Gemini 3.1 Flash-Lite

Gemini 3.1 Flash-Lite, कम इंतज़ार के समय वाला और किफ़ायती मल्टीमॉडल है. इसे बार-बार किए जाने वाले और आसान कामों के लिए ऑप्टिमाइज़ किया गया है. यह मॉडल टेक्स्ट, इमेज, वीडियो, ऑडियो, और PDF इनपुट के साथ काम करता है. इसे एजेंटिक वर्कफ़्लो के लिए डिज़ाइन किया गया है. साथ ही, यह डेटा निकालने की सुविधा और ऐसे ऐप्लिकेशन के लिए भी डिज़ाइन किया गया है जिनमें इंतज़ार का समय और एपीआई की लागत मुख्य समस्याएं हैं.

gemini-3.1-flash-lite

डेवलपर गाइड

Gemini 3.1 Flash-Lite, बड़े पैमाने पर आसान टास्क को हैंडल करने के लिए सबसे अच्छा है. Gemini 3.1 Flash-Lite का इस्तेमाल इन कामों के लिए सबसे सही है:

• अनुवाद: तेज़ी से, कम खर्च में, और बड़े पैमाने पर अनुवाद करना. जैसे, चैट मैसेज, समीक्षाएं, और सहायता टिकट को बड़े पैमाने पर प्रोसेस करना. सिस्टम से जुड़े निर्देशों का इस्तेमाल करके, आउटपुट को सिर्फ़ अनुवाद किए गए टेक्स्ट तक सीमित किया जा सकता है. इसके लिए, कोई अतिरिक्त टिप्पणी करने की ज़रूरत नहीं है:

  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)
  

• ट्रांसक्रिप्शन: रिकॉर्डिंग, वॉइस नोट या किसी भी ऑडियो कॉन्टेंट को प्रोसेस करें. इसके लिए, आपको बोली को लिखाई में बदलने वाली अलग पाइपलाइन की ज़रूरत नहीं है. यह मल्टीमोडल इनपुट के साथ काम करता है. इसलिए, ट्रांसक्रिप्शन के लिए ऑडियो फ़ाइलें सीधे तौर पर पास की जा सकती हैं:

  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)
  

• एजेंटिक टास्क और डेटा निकालने की सुविधा: स्ट्रक्चर्ड JSON आउटपुट के साथ, इकाई निकालने, डेटा को कैटगरी में बांटने, और डेटा प्रोसेसिंग पाइपलाइन की सुविधा. उदाहरण के लिए, ई-कॉमर्स ग्राहक की समीक्षा से स्ट्रक्चर्ड डेटा निकालना:

  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)
  

• दस्तावेज़ों को प्रोसेस करना और उनकी खास जानकारी पाना: PDF फ़ाइलों को पार्स करके उनकी खास जानकारी पाएं. जैसे, दस्तावेज़ों को प्रोसेस करने वाली पाइपलाइन बनाने या आने वाली फ़ाइलों को तुरंत छांटने के लिए:

  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)
  

• मॉडल रूटिंग: कम इंतज़ार के समय और कम लागत वाले मॉडल को क्लासिफ़ायर के तौर पर इस्तेमाल करें. यह मॉडल, टास्क की जटिलता के आधार पर क्वेरी को सही मॉडल पर भेजता है. यह प्रोडक्शन में इस्तेमाल होने वाला एक असल पैटर्न है. ओपन-सोर्स Gemini CLI, टास्क की जटिलता को समझने के लिए Flash-Lite का इस्तेमाल करता है. इसके बाद, वह टास्क को Flash या Pro पर भेजता है.

  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)
  

• थिंकिंग: सिलसिलेवार तरीके से तर्क करने वाले टास्क के लिए, ज़्यादा सटीक नतीजे पाने के लिए थिंकिंग को कॉन्फ़िगर करें. इससे मॉडल, फ़ाइनल आउटपुट देने से पहले, इंटरनल रीज़निंग पर ज़्यादा कंप्यूट खर्च करता है:

  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)