Gemini 3.1 Flash-Lite (Vorabversion)

Unser kostengünstigstes multimodales Modell bietet die schnellste Leistung für häufige, einfache Aufgaben. Gemini 3.1 Flash-Lite eignet sich am besten für agentenbasierte Aufgaben mit hohem Volumen, einfache Datenextraktion und Anwendungen mit extrem niedriger Latenz, bei denen Budget und Geschwindigkeit die primären Einschränkungen sind.

gemini-3.1-flash-lite-preview

Entwicklerleitfaden

Gemini 3.1 Flash-Lite eignet sich am besten für die Verarbeitung unkomplizierter Aufgaben in großem Umfang. Hier sind einige Anwendungsfälle, die sich am besten für Gemini 3.1 Flash-Lite eignen:

• Übersetzung: Schnelle, kostengünstige Übersetzung großer Mengen, z. B. die Verarbeitung von Chatnachrichten, Rezensionen und Supporttickets in großem Umfang. Mit Systemanweisungen können Sie die Ausgabe auf den übersetzten Text ohne zusätzlichen Kommentar beschränken:

  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)
  

• Transkription: Verarbeiten Sie Aufnahmen, Sprachnotizen oder beliebige Audioinhalte, für die Sie ein Texttranskript benötigen, ohne eine separate Speech-to-Text-Pipeline zu starten. Unterstützt multimodale Eingaben, sodass Sie Audiodateien direkt zur Transkription übergeben können:

  # 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)
  

• Einfache agentenbasierte Aufgaben und Datenextraktion: Unterstützung von Pipelines für die Entitätsextraktion, Klassifizierung und einfache Datenverarbeitung mit strukturierter JSON-Ausgabe. Beispiel: Extrahieren strukturierter Daten aus einer Kundenrezension für ein E-Commerce-Unternehmen:

  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)
  

• Dokumentverarbeitung und ‑zusammenfassung: PDFs parsen und prägnante Zusammenfassungen zurückgeben, z. B. zum Erstellen einer Dokumentverarbeitungs-Pipeline oder zum schnellen Sortieren eingehender Dateien:

  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)
  

• Modell-Routing: Verwenden Sie ein Modell mit niedriger Latenz und niedrigen Kosten als Klassifikator, der Anfragen basierend auf der Komplexität der Aufgabe an das entsprechende Modell weiterleitet. Dies ist ein echtes Muster in der Produktion – die Open-Source-Gemini CLI verwendet Flash-Lite, um die Komplexität von Aufgaben zu klassifizieren und entsprechend an Flash oder Pro weiterzuleiten.

  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)
  

• Überlegung: Um die Genauigkeit von Aufgaben zu verbessern, die von einer schrittweisen Argumentation profitieren, konfigurieren Sie die Überlegung so, dass das Modell zusätzliche Rechenleistung für die interne Argumentation aufwendet, bevor es die endgültige Ausgabe erstellt:

  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)