معاينة Gemini 3.1 Flash-Lite

هذا النموذج هو الأكثر فعالية من حيث التكلفة بين نماذجنا المتعددة الوسائط، وهو يقدّم أسرع أداء للمهام الخفيفة المتكررة. ‫Gemini 3.1 Flash-Lite هو الأفضل للمهام التي تتطلب وكلاء بأعداد كبيرة، واستخراج البيانات البسيط، والتطبيقات التي تتطلب وقت استجابة منخفضًا جدًا، حيث تكون الميزانية والسرعة هما القيود الأساسية.

gemini-3.1-flash-lite-preview

دليل مطوّري البرامج

‫Gemini 3.1 Flash-Lite هو الأفضل في التعامل مع المهام البسيطة على نطاق واسع. في ما يلي بعض حالات الاستخدام الأنسب لـ Gemini 3.1 Flash-Lite:

• الترجمة: ترجمة سريعة ورخيصة وواسعة النطاق، مثل معالجة رسائل المحادثات والمراجعات وطلبات الدعم على نطاق واسع. يمكنك استخدام تعليمات النظام لحصر الناتج في النص المترجَم فقط بدون أي تعليقات إضافية:

  text = "Hey, are you down to grab some pizza later? I'm starving!"
  
  response = client.models.generate_content(
      model="gemini-3.1-flash-lite-preview",
      config={
          "system_instruction": "Only output the translated text"
      },
      contents=f"Translate the following text to German: {text}"
  )
  
  print(response.text)
  

• تحويل الصوت إلى نص: معالجة التسجيلات أو الملاحظات الصوتية أو أي محتوى صوتي تحتاج فيه إلى نص مكتوب بدون إنشاء مسار منفصل لتحويل الكلام إلى نص. يتيح النموذج إدخال بيانات متعددة الوسائط، لذا يمكنك تمرير الملفات الصوتية مباشرةً لكتابتها:

  # URL = "https://storage.googleapis.com/generativeai-downloads/data/State_of_the_Union_Address_30_January_1961.mp3"
  
  # Upload the audio file to the GenAI File API
  uploaded_file = client.files.upload(file='sample.mp3')
  
  prompt = 'Generate a transcript of the audio.'
  
  response = client.models.generate_content(
    model="gemini-3.1-flash-lite-preview",
    contents=[prompt, uploaded_file]
  )
  
  print(response.text)
  

• المهام الخفيفة التي تتطلب وكلاء واستخراج البيانات: استخراج الكيانات، التصنيف، ومسارات معالجة البيانات الخفيفة التي يتم عرضها بتنسيق JSON منظَّم. على سبيل المثال، استخراج بيانات منظَّمة من مراجعة من عميل لمنتج في التجارة الإلكترونية:

  from pydantic import BaseModel, Field
  
  prompt = "Analyze the user review and determine the aspect, sentiment score, summary quote, and return risk"
  input_text = "The boots look amazing and the leather is high quality, but they run way too small. I'm sending them back."
  
  class ReviewAnalysis(BaseModel):
      aspect: str = Field(description="The feature mentioned (e.g., Price, Comfort, Style, Shipping)")
      summary_quote: str = Field(description="The specific phrase from the review about this aspect")
      sentiment_score: int = Field(description="1 to 5 (1=worst, 5=best)")
      is_return_risk: bool = Field(description="True if the user mentions returning the item")
  
  response = client.models.generate_content(
      model="gemini-3.1-flash-lite-preview",
      contents=[prompt, input_text],
      config={
          "response_mime_type": "application/json",
          "response_json_schema": ReviewAnalysis.model_json_schema(),
      },
  )
  
  print(response.text)
  

• معالجة المستندات وتلخيصها: تحليل ملفات PDF وعرض ملخصات موجزة، مثل إنشاء مسار لمعالجة المستندات أو فرز الملفات الواردة بسرعة:

  import httpx
  
  # Download a sample PDF document
  doc_url = "https://storage.googleapis.com/generativeai-downloads/data/med_gemini.pdf"
  doc_data = httpx.get(doc_url).content
  
  prompt = "Summarize this document"
  response = client.models.generate_content(
      model="gemini-3.1-flash-lite-preview",
      contents=[
          types.Part.from_bytes(
              data=doc_data,
              mime_type='application/pdf',
          ),
          prompt
      ]
  )
  
  print(response.text)
  

• توجيه النماذج: استخدام نموذج منخفض وقت الاستجابة ومنخفض التكلفة كأداة تصنيف توجّه الطلبات إلى النموذج المناسب استنادًا إلى مدى تعقيد المهمة. هذا نمط حقيقي في الإنتاج، إذ تستخدم واجهة سطر الأوامر Gemini مفتوحة المصدر نموذج Flash-Lite لتصنيف مدى تعقيد المهام وتوجيهها إلى Flash أو Pro وفقًا لذلك.

  FLASH_MODEL = 'flash'
  PRO_MODEL = 'pro'
  
  CLASSIFIER_SYSTEM_PROMPT = f"""
  You are a specialized Task Routing AI. Your sole function is to analyze the user's request and classify its complexity. Choose between `{FLASH_MODEL}` (SIMPLE) or `{PRO_MODEL}` (COMPLEX).
  1.  `{FLASH_MODEL}`: A fast, efficient model for simple, well-defined tasks.
  2.  `{PRO_MODEL}`: A powerful, advanced model for complex, open-ended, or multi-step tasks.
  
  A task is COMPLEX if it meets ONE OR MORE of the following criteria:
  1.  High Operational Complexity (Est. 4+ Steps/Tool Calls)
  2.  Strategic Planning and Conceptual Design
  3.  High Ambiguity or Large Scope
  4.  Deep Debugging and Root Cause Analysis
  
  A task is SIMPLE if it is highly specific, bounded, and has Low Operational Complexity (Est. 1-3 tool calls).
  """
  
  user_input = "I'm getting an error 'Cannot read property 'map' of undefined' when I click the save button. Can you fix it?"
  
  response_schema = {
    "type": "object",
    "properties": {
      "reasoning": {
        "type": "string",
        "description": "A brief, step-by-step explanation for the model choice, referencing the rubric."
      },
      "model_choice": {
        "type": "string",
        "enum": [FLASH_MODEL, PRO_MODEL]
      }
    },
    "required": ["reasoning", "model_choice"]
  }
  
  response = client.models.generate_content(
      model="gemini-3.1-flash-lite-preview",
      contents=user_input,
      config={
          "system_instruction": CLASSIFIER_SYSTEM_PROMPT,
          "response_mime_type": "application/json",
          "response_json_schema": response_schema
      },
  )
  
  print(response.text)
  

• طريقة التفكير: لتحسين دقة المهام التي تستفيد من التفكير خطوة بخطوة ، يمكنك ضبط طريقة التفكير بحيث يخصّص النموذج قدرة حوسبة إضافية للتفكير الداخلي قبل إنتاج الناتج النهائي:

  response = client.models.generate_content(
      model="gemini-3.1-flash-lite-preview",
      contents="How does AI work?",
      config=types.GenerateContentConfig(
          thinking_config=types.ThinkingConfig(thinking_level="high")
      ),
  )
  
  print(response.text)