terminal-bench y OSWorld, y Sonnet 5 domina las tareas de escritorio multimodal del Agent’s Last Exam (33,3% vs 26,3%). Traducción: no reemplaza universalmente a los frontier, pero se mete en la conversación a un precio mucho menor.
El precio es la jugada
Hasta el 31 de diciembre de 2026: US$0,75 por millón de tokens de entrada y US$3,75 por millón de salida. Desde el 1 de enero sube al doble (US$1,50 / US$7,50). O sea, el descuento es temporal, pero da meses de pista para evaluar si el modelo realmente reduce retries y supervisión humana en agentes de alto volumen.
En un contexto donde DeepSeek acaba de subir precios hasta 4x y los labs chinos se pelean el segmento barato, Google está diciendo “acá también se compite por precio”. Para equipos con cargas altas de coding agéntico, esto es directo a la hoja de cálculo de FinOps.
La ironía del 3.5 Pro
Lo cómico del asunto: 3.7 Flash llegó antes que el Gemini 3.5 Pro, anunciado en I/O en mayo y que sigue sin fecha de release (según Reuters, en partner testing). Google está iterando su línea workhorse a velocidad absurda — tres semanas entre versiones — mientras su flagship acumula meses de atraso. Bloomberg lo describe como el launch pendiente más grande del año.
Mientras tanto, DeepMind presume casos como usar la comprensión multimodal de 3.7 Flash en un loop de 3 agentes para acelerar el entrenamiento de modelos de robótica. El “workhorse” está trabajando duro.
Fuentes: Google Blog, VentureBeat, Axios, Ars Technica.

