Gemini 3.1 Flash Lite

Gemini 3.1 Flash-Lite ist ein kostengünstiges multimodales Modell mit niedriger Latenz, das für häufige, einfache Aufgaben optimiert ist. Das Modell unterstützt Text-, Bild-, Video-, Audio- und PDF-Eingaben und ist für umfangreiche agentische Workflows, einfache Datenextraktion und Anwendungen konzipiert, bei denen Latenz und API-Kosten die primären Einschränkungen sind.

gemini-3.1-flash-lite

Entwicklerleitfaden

Gemini 3.1 Flash-Lite eignet sich am besten für einfache Aufgaben in großem Umfang. Hier sind einige Anwendungsfälle, für die sich Gemini 3.1 Flash-Lite besonders gut eignet:

• Übersetzung: Schnelle, günstige und umfangreiche Übersetzung, z. B. die Verarbeitung von Chatnachrichten, Rezensionen und Support-Tickets in großem Umfang. Mit Systemanweisungen können Sie die Ausgabe auf den übersetzten Text ohne zusätzliche Kommentare beschränken:

  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)
  

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

  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)
  

• Einfache agentische Aufgaben und Datenextraktion: Entitätsextraktion, Klassifizierung und einfache Datenverarbeitungspipelines, die mit strukturierter JSON-Ausgabe unterstützt werden. Beispiel: Strukturierte Daten aus einer E-Commerce-Kundenrezension extrahieren:

  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)
  

• Dokumentverarbeitung und -zusammenfassung: PDFs parsen und prägnante Zusammenfassungen zurückgeben, z. B. zum Erstellen einer Pipeline für die Dokumentverarbeitung oder zum schnellen Triagieren eingehender Dateien:

  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)
  

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

  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)
  

• Thinking: Wenn Sie die Accuracy für Aufgaben verbessern möchten, die von einer schrittweisen Argumentation profitieren, konfigurieren Sie „Thinking“, damit das Modell zusätzliche Rechenleistung für die interne Argumentation aufwendet, bevor es die endgültige Ausgabe generiert:

  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)