Gemini 3.1 Flash-Lite

Gemini 3.1 Flash-Lite to wielomodalny model o krótkim czasie oczekiwania i wysokiej opłacalności, zoptymalizowany pod kątem częstych, prostych zadań. Model obsługuje dane wejściowe w postaci tekstu, obrazów, filmów, plików audio i PDF. Jest przeznaczony do Agentic Workflows o dużej liczbie żądań, prostego wyodrębniania danych i aplikacji, w których głównymi ograniczeniami są czas oczekiwania i koszt interfejsu API.

gemini-3.1-flash-lite

Przewodnik dla programistów

Gemini 3.1 Flash-Lite najlepiej sprawdza się w przypadku prostych zadań na dużą skalę. Oto kilka przypadków użycia, w których Gemini 3.1 Flash-Lite sprawdza się najlepiej:

• Tłumaczenie: szybkie, tanie i masowe tłumaczenie, np. przetwarzanie wiadomości na czacie, opinii i zgłoszeń do pomocy na dużą skalę. Możesz użyć instrukcji systemowych, aby ograniczyć dane wyjściowe tylko do przetłumaczonego tekstu bez dodatkowych komentarzy:

  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)
  

• Transkrypcja: przetwarzaj nagrania, notatki głosowe lub dowolne treści audio, gdy potrzebujesz transkrypcji tekstu, bez konieczności tworzenia osobnego potoku zamiany mowy na tekst. Obsługuje dane multimodalne, dzięki czemu możesz bezpośrednio przekazywać pliki audio do transkrypcji:

  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)
  

• Lekkie zadania agentowe i wyodrębnianie danych: wyodrębnianie encji, klasyfikacja i lekkie potoki przetwarzania danych obsługiwane przez uporządkowane dane wyjściowe JSON. Na przykład wyodrębnianie uporządkowanych danych z opinii klienta w 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)
  

• Przetwarzanie i podsumowywanie dokumentów: analizuj pliki PDF i zwracaj zwięzłe podsumowania, np. na potrzeby tworzenia potoku przetwarzania dokumentów lub szybkiego sortowania przychodzących plików:

  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)
  

• Kierowanie do odpowiedniego modelu: używaj modelu o niskim czasie oczekiwania i niskich kosztach jako klasyfikatora, który kieruje zapytania do odpowiedniego modelu na podstawie złożoności zadania. To prawdziwy wzorzec w środowisku produkcyjnym – interfejs wiersza poleceń Gemini typu open source używa modelu Flash-Lite do klasyfikowania złożoności zadań i kierowania ich do modelu Flash lub Pro.

  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)
  

• Myślenie: aby zwiększyć dokładność zadań, które wymagają rozumowania krok po kroku, skonfiguruj myślenie, aby model przeznaczał dodatkowe zasoby obliczeniowe na wewnętrzne rozumowanie przed wygenerowaniem ostatecznego wyniku:

  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)