জেমিনি ৩.১ ফ্ল্যাশ-লাইট প্রিভিউ

আমাদের সবচেয়ে সাশ্রয়ী মাল্টিমোডাল মডেল, উচ্চ-ফ্রিকোয়েন্সি, হালকা কাজের জন্য দ্রুততম কর্মক্ষমতা প্রদান করে। জেমিনি 3.1 ফ্ল্যাশ-লাইট উচ্চ-ভলিউম এজেন্টিক কাজ, সহজ ডেটা নিষ্কাশন এবং অত্যন্ত কম-লেটেন্সি অ্যাপ্লিকেশনের জন্য সেরা যেখানে বাজেট এবং গতিই প্রাথমিক সীমাবদ্ধতা।

জেমিনি-৩.১-ফ্ল্যাশ-লাইট-প্রিভিউ

ডেভেলপার গাইড

জেমিনি ৩.১ ফ্ল্যাশ-লাইট উল্লেখযোগ্য মাত্রায় সহজ কাজ পরিচালনা করার ক্ষেত্রে সবচেয়ে ভালো। জেমিনি ৩.১ ফ্ল্যাশ-লাইটের জন্য সবচেয়ে উপযুক্ত কিছু ব্যবহারের উদাহরণ এখানে দেওয়া হল:

• অনুবাদ : দ্রুত, সস্তা, উচ্চ-ভলিউম অনুবাদ, যেমন চ্যাট বার্তা, পর্যালোচনা এবং সহায়তা টিকিট ব্যাপকভাবে প্রক্রিয়াকরণ করা। আপনি কোনও অতিরিক্ত মন্তব্য ছাড়াই কেবল অনুবাদিত পাঠ্যের আউটপুট সীমাবদ্ধ করতে সিস্টেম নির্দেশাবলী ব্যবহার করতে পারেন:

  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)
  

• ট্রান্সক্রিপশন : রেকর্ডিং, ভয়েস নোট, অথবা যেকোনো অডিও কন্টেন্ট প্রক্রিয়া করুন যেখানে আপনার টেক্সট ট্রান্সক্রিপ্টের প্রয়োজন হয়, আলাদা স্পিচ-টু-টেক্সট পাইপলাইন না ঘুরিয়ে। মাল্টিমোডাল ইনপুট সমর্থন করে, যাতে আপনি ট্রান্সক্রিপশনের জন্য সরাসরি অডিও ফাইলগুলি পাস করতে পারেন:

  # 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)
  

• হালকা এজেন্টিক কাজ এবং ডেটা নিষ্কাশন : কাঠামোগত JSON আউটপুট সহ সমর্থিত সত্তা নিষ্কাশন, শ্রেণিবিন্যাস এবং হালকা ডেটা প্রক্রিয়াকরণ পাইপলাইন। উদাহরণস্বরূপ, একটি ই-কমার্স গ্রাহক পর্যালোচনা থেকে কাঠামোগত ডেটা নিষ্কাশন:

  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)
  

• ডকুমেন্ট প্রক্রিয়াকরণ এবং সারসংক্ষেপ : পিডিএফ পার্স করুন এবং সংক্ষিপ্ত সারসংক্ষেপ ফেরত দিন, যেমন একটি ডকুমেন্ট প্রক্রিয়াকরণ পাইপলাইন তৈরি করা বা আগত ফাইলগুলিকে দ্রুত ট্রাইজ করা:

  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)
  

• মডেল রাউটিং : একটি কম-বিলম্বিত এবং কম খরচের মডেল ব্যবহার করুন যা কাজের জটিলতার উপর ভিত্তি করে উপযুক্ত মডেলে প্রশ্নগুলিকে রুট করে। এটি উৎপাদনের একটি বাস্তব ধরণ - ওপেন-সোর্স জেমিনি সিএলআই কাজের জটিলতা শ্রেণীবদ্ধ করতে এবং সেই অনুযায়ী ফ্ল্যাশ বা প্রোতে রুট করতে ফ্ল্যাশ-লাইট ব্যবহার করে।

  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)
  

• চিন্তাভাবনা : ধাপে ধাপে যুক্তি থেকে উপকৃত কাজগুলির জন্য আরও সঠিকতার জন্য, চিন্তাভাবনা কনফিগার করুন যাতে মডেলটি চূড়ান্ত আউটপুট তৈরি করার আগে অভ্যন্তরীণ যুক্তির উপর অতিরিক্ত গণনা ব্যয় করে:

  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)