Gemini 3.1 Flash-Lite

Gemini 3.1 Flash-Lite は、低レイテンシで費用対効果に優れたマルチモーダル モデルで、頻度の高い軽量タスク向けに最適化されています。このモデルは、テキスト、画像、動画、音声、PDF の入力をサポートしており、大量のエージェント ワークフロー、シンプルなデータ抽出、レイテンシと API コストが主な制約となるアプリケーション向けに設計されています。

gemini-3.1-flash-lite

デベロッパー ガイド

Gemini 3.1 Flash-Lite は、大規模な単純なタスクの処理に最適です。Gemini 3.1 Flash-Lite に最適なユースケースをいくつかご紹介します。

• 翻訳: チャット メッセージ、レビュー、サポート チケットなどの 大規模な処理など、高速で安価な大量翻訳。システム命令を使用して、出力が翻訳されたテキストのみに制限され、追加の解説がないようにできます。

  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)
  

• 文字起こし: 別の音声テキスト変換パイプラインをスピンアップせずに、テキストの文字起こしが必要な録音、音声メモ、音声コンテンツを処理します。マルチモーダル入力をサポートしているため、音声ファイルを直接渡して文字起こしを行うことができます。

  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)
  

• 軽量なエージェント タスクとデータ抽出: エンティティ抽出、 分類、構造化 JSON 出力でサポートされる軽量データ処理パイプライン。たとえば、e コマースの購入者レビューから構造化データを抽出します。

  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)
  

• ドキュメントの処理と要約: PDF を解析して、ドキュメント処理パイプラインの構築や、受信ファイルの迅速な トリアージなど、簡潔な 要約を返します。

  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)
  

• モデル ルーティング: 低レイテンシで低コストのモデルを分類子として使用し、タスクの複雑さに基づいてクエリを適切なモデルに ルーティングします。これは実際のパターンです。オープンソースのGemini CLIは、Flash-Lite を使用してタスクの複雑さを分類し、それに応じて Flash または Pro にルーティングします。

  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)
  

• 思考: ステップごとの 推論が役立つタスクの精度を高めるには、最終的な出力を生成する前に、モデルが 内部推論に追加のコンピューティングを使用するように思考を構成します。

  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)