Gemini 3.1 Flash-Lite

Gemini 3.1 Flash-Lite è un modello multimodale a bassa latenza ed economico, ottimizzato per attività ad alta frequenza e leggere. Il modello supporta input di testo, immagini, video, audio e PDF ed è progettato per Agentic Workflows ad alto volume, estrazione dati semplice e applicazioni in cui la latenza e il costo delle API sono i vincoli principali.

gemini-3.1-flash-lite

Guida per gli sviluppatori

Gemini 3.1 Flash-Lite è ideale per gestire attività semplici su larga scala. Ecco alcuni casi d'uso più adatti per Gemini 3.1 Flash-Lite:

• Traduzione: traduzione rapida, economica e di volumi elevati, ad esempio l'elaborazione di messaggi chat, recensioni e ticket di assistenza su larga scala. Puoi utilizzare le istruzioni di sistema per limitare l'output solo al testo tradotto, senza commenti aggiuntivi:

  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)
  

• Trascrizione: elabora registrazioni, note vocali o qualsiasi contenuto audio di cui hai bisogno di una trascrizione di testo senza creare una pipeline di conversione della voce in testo separata. Supporta input multimodali, quindi puoi passare i file audio direttamente per la trascrizione:

  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)
  

• Attività agentiche leggere ed estrazione dati: estrazione di entità, classificazione e pipeline di trattamento dati leggere supportate con output JSON strutturato. Ad esempio, l'estrazione di dati strutturati da una recensione di un cliente di un sito di e-commerce:

  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)
  

• Elaborazione e riepilogo dei documenti: analizza i PDF e restituisci riepiloghi concisi, ad esempio per creare una pipeline di elaborazione dei documenti o per valutare rapidamente i file in entrata:

  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)
  

• Routing del modello: utilizza un modello a bassa latenza e a basso costo come classificatore che indirizza le query al modello appropriato in base alla complessità dell'attività. Questo è un pattern reale in produzione: l'interfaccia a riga di comando Gemini CLI open source utilizza Flash-Lite per classificare la complessità delle attività e indirizzarle a Flash o Pro di conseguenza.

  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)
  

• Ragionamento: per una maggiore accuratezza nelle attività che traggono vantaggio dal ragionamento passo passo, configura il ragionamento in modo che il modello dedichi più risorse di calcolo al ragionamento interno prima di produrre l'output finale:

  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)