Google: Gemini 3.7 Flash (batch)

Google: Gemini 3.7 Flash (batch) adalah model teks multimodal dari Google, yang ditawarkan melalui api14 dengan model id google/gemini-3.7-flash:batch. Model ini termasuk dalam lini Gemini 3.7 Flash, yang menurut Google dirancang untuk alur kerja agentic yang cepat, coding, dan penalaran multi-langkah yang kompleks. Varian batch adalah model yang sama yang disediakan untuk penggunaan bergaya batch, bukan pola permintaan interaktif.

Model ini menerima input teks, gambar, video, file, dan audio, serta hanya mengembalikan teks. Jendela konteksnya adalah 1.048.576 token, dengan output maksimum 65.536 token. Kombinasi anggaran input yang sangat besar dan batas output yang substansial berarti Anda dapat mengirimkan dokumen panjang, media, atau input multi bagian dalam satu permintaan dan tetap mendapatkan respons terstruktur yang panjang. Perilaku penalaran diekspos melalui parameter, bukan bersifat tetap, sehingga Anda dapat menentukan seberapa banyak pertimbangan internal yang dilakukan model.

Penggunaan praktis mengikuti kemampuan tersebut. Konteks panjang ditambah modalitas input campuran cocok untuk analisis dokumen dan media, seperti meringkas atau mengekstrak data terstruktur dari laporan, transkrip, atau rekaman yang panjang. Tugas coding sesuai dengan fokus yang dinyatakan pada alur kerja agentic, terutama ketika model perlu membaca beberapa file atau basis kode yang besar sebelum menjawab. Penalaran multi-langkah atas input besar juga cocok, misalnya tanya jawab bergaya riset yang harus merekonsiliasi banyak sumber. Karena output hanya berupa teks, model ini adalah pilihan yang baik ketika Anda membutuhkan jawaban tertulis, JSON terstruktur, atau tool call, bukan media yang dihasilkan.

Untuk memanggilnya melalui api14, gunakan endpoint yang kompatibel dengan OpenAI dengan model id google/gemini-3.7-flash:batch. Parameter permintaan yang didukung adalah include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, seed, stop, structured_outputs, tool_choice, dan tools. Dalam praktiknya, itu berarti Anda dapat membatasi panjang output dengan max_tokens, mengontrol kedalaman penalaran dengan reasoning_effort atau parameter reasoning, meminta output terstruktur melalui response_format atau structured_outputs, membuat sampling lebih dapat direproduksi dengan seed, menentukan urutan stop, dan menyiapkan function calling dengan tools dan tool_choice.

Satu hal yang perlu dipertimbangkan adalah orientasi batch yang tersirat dari model id. Jika aplikasi Anda membutuhkan respons interaktif dengan latensi rendah, varian non batch dari model yang sama mungkin lebih cocok, karena parameter dan modalitas di sini sebaliknya sama. Perhatikan juga bahwa output hanya berupa teks, jadi tugas apa pun yang memerlukan gambar, audio, atau video yang dihasilkan membutuhkan model yang berbeda. Batas output 65.536 token memang besar tetapi terbatas, jadi respons tunggal yang sangat besar mungkin perlu dipecah ke beberapa panggilan.