Gemini 3.5 Flash API-Preise: Token-Kosten, Benchmarks und echte Budgetbeispiele

Gemini 3.5 Flash kostet 1,50 $ pro 1 Million Input-Tokens und 9 $ pro 1 Million Output-Tokens im standardmäßigen kostenpflichtigen Tarif von Google. Der Output-Preis umfasst Thinking-Tokens. Lesezugriffe auf den Kontext-Cache kosten 0,15 $ pro 1 Million Tokens, während gespeicherte Cache-Inhalte zusätzlich zeitabhängige Speicherkosten verursachen.

Auf Poyo.ai kostet Gemini 3.5 Flash derzeit 0,90 $ pro 1 Million Input-Tokens und 5,40 $ pro 1 Million Output-Tokens. Das liegt 40 % unter den standardmäßigen Token-Preisen von Google – mit Pay-as-you-go-Guthaben und ohne monatliche Abonnementpflicht.

Die angegebenen Preise wirken einfach. Die tatsächliche Rechnung ist es nicht. Agenten-Schleifen, Thinking-Tokens, wiederholter Kontext, lange Antworten, Search Grounding und Tool-Wiederholungen können dazu führen, dass Output und wiederholte Eingaben wichtiger werden als der beworbene Input-Preis.

Preise geprüft am 19. Juli 2026. Google und Poyo.ai können Preise, Funktionen oder Verfügbarkeit nach der Veröffentlichung aktualisieren.

Gemini 3.5 Flash API-Preise auf einen Blick

Google bietet außerdem eine kostenlose Stufe für Gemini 3.5 Flash an. Sie eignet sich für Evaluierungen, aber Produktionsplanung sollte sich an Preisen, Rate Limits, Datenbedingungen und Zuverlässigkeitsanforderungen des kostenpflichtigen Tarifs orientieren.

Aktuelle Poyo-Preise und unterstützte Endpoints finden Sie auf der Gemini 3.5 Flash API-Modellseite.

Was wird bei einer Gemini 3.5 Flash-Rechnung berücksichtigt?

Eine nützliche Faustformel für eine erste Einschätzung lautet:

request cost =
  input tokens × input rate
  + output and thinking tokens × output rate
  + cache storage
  + grounding or server-side tool charges

Zum Input können Systemanweisungen, Gesprächsverlauf, Tool-Definitionen, abgerufene Dokumente, Bilder, Audio und Video gehören. Der Output umfasst die sichtbare Antwort sowie abgerechnete Thinking-Tokens. Eine Anfrage, die in der Benutzeroberfläche kurz aussieht, kann daher eine deutlich größere abrechnungsrelevante Datenmenge enthalten.

Input-Tokens

Input ist die günstigste Standard-Token-Kategorie, kann aber zum größten Kostenfaktor werden, wenn eine Anwendung wiederholt lange Dokumente oder den vollständigen Gesprächsverlauf sendet. Ein Kontextfenster von 1 Million Tokens ist eine Kapazitätsgrenze – keine Empfehlung, jede Anfrage vollständig damit zu füllen.

Output- und Thinking-Tokens

Der Output-Preis von Google in Höhe von 9 $ umfasst ausdrücklich Thinking-Tokens. Das ist relevant, weil Output sechsmal teurer ist als Standard-Input. Ein Coding-Agent, der mehrere Ansätze untersucht, Tools aufruft und eine lange Antwort schreibt, kann mehr für Reasoning und Output ausgeben als für den ursprünglichen Prompt.

Kontext-Caching

Kontext-Caching kann den Lesepreis für wiederverwendete Inhalte wie stabile System-Prompts, Produktkataloge, Richtlinienhandbücher oder Codebase-Zusammenfassungen senken. Es ist besonders sinnvoll, wenn derselbe Cache-Block häufig genug wiederverwendet wird, um Speicherkosten und zusätzliche Cache-Verwaltung zu rechtfertigen.

Search Grounding und Tools

Die Google-Preisseite führt ein enthaltenes monatliches Kontingent für Search Grounding auf, gefolgt von einer Gebühr pro Abfrage. Eine einzelne Modellanfrage kann mehr als eine Suchanfrage erzeugen. Tool-intensive Anwendungen sollten Tool-Aufrufe getrennt von der Token-Nutzung protokollieren, damit die Ursache steigender Kosten sichtbar bleibt.

Wie viel kostet Gemini 3.5 Flash in der Praxis?

Die folgenden Beispiele verwenden Standard-Token-Preise und schließen Steuern, spezielle Verarbeitungstarife sowie separate Tool-Gebühren aus.

Beispiel 1: ein kleiner Coding-Assistent

Angenommen, ein Coding-Assistent verarbeitet monatlich 10 Millionen Input-Tokens und 2 Millionen Output-Tokens.

Der Output macht nur ein Fünftel des Input-Volumens aus, kostet aber bei beiden Varianten mehr als der Input. Deshalb verdienen Output-Limits und Reasoning-Einstellungen besondere Aufmerksamkeit.

Beispiel 2: ein Support-Agent mit wiederholtem Kontext

Stellen Sie sich 100.000 monatliche Konversationen vor. Jede beginnt mit 8.000 Tokens für Richtlinien und Produktkontext und erzeugt anschließend 1.000 Output-Tokens.

Ohne Caching oder Retrieval:

• Input: 800 Millionen Tokens
• Output: 100 Millionen Tokens
• Google Standard: 1.200 $ Input + 900 $ Output = 2.100 $
• Poyo.ai Token-Preise: 720 $ Input + 540 $ Output = 1.260 $

Dieses Design bezahlt wiederholt dafür, denselben Kontext zu übertragen. Eine bessere Architektur würde den stabilen Präfix cachen, nur relevante Richtlinienabschnitte abrufen oder eine kleinere strukturierte Zusammenfassung vorbereiten.

Beispiel 3: ein multimodaler Dokumenten-Workflow

Bei PDFs, Bildern, Audio und Video sollten Kosten nicht allein anhand der Dateigröße geschätzt werden. Messen Sie die vom API zurückgegebenen Input-Tokens für repräsentative Dateien. Testen Sie anschließend kurze, mittlere und anspruchsvolle Fälle, da Medienlänge und Modell-Reasoning beide Seiten der Rechnung beeinflussen können.

Ein praxisnaher Pilot sollte erfassen:

• Input-Tokens nach Medientyp;
• Output- und Thinking-Tokens;
• Tool- und Grounding-Aufrufe;
• Latenz;
• Aufgabenerfolg ohne menschliche Korrektur;
• Wiederholungen pro erfolgreicher Aufgabe.

Warum eine Gemini 3.5 Flash-Rechnung höher als erwartet ausfallen kann

Thinking wird als Output abgerechnet

Wenn eine Anwendung für jede Anfrage tieferes Reasoning aktiviert, zahlt sie den Output-Tarif, auch wenn die sichtbare Antwort kurz ist. Verwenden Sie die leichteste Thinking-Stufe, die die gewünschte Qualitätsanforderung noch erfüllt.

Agenten-Schleifen vervielfachen Input und Output

Jedes Tool-Ergebnis kann als neuer Input an das Modell zurückgegeben werden. Fehlgeschlagene Aufrufe, unklare Tool-Schemas und fehlende Abbruchbedingungen können teure Schleifen erzeugen. Setzen Sie Iterationslimits und erfassen Sie den Grund für jede Wiederholung.

Vollständiger Kontext wird unnötig erneut gesendet

Ein komplettes Repository, eine gesamte Unterhaltung oder eine große Dokumentensammlung bei jeder Anfrage erneut zu senden, ist selten das wirtschaftlichste Design. Zusammenfassungen, Retrieval, cachebare Präfixe und außerhalb des Modells gespeicherter Zustand können wiederholte Input-Kosten reduzieren.

Unbegrenzte Antworten sind teuer

Output ist die Premium-Token-Kategorie. Setzen Sie realistische maximale Output-Werte, fordern Sie strukturierte und präzise Antworten an und erzeugen Sie lange Berichte nur dann, wenn Nutzer sie tatsächlich benötigen.

Grounding kann sich vervielfachen

Eine einzelne Anfrage kann mehrere Suchanfragen auslösen. Anwendungen mit vorhersehbarer Kostenstruktur sollten Tool-Richtlinien definieren und Abfragezahlen überwachen, statt Grounding als kostenlosen Kontext zu betrachten.

Gemini 3.5 Flash Benchmarks im Kontext

Google positioniert Gemini 3.5 Flash als agentisches und Coding-Modell, das die Geschwindigkeit der Flash-Klasse beibehält. Die Startdaten vom Mai 2026 berichten:

Google berichtet außerdem, dass Gemini 3.5 Flash in seinem Vergleich Ausgaben ungefähr viermal schneller erzeugt als andere Frontier-Modelle. Diese Werte sind nützliche Hinweise, aber kein Ersatz für Tests in der eigenen Anwendung. Harness-Design, Tool-Definitionen, Reasoning-Einstellungen, Latenzziele und Prompt-Qualität beeinflussen die tatsächliche Leistung.

Die entscheidende wirtschaftliche Frage lautet nicht: "Welcher Benchmark ist am höchsten?" Sondern:

Wie viel kostet eine erfolgreiche Aufgabe nach Tokens, Tools, Wiederholungen und menschlichen Korrekturen?

Gemini 3.5 Flash im Vergleich zu alternativen Modellen

Nutzen Sie dies als Shortlist für die Modell-Auswahl. Führen Sie denselben repräsentativen Workload mit jedem Kandidaten durch, bevor Sie ein Standardmodell festlegen.

Sieben Möglichkeiten, Gemini 3.5 Flash API-Kosten zu reduzieren

1. Setzen Sie ein Output-Limit. Vermeiden Sie Kosten für Erklärungen oder wiederholten Kontext, den das Produkt nicht anzeigt.
2. Passen Sie Thinking an die Aufgabenschwierigkeit an. Reservieren Sie tieferes Reasoning für Anfragen, die davon profitieren.
3. Cachen Sie stabile Präfixe. Verwenden Sie System-Prompts oder Referenzmaterial wieder, wenn die Trefferquote die Speicherkosten rechtfertigt.
4. Nutzen Sie Retrieval vor Generierung. Senden Sie relevante Dokumentabschnitte statt des gesamten Korpus.
5. Begrenzen Sie Agenten-Iterationen. Stoppen Sie nach einer definierten Anzahl fehlgeschlagener Tool-Aufrufe oder leiten Sie weiter.
6. Leiten Sie einfache Aufgaben weiter. Klassifizierung und Extraktion können möglicherweise mit einem leichteren Modell erledigt werden.
7. Verfolgen Sie Kosten pro erfolgreicher Aufgabe. Reine Token-Kosten verbergen Wiederholungen und Korrekturaufwand.

So rufen Sie Gemini 3.5 Flash auf Poyo.ai auf

Poyo.ai unterstützt die Modell-ID gemini-3.5-flash. Teams können einen OpenAI-kompatiblen Chat-Endpunkt oder das für das Modell dokumentierte Gemini-native Format verwenden.

curl https://api.poyo.ai/v1/chat/completions \
  -H "Authorization: Bearer $POYO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-3.5-flash",
    "messages": [
      {
        "role": "user",
        "content": "Review this agent plan and identify the three most expensive failure modes."
      }
    ]
  }'

Erstellen Sie einen API-Schlüssel über das Poyo Dashboard und prüfen Sie anschließend die Gemini 3.5 Flash-Modellseite sowie die verknüpfte API-Dokumentation vor dem Produktivbetrieb.

Ist Gemini 3.5 Flash den Preis wert?

Gemini 3.5 Flash ist eine starke Option, wenn eine Anwendung schnelles Coding, Tool-Nutzung, multimodale Eingaben oder Reasoning mit langem Kontext benötigt. Weniger überzeugend ist es, wenn eine Anfrage vorhersehbar genug für ein kleineres Modell ist.

Das beste Produktionsmuster ist in der Regel selektives Routing:

• Verwenden Sie ein leichteres Modell für einfache, wiederkehrende Aufgaben;
• verwenden Sie Gemini 3.5 Flash für Anfragen, die stärkeres Reasoning oder multimodalen Kontext benötigen;
• eskalieren Sie nur die schwierigsten Fälle an eine teurere Frontier-Stufe.

Dieser Ansatz nutzt Geschwindigkeit und Fähigkeiten des Modells, ohne für jede Anfrage Frontier-Modell-Kosten zu zahlen.

Häufig gestellte Fragen

Wie viel kostet Gemini 3.5 Flash pro Million Tokens?

Der standardmäßige kostenpflichtige Google-Tarif beträgt 1,50 $ pro 1 Million Input-Tokens und 9 $ pro 1 Million Output-Tokens inklusive Thinking-Tokens. Poyo.ai listet derzeit 0,90 $ für Input und 5,40 $ für Output pro 1 Million Tokens.

Ist die Gemini 3.5 Flash API kostenlos?

Google bietet eine kostenlose Stufe an, aber Produktionsanwendungen sollten deren Rate Limits und Datenbedingungen bewerten. Poyo.ai verwendet Pay-as-you-go-Guthaben.

Werden Thinking-Tokens von Gemini 3.5 Flash berechnet?

Ja. Die Google-Preistabelle gibt an, dass der Output-Preis Thinking-Tokens einschließt.

Unterstützt Gemini 3.5 Flash Kontext-Caching?

Ja. Google führt kostenpflichtige Preise für Cache-Lesevorgänge und Speicherung auf. Caching ist am wirtschaftlichsten für stabile Kontexte, die über ausreichend viele Anfragen wiederverwendet werden.

Wie lautet die Modell-ID von Gemini 3.5 Flash?

Die Modell-ID lautet gemini-3.5-flash.

Kann Gemini 3.5 Flash eine OpenAI-kompatible API verwenden?

Ja. Poyo.ai stellt sowohl eine OpenAI-kompatible Chat-Completions-Route als auch einen Gemini-nativen Integrationspfad bereit.

Quellen

• Google Gemini API pricing
• Google: Gemini 3.5 launch and benchmark overview
• Poyo.ai Gemini 3.5 Flash API