はじめに
2026年7月21日、Google は Gemini 3.6 Flash を発表しました。公式発表では、3.5 Flash と比べて速度が12%向上し、出力トークン数は17%減ったと説明されています。
ただ、この手のベンチマークは Google 自身が選んだタスクでの数値です。実際のコーディング用途でも同じ傾向になるのか、gemini-3.6-flash と gemini-3.5-flash に同じアルゴリズム問題15問を解かせて、正答率や速度、コストを実際に比較しました。
採点は、コードを読んで正誤を判断するのではなく、生成されたコードを実際に実行し、テストケースが通るかをプログラムで機械的に判定しています。主観の入る余地はありません。
検証環境は Gemini Developer API(GEMINI_API_KEY)、SDK は google-genai です。
結論
先に結果です。詳細は後述します。
- 正答率は両モデルとも15問全問正解。差はつかなかった
- 速度は、デフォルト設定では公式発表とは逆に3.5 Flash の方が速かった。合計処理時間は3.6 Flash が67.4秒、3.5 Flash が56.1秒で、3.5 Flash の方が約1.2倍速い結果に
- この速度差の主な原因は、モデル内部の思考トークン(
thoughts_token_count)の消費量だった。思考の強さを指定するthinking_levelを両モデルともlowに揃えて再検証すると、速度差はほぼ解消した(67.4秒/56.1秒 → 37.4秒/35.4秒) - コストは、
thinking_levelの設定にかかわらず一貫して3.6 Flash の方が安かった。デフォルト設定では3.6 Flash が0.1043ドル、3.5 Flash が0.1189ドルで、約12%安い
実際に両モデルへ投げた15問の一覧は、記事末尾の付録に掲載しています。
検証方法
15問を難易度別に用意しました。すべて定番のアルゴリズム問題です。
- 易しい5問:回文判定、ネストしたリストの平坦化、最頻値、シーザー暗号、アナグラムのグループ化
- 普通5問:最長共通接頭辞、括弧の対応チェック、区間のマージ、フィボナッチ数、ランレングス圧縮
- 難しい5問:単語の変換系列(Word Ladder)、コイン問題の最小枚数、最長増加部分列、雨水を溜める問題(Trapping Rain Water)、編集距離(レーベンシュタイン距離)
各問題は、関数シグネチャと簡単な説明だけを与え、コードのみを出力するよう指示しています。返ってきたコードから関数定義部分を抜き出し、あらかじめ用意したテストケースと突き合わせて、実際にサブプロセスで実行しました。全テストケースが通れば正解、1つでも失敗すれば不正解として扱っています。temperature=0 で固定しました。
コストは、実際に消費された入力と出力のトークン数に、公式料金表の単価を掛けて算出しています。Gemini 3系のモデルは応答を返す前に内部で思考トークンを消費しており、公式の料金表では出力単価にこの思考トークンの分も含まれると明記されています。そのため、ここでは「実際に出力された文章のトークン数」と「思考トークン数」を合算した数に、出力単価を掛けています。
| モデル | 入力単価(1Mトークンあたり) | 出力単価(1Mトークンあたり、思考トークン込み) |
|---|---|---|
| gemini-3.6-flash | $1.50 | $7.50 |
| gemini-3.5-flash | $1.50 | $9.00 |
正答率は両モデルとも満点だった
| モデル | 正答数 |
|---|---|
| gemini-3.6-flash | 15 / 15 |
| gemini-3.5-flash | 15 / 15 |
雨水を溜める問題や編集距離のような、LeetCode で「Hard」に分類される問題も含めて、両モデルとも全問でテストが通りました。これらは Gemini 3.5 Flash やその前の世代でも同じく満点だった問題セットで、標準的なアルゴリズム問題では新旧モデルの差がすでに出にくい水準に達しているとみられます。
速度は3.5 Flashの方が速かった
公式発表では3.6 Flash の方が高速だとされていますが、thinking_level を指定しないデフォルト設定でのこの検証では逆の結果になりました。
| モデル | 合計時間(15問) | 1問あたり平均 | 出力トークン合計 | スループット |
|---|---|---|---|---|
| gemini-3.6-flash | 67.4秒 | 4.49秒 | 2,097 | 31.1 トークン/秒 |
| gemini-3.5-flash | 56.1秒 | 3.74秒 | 2,158 | 38.5 トークン/秒 |
15問中ほとんどの問題で、3.6 Flash の方が処理時間が長くかかりました。出力トークン数を見ると、両モデルの差はほぼありません(2,097 対 2,158)。公式発表にある「出力トークンが17%減る」という傾向は、少なくともこの15問の範囲では確認できませんでした。
出力する量がほとんど変わらないのに処理時間だけ長くなる理由は、usage_metadata の中身を調べて分かりました。応答本文とは別に thoughts_token_count という、モデルが応答を組み立てる前に内部で消費する思考トークンの数が記録されており、この量が処理時間に直結していたのです。
| モデル | 思考トークン合計(15問) |
|---|---|
| gemini-3.6-flash | 11,526 |
| gemini-3.5-flash | 10,818 |
3.6 Flash の方が思考トークンを多く使っており、これが処理時間の差の正体だとみられます。この思考トークンの量は thinking_level というパラメータで調整できるため、次の節で両モデルの設定を揃えて再検証します。
思考レベルを揃えると速度差はほぼ消えた
Gemini 3系のモデルは thinking_level というパラメータで、応答前の思考の強さを minimal / low / medium / high から指定できます。公式ドキュメントによれば、3.6 Flash と3.5 Flash はどちらもデフォルトが medium で、設定値としては同じです。ただ、同じ「medium」というラベルでも、モデルごとに実際どれだけ思考するかは異なりうるはずです。そこで、両モデルの thinking_level を明示的に low に揃えて、15問をもう一度実行しました。
| モデル | 合計時間(15問、low固定) |
思考トークン合計 |
|---|---|---|
| gemini-3.6-flash | 37.4秒 | 4,384 |
| gemini-3.5-flash | 35.4秒 | 4,760 |
正答率はここでも両モデルとも15問全問正解でした。速度差は縮まり、3.6 Flash が3.5 Flash より遅い割合は、デフォルト設定の約20%から約6%まで下がっています。思考トークンの量も、low 固定では3.6 Flash の方がむしろ少なくなりました(4,384 対 4,760)。
デフォルト設定での速度差の大部分は、両モデルの medium という同じラベルの裏にある、実際の思考量の違いから来ていたとみられます。3.6 Flash がデフォルト設定のまま3.5 Flash より明確に速くなる場面は、今回の検証範囲では見つかりませんでしたが、思考レベルを揃えることで速度差の大半は解消できることが分かりました。
コストは思考レベルによらず3.6 Flashの方が安かった
速度では明確な優位が見えなかった3.6 Flash ですが、コストでは thinking_level の設定にかかわらず3.5 Flash を下回りました。
| モデル | デフォルト設定 |
low固定 |
|---|---|---|
| gemini-3.6-flash | $0.1043 | $0.0503 |
| gemini-3.5-flash | $0.1189 | $0.0632 |
デフォルト設定では3.6 Flash が3.5 Flash よりおよそ12%、low 固定ではおよそ20%安くなっています。両モデルとも low に揃えると、消費する出力トークンと思考トークンの合計が減るため、コスト自体はデフォルト設定の半分以下に下がりました。
3.6 Flash がどちらの設定でも安く済んでいるのは、出力トークン数が大きく減ったからではなく、出力1Mトークンあたりの単価が9.00ドルから7.50ドルに引き下げられたという、料金表そのものの変更が効いています。同じ量を書かせても、単価が下がった分だけ安くなる、という単純な理屈です。
公式ベンチマークとの食い違いをどう見るか
今回の検証では、デフォルト設定において3.6 Flash は3.5 Flash より遅いという、公式発表と逆の結果になりました。これにはいくつか留保が必要です。
まず、この検証は temperature=0 の15問を1回ずつ実行した結果であり、API 側の負荷状況やネットワークの揺らぎによる誤差を含んでいる可能性があります。Google が公表しているベンチマーク(Artificial Analysis Index など)は、より大規模かつ統制された条件で測定されたものであり、単純に数値だけを比較して優劣を決められるものではありません。
そのうえで、今回の検証から言えることが2つあります。1つは、速度差の主な原因が thoughts_token_count という、応答本文には出てこない内部の思考トークンの消費量だったという点です。もう1つは、thinking_level を明示的に揃えることで、その速度差の大部分が縮まったという点です。公式ドキュメント上は両モデルとも同じ「medium」がデフォルトとされていても、実際の内部挙動には差があることが、この検証から見えてきます。ベンチマークの数値だけを鵜呑みにせず、パラメータの設定まで含めて実際の用途で計測し直す価値があることを、この結果は示しています。
まとめ
Gemini 3.6 Flash と3.5 Flash を、同じ15問のアルゴリズム問題で比較しました。正答率はどちらも満点で差がつかず、コストは単価改定の効果で thinking_level の設定によらず3.6 Flash の方が安くなりました。速度は、デフォルト設定では公式発表とは逆に3.5 Flash の方が速い結果でしたが、この差の大半は両モデルの思考トークン消費量の違いによるもので、thinking_level を明示的に揃えると速度差はほぼ解消しました。
新しいモデルが出た際、公式のベンチマーク数値をそのまま受け取るのではなく、自分の用途に近い形で実際に計測してみることには意味があります。今回の検証では、速度差の背景に thinking_level という具体的なパラメータがあることまで踏み込めて初めて、公式発表との食い違いの理由が見えてきました。単純なアルゴリズム問題では、正答率よりも速度やコストの実測値、そして thinking_level のようなパラメータ設定の方が、モデル選定の判断材料になりそうです。
具体的な性能やコストは変更される可能性があるため、実際に利用する際は必ず公式ドキュメントで最新の情報を確認してください。
付録:使用した15問
実際に両モデルへ投げた15問の問題文です。各問題は、この説明文と関数名・入出力の形だけを与え、コードのみを出力するよう指示しています。
易しい5問
| ID | 問題文 |
|---|---|
| E1 | 文字列が回文かどうかを判定する。大文字小文字を無視し、英数字以外の文字は無視する。 |
| E2 | 任意の深さでネストしたリストを1次元のリストに平坦化する。 |
| E3 | リストの中で最も頻繁に出現する要素を返す(最頻値は1つに決まるものとする)。 |
| E4 | シーザー暗号で文字列を暗号化する。アルファベットのみをシフトし、大文字小文字は保持し、記号や空白はそのままにする。 |
| E5 | アナグラム同士をグループ化して、リストのリストとして返す(グループ内・グループ間の順序は問わない)。 |
普通5問
| ID | 問題文 |
|---|---|
| M1 | 文字列のリストに共通する最長の接頭辞を返す。共通の接頭辞がなければ空文字列を返す。 |
| M2 | ()[]{}の文字列が正しく対応・入れ子になっているかを判定する。 |
| M3 | 重なり合う区間をマージし、開始位置でソートされたリストとして返す。 |
| M4 | n番目のフィボナッチ数を返す(fib(0)=0, fib(1)=1)。n=30程度でも高速に動作するよう、メモ化または反復で実装すること。 |
| M5 | 文字列をランレングス圧縮する。例: 'aaabbc' -> 'a3b2c1' |
難しい5問
| ID | 問題文 |
|---|---|
| H1 | beginからendまで、word_list内の単語のみを経由し1文字ずつ変えて到達する最短の変換系列に含まれる単語数を返す。到達不能なら0を返す。 |
| H2 | 指定金額を作るために必要な最小の硬貨数を返す。作れない場合は-1を返す。 |
| H3 | 最長狭義増加部分列の長さを返す。 |
| H4 | 標高マップが与えられたとき、雨が降った後に溜まる水の総量を返す(Trapping Rain Water問題)。 |
| H5 | word1をword2に変換するために必要な最小編集回数(挿入・削除・置換)を返す(レーベンシュタイン距離)。 |
参考