perbandingan hasil benchmark DeepSWE V1.1 Gemini 3.7 Flash dengan model lain (blog.google)
Peningkatan utama pada Gemini 3.7 Flash terlihat pada kemampuannya untuk menyelesaikan masalah teknis perangkat lunak dan melakukan debugging. Model ini mencatat lonjakan skor pada uji FrontierCode 1.1 Main hingga mencapai angka 43,6 persen, melesat dari versi 3.6 Flash yang berada di angka 34,4 persen.
Menurut DataCamp, perolehan skor tersebut bahkan berhasil melampaui model perusahaan saingan seperti Claude Sonnet 5 (42,7 persen) dari Anthropic dan GPT-5.6 Terra (41,3 persen) dari OpenAI. Pada pengujian rekayasa perangkat lunak jangka panjang DeepSWE v1.1, skornya juga meningkat menjadi 65,3 persen dibandingkan dengan pendahulunya yang hanya 49 persen.
Untuk urusan pengembangan web, model ini andal dalam merancang tata letak situs fungsional dan aplikasi utuh hanya dengan sedikit instruksi. Pada uji preferensi WebDev Arena di Arena.ai, Gemini 3.7 Flash mencetak skor Elo 1588, menunjukkan kepiawaiannya dalam mewujudkan rancangan antarmuka visual.
Model ini juga andal dalam tugas non-coding seperti pemrosesan dokumen bisnis yang padat informasi. Pada pengujian pemahaman dokumen rumit GDP.pdf, model ini mencatatkan angka 34 persen. Sementara itu, dalam tugas agentic, Gemini 3.7 Flash berhasil meraih skor 30,4 persen pada uji coba AutomationBench.