Gemini 3.1 Flash-Lite

‫Gemini 3.1 Flash-Lite هو نموذج وسائط متعدّدة منخفض وقت الاستجابة وفعّال من حيث التكلفة، وهو محسّن للمهام المتكررة والخفيفة. يتوافق النموذج مع النصوص والصور والفيديوهات والمقاطع الصوتية وملفات PDF، وهو مصمّم لسير العمل الذي يتضمّن عددًا كبيرًا من الوكلاء، واستخراج البيانات البسيط، والتطبيقات التي تشكّل فيها مدة الاستجابة وتكلفة واجهة برمجة التطبيقات القيود الأساسية.

gemini-3.1-flash-lite

دليل مطوّري البرامج

يُعدّ Gemini 3.1 Flash-Lite الأفضل في التعامل مع المهام المباشرة على نطاق واسع. في ما يلي بعض حالات الاستخدام الأنسب لـ Gemini 3.1 Flash-Lite:

• الترجمة: ترجمة سريعة ورخيصة وبكميات كبيرة، مثل معالجة رسائل المحادثة والمراجعات وطلبات الدعم على نطاق واسع يمكنك استخدام تعليمات النظام لحصر الناتج على النص المترجَم فقط بدون أي تعليقات إضافية:

  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)
  

• تحويل الصوت إلى نص: يمكنك معالجة التسجيلات أو الملاحظات الصوتية أو أي محتوى صوتي آخر تحتاج فيه إلى نص مكتوب بدون إنشاء مسار منفصل لتحويل الصوت إلى نص. تتيح هذه الميزة إدخال وسائط متعددة، ما يتيح لك تمرير ملفات صوتية مباشرةً لتحويلها إلى نص:

  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)
  

• المهام الخفيفة المستندة إلى الوكلاء واستخراج البيانات: استخراج الكيانات والتصنيف وعمليات معالجة البيانات الخفيفة المتوافقة مع إخراج JSON المنظَّم على سبيل المثال، استخراج بيانات منظَّمة من مراجعة من عميل على موقع للتجارة الإلكترونية:

  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)
  

• معالجة المستندات وتلخيصها: تحليل ملفات PDF وعرض ملخّصات موجزة، مثلاً لإنشاء مسار معالجة المستندات أو تصنيف الملفات الواردة بسرعة:

  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)
  

• توجيه الطلبات إلى النماذج: استخدِم نموذجًا منخفض الاستجابة ومنخفض التكلفة كأداة تصنيف لتوجيه الطلبات إلى النموذج المناسب استنادًا إلى مدى تعقيد المهمة. هذا نمط حقيقي في مرحلة الإنتاج، إذ يستخدم Gemini CLI مفتوح المصدر Flash-Lite لتصنيف مدى تعقيد المهام وتوجيهها إلى Flash أو Pro وفقًا لذلك.

  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)
  

• التفكير: لتحسين دقة المهام التي تستفيد من الاستدلال خطوة بخطوة، اضبط إعدادات التفكير لكي يستهلك النموذج قدرًا إضافيًا من الموارد الحسابية في الاستدلال الداخلي قبل إنتاج الناتج النهائي:

  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)