Gemini 3.1 Flash-Lite

Gemini 3.1 Flash-Lite เป็นโมเดลมัลติโมดัลที่มีเวลาในการตอบสนองต่ำและคุ้มค่า ซึ่งได้รับการปรับให้เหมาะกับงานที่มีความถี่สูงและมีขนาดเล็ก โมเดลนี้รองรับอินพุตข้อความ รูปภาพ วิดีโอ เสียง และ PDF และได้รับการออกแบบมาสำหรับเวิร์กโฟลว์แบบ Agent ที่มีปริมาณมาก การดึงข้อมูลอย่างง่าย และแอปพลิเคชันที่เวลาในการตอบสนองและค่าใช้จ่าย API เป็นข้อจำกัดหลัก

gemini-3.1-flash-lite

คู่มือนักพัฒนาซอฟต์แวร์

Gemini 3.1 Flash-Lite เหมาะที่สุดสำหรับการจัดการงานที่ไม่ซับซ้อนในระดับที่สำคัญ ต่อไปนี้คือกรณีการใช้งานที่เหมาะกับ Gemini 3.1 Flash-Lite มากที่สุด

• การแปล: การแปลปริมาณมากที่รวดเร็วและราคาไม่แพง เช่น การประมวลผล ข้อความแชท รีวิว และตั๋วสนับสนุนในระดับที่สำคัญ คุณสามารถใช้คำแนะนำของระบบเพื่อจำกัดเอาต์พุตให้มีเฉพาะข้อความที่แปลโดยไม่มีความคิดเห็นเพิ่มเติมได้

  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)
  

• การถอดเสียง: ประมวลผลไฟล์บันทึก โน้ตเสียง หรือเนื้อหาเสียงใดๆ ที่คุณต้องการข้อความถอดเสียงโดยไม่ต้องสร้างไปป์ไลน์การแปลงเสียงพูดเป็นข้อความแยกต่างหาก รองรับอินพุตมัลติโมดัล คุณจึงส่งไฟล์เสียงสำหรับการถอดเสียงได้โดยตรง

  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)
  

• งานแบบเอเจนต์ที่มีขนาดเล็กและการดึงข้อมูล: การแยกเอนทิตี, การจัดประเภท และไปป์ไลน์การประมวลผลข้อมูลที่มีขนาดเล็กซึ่งรองรับเอาต์พุต JSON ที่มีโครงสร้าง เช่น การแยก Structured Data จากรีวิวจากลูกค้าอีคอมเมิร์ซ

  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)
  

• การประมวลผลและการสรุปเอกสาร: แยกวิเคราะห์ PDF และแสดงข้อมูลสรุปที่กระชับ เช่น สำหรับการสร้างไปป์ไลน์การประมวลผลเอกสารหรือการจัดลำดับความสำคัญของไฟล์ขาเข้าอย่างรวดเร็ว:

  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)
  

• การกำหนดเส้นทางโมเดล: ใช้โมเดลที่มีเวลาในการตอบสนองต่ำและราคาไม่แพงเป็นตัวแยกประเภทที่ กำหนดเส้นทางคําค้นหาไปยังโมเดลที่เหมาะสมตามความซับซ้อนของงาน นี่เป็นรูปแบบที่ใช้จริงในการใช้งานจริง โดย Gemini CLI แบบโอเพนซอร์สใช้ Flash-Lite เพื่อแยกประเภทความซับซ้อนของงานและกำหนดเส้นทางไปยัง Flash หรือ Pro ตามความเหมาะสม

  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)
  

• การคิด: หากต้องการความแม่นยำที่มากขึ้นสำหรับงานที่ต้องใช้การให้เหตุผลแบบทีละขั้นตอน ให้กำหนดค่าการคิดเพื่อให้โมเดลใช้การคำนวณเพิ่มเติมในการให้เหตุผลภายในก่อนที่จะสร้างเอาต์พุตสุดท้าย

  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)