Gemini 3.1 Flash-Lite

Gemini 3.1 Flash-Lite – это экономичная мультимодальная модель с низкой задержкой, оптимизированная для часто повторяющихся простых задач. Модель поддерживает текстовые, графические, видео- и аудиозапросы, а также PDF-файлы. Она предназначена для рабочих процессов с большим объемом данных, простого извлечения данных и приложений, где задержка и стоимость API являются основными ограничениями.

gemini-3.1-flash-lite

Руководство для разработчиков

Gemini 3.1 Flash-Lite лучше всего подходит для выполнения простых задач в больших масштабах. Вот несколько примеров использования Gemini 3.1 Flash-Lite:

• Перевод. Быстрый и недорогой перевод больших объемов текста, например сообщений в чате, отзывов и запросов в службу поддержки. Вы можете использовать системные инструкции, чтобы ограничить выходные данные только переведенным текстом без дополнительных комментариев:

  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)
  

• Расшифровка. Обрабатывайте записи, голосовые заметки и другой аудиоконтент, для которого нужна текстовая расшифровка, без создания отдельного конвейера преобразования речи в текст. Поддерживает мультимодальные входные данные, поэтому вы можете передавать аудиофайлы напрямую для расшифровки.

  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)
  

• Простые агентные задачи и извлечение данных. Извлечение объектов, классификация и простые конвейеры обработки данных с поддержкой структурированных выходных данных JSON. Например, извлечение структурированных данных из отзыва клиента интернет-магазина:

  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)
  

• Обработка и краткий пересказ документов. Анализируйте PDF-файлы и получайте краткие пересказы, например для создания конвейера обработки документов или быстрой сортировки входящих файлов.

  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)
  

• Маршрутизация моделей. Используйте недорогую модель с низкой задержкой в качестве классификатора, который направляет запросы к подходящей модели в зависимости от сложности задачи. Это реальный шаблон в рабочей среде – Gemini CLI с открытым исходным кодом использует Flash-Lite для классификации сложности задач и соответствующей маршрутизации к Flash или 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)
  

• Рассуждение. Чтобы повысить точность выполнения задач, требующих пошагового рассуждения, настройте рассуждение, чтобы модель тратила дополнительные вычислительные ресурсы на внутреннее рассуждение перед созданием окончательного результата.

  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)