Gemini 3.1 Flash-Lite

Gemini 3.1 Flash-Lite, yüksek sıklıkta ve basit görevler için optimize edilmiş, düşük gecikmeli ve uygun maliyetli bir çok formatlı modeldir. Model; metin, resim, video, ses ve PDF girişlerini destekler. Ayrıca yüksek hacimli aracı iş akışları, basit veri ayıklama ve gecikme ile API maliyetinin temel kısıtlamalar olduğu uygulamalar için tasarlanmıştır.

gemini-3.1-flash-lite

Geliştirici kılavuzu

Gemini 3.1 Flash-Lite, basit görevleri büyük ölçekte yönetmek için en uygun modeldir. Gemini 3.1 Flash-Lite'ın en uygun olduğu bazı kullanım alanları:

• Çeviri: Sohbet mesajları, yorumlar ve destek talepleri gibi büyük hacimli içeriklerin hızlı ve uygun maliyetli bir şekilde çevrilmesi. Çıkışı yalnızca çevrilmiş metinle sınırlamak için sistem talimatlarını kullanabilirsiniz. Bu durumda, ek yorumlar yer almaz:

  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)
  

• Transkripsiyon: Ayrı bir konuşma tanıma ardışık düzeni oluşturmadan, metin transkriptine ihtiyaç duyduğunuz kayıtları, sesli notları veya ses içeriklerini işleyin. Çok formatlı girişleri desteklediği için transkripsiyon için doğrudan ses dosyaları gönderebilirsiniz:

  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)
  

• Basit aracı görevleri ve veri ayıklama: Yapılandırılmış JSON çıkışıyla desteklenen, öğe ayıklama, sınıflandırma ve basit veri işleme ardışık düzenleri. Örneğin, bir e-ticaret müşteri yorumundan yapılandırılmış verileri ayıklama:

  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)
  

• Belge işleme ve özetleme: PDF'leri ayrıştırın ve kısa özetler döndürün. Örneğin, belge işleme ardışık düzeni oluşturma veya gelen dosyaları hızlı bir şekilde önceliklendirme:

  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)
  

• Model yönlendirme: Sorguları görev karmaşıklığına göre uygun modele yönlendiren bir sınıflandırıcı olarak düşük gecikmeli ve düşük maliyetli bir model kullanın. Bu, üretimde kullanılan gerçek bir kalıptır. Açık kaynaklı Gemini CLI, görev karmaşıklığını sınıflandırmak ve buna göre Flash veya Pro'ya yönlendirmek için Flash-Lite'ı kullanır.

  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)
  

• Düşünme: Adım adım akıl yürütme gerektiren görevlerde daha iyi doğruluk için düşünme özelliğini, modelin nihai çıktıyı oluşturmadan önce dahili akıl yürütme için ek işlem gücü harcayacak şekilde yapılandırın:

  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)