Gemini 3.1 Flash-Lite

Gemini 3.1 Flash-Lite

고주파·경량 작업에 최적화된 저지연·비용 효율적 멀티모달 모델이에요. 텍스트, 이미지, 비디오, 오디오, PDF 입력을 지원하며, 지연 시간과 API 비용이 핵심 제약인 애플리케이션에 잘 맞아요.

출처: 원문

본문

Gemini 3.1 Flash-Lite는 고주파·경량 작업에 최적화된 저지연·비용 효율적 멀티모달 모델이에요. 텍스트, 이미지, 비디오, 오디오, PDF 입력을 지원하며, 대량 에이전트 워크플로, 단순 데이터 추출, 지연 시간과 API 비용이 주요 제약인 애플리케이션에 설계됐어요.

Google AI Studio에서 직접 사용해 볼 수 있어요.

gemini-3.1-flash-lite

개발자 가이드

Gemini 3.1 Flash-Lite는 상당한 규모에서 단순한 작업을 처리하는 데 가장 적합해요. 다음은 잘 맞는 사용 사례예요:

• 번역 (Translation): 채팅 메시지, 리뷰, 지원 티켓을 대규모로 처리하는 빠르고 저렴한 고용량 번역이에요. 시스템 지침으로 주석 없이 번역 텍스트만 출력하도록 제한할 수 있어요:

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)

• 받아쓰기 (Transcription): 별도 STT 파이프라인 없이 녹음, 음성 메모, 오디오 콘텐츠에서 텍스트 전사본이 필요할 때 유용해요. 멀티모달 입력을 지원하므로 오디오 파일을 직접 전달해서 전사할 수 있어요:

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)

• 경량 에이전트 작업·데이터 추출: 구조화 JSON 출력으로 엔티티 추출, 분류, 경량 데이터 처리 파이프라인을 지원해요. 예를 들어 이커머스 고객 리뷰에서 구조화 데이터를 추출해요:

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)

• 문서 처리·요약: PDF를 파싱해 간결한 요약을 반환해요. 문서 처리 파이프라인을 만들거나 들어오는 파일을 빠르게 분류할 때 유용해요:

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)

• 모델 라우팅: 저지연·저비용 모델을 분류기로 사용해 작업 복잡도에 따라 쿼리를 적절한 모델로 라우팅해요. 실제 운영에서 쓰이는 패턴인데, 오픈소스 Gemini CLI가 Flash-Lite로 작업 복잡도를 분류한 뒤 Flash나 Pro로 라우팅해요:

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)

• Thinking: 단계별 추론이 도움이 되는 작업에서 정확도를 높이려면, 최종 출력 전에 내부 추론에 추가 컴퓨팅을 쓰도록 thinking을 구성할 수 있어요:

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)

더 알아보기 (Learn more)

• Text generation
• Gemini API 시작하기
• 가격