Gemini 3.1 Flash-Lite (wersja testowa)

Nasz najbardziej ekonomiczny model multimodalny, który zapewnia najszybsze działanie w przypadku lekkich zadań o wysokiej częstotliwości. Gemini 3.1 Flash-Lite najlepiej sprawdza się w przypadku zadań agenta o dużej skali, prostego wyodrębniania danych i aplikacji o bardzo niskim opóźnieniu, w których głównymi ograniczeniami są budżet i szybkość.

gemini-3.1-flash-lite-preview

Przewodnik dla programistów

Gemini 3.1 Flash-Lite najlepiej radzi sobie z prostymi zadaniami na dużą skalę. Oto kilka przypadków użycia, w których Gemini 3.1 Flash-Lite sprawdza się najlepiej:

• Tłumaczenie: szybkie, tanie i masowe tłumaczenie, np. przetwarzanie na dużą skalę wiadomości na czacie, opinii i zgłoszeń. Za pomocą instrukcji systemowych możesz ograniczyć dane wyjściowe do przetłumaczonego tekstu bez dodatkowych komentarzy:

  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)
  

• Transkrypcja: przetwarzanie nagrań, notatek głosowych lub dowolnych treści audio w których potrzebujesz transkrypcji tekstowej, bez konieczności uruchamiania osobnego potoku przetwarzania mowy na tekst. Obsługuje dane wejściowe multimodalne, dzięki czemu możesz bezpośrednio przekazywać pliki audio do transkrypcji:

  # 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)
  

• Lekkie zadania agenta i wyodrębnianie danych: wyodrębnianie encji, klasyfikacja i lekkie potoki przetwarzania danych obsługiwane przez ustrukturyzowane dane wyjściowe JSON. Na przykład wyodrębnianie danych strukturalnych z opinii klienta w e-commerce:

  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)
  

• Przetwarzanie i podsumowywanie dokumentów: analizowanie plików PDF i zwracanie zwięzłych podsumowań, np. na potrzeby tworzenia potoku przetwarzania dokumentów lub szybkiego sortowania przychodzących plików:

  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)
  

• Routing modelu: używaj modelu o niskim opóźnieniu i niskim koszcie jako klasyfikatora, który kieruje zapytania do odpowiedniego modelu na podstawie złożoności zadania. Jest to prawdziwy wzorzec w środowisku produkcyjnym – interfejs wiersza poleceń Gemini o otwartym kodzie źródłowym używa Flash-Lite do klasyfikowania złożoności zadań i odpowiedniego kierowania do Flash lub Pro.

  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)
  

• Myślę: aby zwiększyć dokładność zadań, które korzystają z rozumowania krok po kroku , skonfiguruj myślenie tak, aby model poświęcał dodatkowe zasoby obliczeniowe na wewnętrzne rozumowanie przed wygenerowaniem ostatecznych danych wyjściowych:

  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)