‫Gemini 3.1 Flash-Lite

‫Gemini 3.1 Flash-Lite הוא מודל מולטימודאלי חסכוני עם זמן אחזור נמוך שעבר אופטימיזציה למשימות קלות בתדירות גבוהה. המודל תומך בקלט של טקסט, תמונות, סרטונים, אודיו וקובצי PDF, והוא מיועד לתהליכי עבודה של סוכנים עם נפח גבוה, לחילוץ נתונים פשוט ולאפליקציות שבהן חביון ועלות API הם האילוצים העיקריים.

gemini-3.1-flash-lite

מדריך למפתחים

‫Gemini 3.1 Flash-Lite הוא המודל הכי טוב לטיפול במשימות פשוטות בהיקף גדול. הנה כמה תרחישי שימוש שמתאימים במיוחד ל-Gemini 3.1 Flash-Lite:

• תרגום: תרגום מהיר, זול ובנפח גבוה, כמו עיבוד של הודעות בצ'אט, ביקורות וכרטיסי תמיכה בקנה מידה גדול. אתם יכולים להשתמש בהוראות מערכת כדי להגביל את הפלט לטקסט המתורגם בלבד, ללא פרשנות נוספת:

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

• תמלול: עיבוד של הקלטות, תזכורות קוליות או כל תוכן אודיו שרוצים לתמלל לטקסט בלי להפעיל צינור נפרד של המרת דיבור לטקסט. תמיכה בקלט מולטימודאלי, כך שאפשר להעביר קובצי אודיו ישירות לתמלול:

  from google import genai
  
  client = genai.Client()
  
  # 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",
    contents=[prompt, uploaded_file]
  )
  
  print(response.text)
  

• משימות קלות משקל שמבוססות על סוכנים וחילוץ נתונים: חילוץ ישויות, סיווג וצינורות לעיבוד נתונים קלים משקל שנתמכים על ידי פלט JSON מובנה. לדוגמה, חילוץ נתונים מובְנים מביקורת מלקוח באתר מסחר אלקטרוני:

  from google import genai
  from pydantic import BaseModel, Field
  
  client = genai.Client()
  
  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",
      contents=[prompt, input_text],
      config={
          "response_mime_type": "application/json",
          "response_json_schema": ReviewAnalysis.model_json_schema(),
      },
  )
  
  print(response.text)
  

• עיבוד מסמכים וסיכום שלהם: ניתוח קובצי PDF והחזרת סיכומים תמציתיים, למשל כדי ליצור צינור לעיבוד מסמכים או כדי לתעדף במהירות קבצים נכנסים:

  from google import genai
  from google.genai import types
  import httpx
  
  client = genai.Client()
  
  # 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",
      contents=[
          types.Part.from_bytes(
              data=doc_data,
              mime_type='application/pdf',
          ),
          prompt
      ]
  )
  
  print(response.text)
  

• ניתוב מודלים: שימוש במודל עם חביון נמוך ועלות נמוכה כסיווג שמעביר שאילתות למודל המתאים על סמך מורכבות המשימה. זהו דפוס אמיתי בייצור – Gemini CLI בקוד פתוח משתמש ב-Flash-Lite כדי לסווג את מורכבות המשימה ולנתב אותה ל-Flash או ל-Pro בהתאם.

  from google import genai
  
  client = genai.Client()
  
  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",
      contents=user_input,
      config={
          "system_instruction": CLASSIFIER_SYSTEM_PROMPT,
          "response_mime_type": "application/json",
          "response_json_schema": response_schema
      },
  )
  
  print(response.text)
  

• חשיבה: כדי לשפר את הדיוק במשימות שבהן יש יתרון להסקה שלב אחר שלב, אפשר להגדיר חשיבה כך שהמודל יקדיש יותר משאבי מחשוב להסקה פנימית לפני יצירת הפלט הסופי:

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