Gemini 3.1 Flash Lite Preview ist Googles hocheffizientes Modell, optimiert für hochvolumige Anwendungsfälle. Es übertrifft Gemini 2.5 Flash Lite in der Gesamtqualität und nähert sich der Leistung von Gemini 2.5 Flash an über ...
Google Gemini 3.1 Flash Lite Preview ist eine Vorschauversion einer leichten Variante der Gemini 3.1-Serie. Sie wurde entwickelt, um starke Reasoning-Fähigkeiten und multimodales Verständnis zu einem…
Google Gemini 3.1 Flash Lite Preview eignet sich hervorragend für Aufgaben, die die Verarbeitung großer Mengen an Text- oder Multimodal-Daten in einem einzigen Kontext erfordern. Anwendungsfälle umfassen die Beantwortung von Fragen zu langen Dokumenten, bei denen der gesamte Text als Kontext bereitgestellt werden kann; Videozusammenfassung und -analyse, bei denen mehrere Frames oder Clips kombiniert werden; sowie Audiotranskription mit kontextbezogenem Denken. Das große Kontextfenster macht es effektiv für Aufgaben wie Vertragsprüfung, juristische Recherche und Analyse wissenschaftlicher Arbeiten. Mit einem GPQA-Diamond-Wert von 82,2 deutet es auf eine starke Leistung bei anspruchsvollen Denkfragen auf Graduiertenniveau hin, sodass es auch für komplexe Problemlösungen in Naturwissenschaften, Mathematik und Ingenieurwesen nützlich ist. Darüber hinaus ermöglicht die multimodale Unterstützung Aufgaben wie Bildbeschriftung in Kombination mit Textanweisungen oder dateibasierte Datenextraktion aus PDFs und Tabellenkalkulationen.
Die Hauptstärken des Modells sind sein sehr großes 1M-Token-Kontextfenster, seine multimodalen Eingabefähigkeiten und seine wettbewerbsfähige Argumentationsleistung zu einem niedrigen Preis. Die Preisgestaltung von $0.25/$1.50 pro Million Token gehört zu den günstigsten für ein Modell mit dieser Kontextgröße und Benchmark-Punktzahl. Das GPQA Diamond Ergebnis von 82.2 zeigt, dass das Modell komplexe, mehrstufige Argumentationsaufgaben bewältigen kann, die oft tiefes Verständnis erfordern. Die Fähigkeit, Text, Bild, Video, Datei und Audio in derselben Anfrage zu akzeptieren, bedeutet, dass Anwendungen Informationen über Modalitäten hinweg korrelieren können, ohne dass externe Datenfragmentierung auftritt. Für Entwickler, die OrcaRouter verwenden, stellt die Nullaufschlag-Abrechnung sicher, dass die Kosten vorhersehbar bleiben und den Tarifen des Anbieters entsprechen. Die OpenAI-kompatible API reduziert die Integrationshürden weiter.
Trotz seiner geringen Kosten kann dieses Modell für sehr einfache Aufgaben wie Kurztextklassifikation, kleinere Zusammenfassungen oder einzelne Übersetzungen übertrieben sein. Für solche Anwendungsfälle könnten noch günstigere Einbettungen oder spezialisierte Klassifikatoren kosteneffizienter sein. Wenn Ihre Anwendung zudem extrem niedrige Latenzzeiten (unter 100 ms) erfordert, könnte ein speziell entwickeltes Flash-Modell oder eine kleinere Variante vorzuziehen sein. Der Vorschau-Charakter dieses Modells bedeutet auch, dass es für die Produktionszuverlässigkeit noch nicht vollständig optimiert ist; für geschäftskritische Arbeitslasten ist möglicherweise eine stabile Version oder eine Alternative besser geeignet. Wenn Ihre Kontextlängen schließlich durchweg kurz sind (z. B. <10.000 Tokens), könnte ein kleineres, günstigeres Modell mit ähnlichen Fähigkeiten niedrigere Kosten pro Anfrage verursachen.
GPQA Diamond ist ein Benchmark, der aus Multiple-Choice-Fragen auf dem Niveau wissenschaftlichen Denkens auf Graduiertenniveau besteht. Eine Punktzahl von 82,2 bedeutet, dass das Modell 82,2 % dieser anspruchsvollen Fragen richtig beantwortet hat. Dies liegt deutlich über dem Zufallsniveau und weist auf eine starke Argumentationsfähigkeit hin, insbesondere in Bereichen wie Physik, Chemie und Biologie. Es deutet darauf hin, dass das Modell nuancierte, mehrschrittige Inferenzen bewältigen kann, die Fachwissen und logische Deduktion erfordern. Obwohl GPQA Diamond ein guter Indikator für die Denktiefe ist, misst es nicht andere Aspekte wie Kreativität, Befolgen von Anweisungen oder Sicherheit. Zum Vergleich: Viele Modelle erzielen Punktzahlen im Bereich von 60–80 %, wobei die besten Modelle gelegentlich über 90 % liegen. Daher ist 82,2 ein wettbewerbsfähiges Ergebnis für ein leichtes Vorschaumodell.
Genaue Latenzwerte für Google Gemini 3.1 Flash Lite Preview wurden von Google nicht öffentlich bekannt gegeben. Im Allgemeinen sind „Flash Lite“-Modelle der Gemini-Familie darauf ausgelegt, Durchsatz und Kosteneffizienz über die rohe Geschwindigkeit zu priorisieren. Sie haben in der Regel eine höhere Latenz pro Anfrage im Vergleich zu dedizierten „Flash“-Modellen, wenn der Kontext lang ist, aufgrund der großen Kontextfenstergröße. Bei kurzen Prompts kann die Latenz jedoch mit anderen leichten Modellen vergleichbar sein. Da das Modell über die Infrastruktur von Google mittels OrcaRouter läuft, können Netzwerklatenz und Warteschlangen die End-to-End-Antwortzeit beeinflussen. Benutzer sollten mit ihren eigenen Daten und erwarteten Kontextgrößen benchmarken, um festzustellen, ob die Latenz ihren Anforderungen entspricht. Wenn extrem niedrige Latenz unerlässlich ist, erwägen Sie die Verwendung eines kleineren Modells oder eines schnelleren dedizierten Endpunkts.
Als Vorschaumodell kann Google Gemini 3.1 Flash Lite Preview eine geringere Zuverlässigkeit und Stabilität im Vergleich zu Produktionsversionen aufweisen. Es kann gelegentlich zu zielfremden Antworten oder Inkonsistenzen bei der multimodalen Integration kommen. Der GPQA-Score von 82,2 ist zwar stark, liegt aber unter den besten Full-Size-Modellen; für extrem komplexe Denkketten kann ein größeres Modell erforderlich sein. Die Unterstützung des Modells für Video- und Dateieingaben unterliegt Formateinschränkungen und verarbeitet möglicherweise nicht alle Codecs oder Dateitypen. Zudem stellt das 1M-Kontextfenster eine Obergrenze dar; die Verarbeitung nahe dieser Grenze kann zu erhöhter Latenz und Speichernutzung führen. Schließlich unterliegen Benutzer, die über OrcaRouter darauf zugreifen, den API-Richtlinien von OrcaRouter und etwaigen von ihnen festgelegten Ratenbegrenzungen. Standardmäßig werden keine Daten protokolliert, aber Benutzer sollten die Konfiguration überprüfen.
Die Preisgestaltung für Google Gemini 3.1 Flash Lite Preview basiert auf der Token-Nutzung, mit getrennten Tarifen für Eingabe- und Ausgabetokens. Eingabetokens werden mit 0,25 $ pro 1 Million Tokens abgerechnet, Ausgabetokens mit 1,50 $ pro 1 Million Tokens. Dies sind die Anbieterpreise von Google; OrcaRouter erhebt keinen Aufschlag, daher ist der angezeigte Preis der Preis, den der Anbieter verlangt. Es fallen keine zusätzlichen Gebühren für Authentifizierung oder API-Zugriff über die Standardnutzung hinaus an. Die Abrechnung erfolgt in Tokens, die ungefähr Wörtern oder Bild-/Video-/Audio-Chunks entsprechen, wie vom Tokenizer definiert. Da das Modell multimodale Eingaben unterstützt, wird jedes Bild, jedes Videobild oder jedes Audiosegment ebenfalls tokenisiert und zum Eingabegesamtbetrag gezählt. Die Preisgestaltung ist transparent und vorhersehbar für Benutzer, die ihre Token-Zahlen überwachen.
Das 1M Token-Kontextfenster kann die Kosten für Eingabetoken erheblich erhöhen, wenn das gesamte Fenster genutzt wird. Bei $0.25 pro Million Eingabetoken würde das Ausfüllen des gesamten 1M-Kontexts etwa $0.25 pro Anfrage plus Ausgabegebühren kosten. Für Anwendungen, die häufig große Kontexte verwenden, kann dies im Vergleich zu Modellen mit höheren Token-Raten dennoch wirtschaftlich sein. Wenn die Eingabe jedoch gekürzt oder zusammengefasst werden kann, können die Kosten gesenkt werden. Die Null-Aufschlag-Politik von OrcaRouter bedeutet, dass Sie für die Nutzung dieses Modells über ein Gateway keinen Aufpreis zahlen. Bei der Stapelverarbeitung können die Kosten pro Dokument sehr niedrig sein, da viele kurze Dokumente in einer einzigen Anfrage zusammengefasst werden können. Umgekehrt kann ein Modell mit einer höheren Token-Rate, aber kürzerem Kontext, wenn die Kontextfenster immer klein sind, aufgrund des geringeren Gesamttokenverbrauchs effizienter sein.
Die Preisseite von OrcaRouter gibt an, dass für dieses Modell die Standardabrechnung gilt; derzeit gibt es keine spezifische Erwähnung von Caching-Rabatten für Google Gemini 3.1 Flash Lite Preview. Caching ist eine Funktion, die einige Anbieter anbieten, um Kosten für wiederholte Inhalte zu senken, wird aber derzeit für dieses Modell nicht aufgeführt. Benutzer sollten die neueste OrcaRouter-Dokumentation prüfen oder den Support kontaktieren, um sich nach zukünftigen Caching-Optionen zu erkundigen. In Ermangelung von Caching sind die Kosten pro Anfrage einfach die Summe der Eingabe- und Ausgabetoken multipliziert mit den jeweiligen Tarifen. Zur Kostenkontrolle sollten Sie Techniken zur Prompt-Optimierung in Betracht ziehen, wie das Reduzieren unnötigen Kontexts, das Kürzen von Systemnachrichten und das Bündeln ähnlicher Anfragen, um die Tokeneffizienz zu maximieren.
Um Google Gemini 3.1 Flash Lite Preview zu nutzen, senden Sie Anfragen an den OpenAI-kompatiblen API-Endpunkt von OrcaRouter. Die Basis-URL lautet https://api.orcarouter.ai/v1. Setzen Sie den Modellparameter auf "google/gemini-3.1-flash-lite-preview". Die Authentifizierung erfolgt über einen API-Schlüssel, der im Authorization-Header als `Bearer YOUR_API_KEY` platziert wird. Die API unterstützt die standardmäßigen OpenAI Chat Completion-Parameter, darunter messages (mit Rollen: system, user, assistant), temperature, top_p, max_tokens, stop sowie frequency/presence penalties. Für multimodale Eingaben verwenden Sie das `content`-Array-Format mit `type`-Feldern für text, image_url oder andere unterstützte Medien. Das Modell akzeptiert auch Datei- und Audio-Eingaben; lesen Sie die Dokumentation von OrcaRouter für das genaue Format dieser Modalitäten.
Die API akzeptiert die meisten Standardparameter für OpenAI Chat Completion. Zu den wichtigsten Parametern gehören: `messages` (erforderlich), `max_tokens` (bis zu 65,536), `temperature` (0–2, Standard 1), `top_p` (0–1, Standard 1), `n` (Anzahl der Vervollständigungen, Standard 1), `stop` (Liste von Zeichenfolgen), `frequency_penalty`, `presence_penalty` und `stream` (boolesch). Das Modell unterstützt keine benutzerdefinierten Google-spezifischen Parameter über die hinaus, die von der Kompatibilitätsschicht von OrcaRouter bereitgestellt werden. Für multimodale Anfragen akzeptiert das `content`-Feld in jeder Nachricht ein Array von Objekten mit `type` (z. B. "text", "image_url", "input_audio") und entsprechenden Daten. Bei Dateieingaben muss die Datei in eine unterstützte URL hochgeladen oder inline base64-kodiert werden. OrcaRouter kann zusätzliche Einschränkungen oder erforderliche Felder vorschreiben; konsultieren Sie deren API-Referenz für genaue Details.
Wenn Sie bereits ein Google Gemini Modell (z. B. gemini-2.0-flash) über OrcaRouter verwenden, ist der Umstieg auf dieses Vorschau-Modell unkompliziert. Ändern Sie das Feld `model` in Ihren API-Anfragen von der alten Modell-ID zu "google/gemini-3.1-flash-lite-preview". Es sind keine weiteren Änderungen am API-Endpunkt, der Authentifizierung oder dem Nachrichtenformat erforderlich. Beachten Sie jedoch, dass das neue Modell möglicherweise eine andere Tokenisierung, andere Ausgabelängenbegrenzungen und ein anderes Verhalten aufweist. Es wird empfohlen, mit einigen Beispielanfragen zu testen und die Ausgaben zu vergleichen. Die Eingabeformate sind dieselben wie bei anderen Gemini-Modellen, daher sollten multimodale Nutzdaten ohne Änderung funktionieren. Wenn Sie modellspezifische Parameter verwendet haben, die nicht im OpenAI-kompatiblen Satz enthalten sind, müssen diese möglicherweise entfernt oder angepasst werden. Beachten Sie abschließend, dass es sich um ein Vorschaumodell handelt, daher ist es möglicherweise nicht in allen Regionen verfügbar oder hat eine begrenzte Kapazität.
Die Basis-URL für alle API-Aufrufe ist https://api.orcarouter.ai/v1. Der genaue Modell-Identifier, der im Parameter `model` verwendet werden soll, ist "google/gemini-3.1-flash-lite-preview". Dieser Identifier unterscheidet zwischen Groß- und Kleinschreibung. Ein vollständiger curl-Request sieht beispielsweise so aus: curl https://api.orcarouter.ai/v1/chat/completions -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"model":"google/gemini-3.1-flash-lite-preview","messages":[{"role":"user","content":"Hello"}]}'. Stellen Sie sicher, dass Sie YOUR_API_KEY durch Ihren tatsächlichen OrcaRouter-API-Schlüssel ersetzen. Das Antwortformat folgt der Chat-Completion-Struktur von OpenAI und enthält die Felder id, object, choices und usage mit Token-Zählungen.
Im Vergleich zu Gemini 2.0 Flash bietet die 3.1 Flash Lite Preview ein viel größeres Kontextfenster (1M vs 128K Tokens) und eine höhere maximale Ausgabe (65K vs 8K Tokens). Ihr GPQA Diamond Score von 82.2 ist deutlich höher als der typische Bereich von 2.0 Flash im mittleren 60er-Bereich, was auf eine stärkere Argumentationsfähigkeit hindeutet. Die Preise für 3.1 Flash Lite Preview liegen bei $0.25/$1.50 pro Million Tokens, während Gemini 2.0 Flash bei $0.10/$0.40 pro Million Tokens liegt – das neue Modell ist also pro Token teurer, bietet aber eine viel größere Kontext- und Argumentationsfähigkeit. Für Aufgaben, die den größeren Kontext und eine höhere Argumentationsfähigkeit erfordern, kann der Preisaufschlag gerechtfertigt sein. Für kurze Kontexte und einfache Aufgaben bleibt Gemini 2.0 Flash kosteneffizienter. Beide unterstützen multimodale Eingaben, aber 3.1 fügt Datei- und Audiomodalitäten hinzu.
GPT-4o mini hat ein Kontextfenster von 128K Token und eine Ausgabe von 16K Token, mit Preisen von 0,15 $/0,60 $ pro Million Token. Google Gemini 3.1 Flash Lite Preview hat ein 1M-Kontextfenster, 65K Ausgabe und eine Preisgestaltung von 0,25 $/1,50 $. Das Gemini-Modell bietet das 8-fache des Kontexts und das 4-fache der Ausgabe, jedoch zu etwa 67 % höheren Eingabekosten und 150 % höheren Ausgabekosten. Bei GPQA Diamond erreicht GPT-4o mini ebenfalls etwa 82 Punkte, sodass sie in der Argumentation vergleichbar sind. Die Wahl hängt von den Kontextanforderungen ab: Wenn Sie einen Kontext von >128K benötigen, ist das Gemini-Modell die einzige Option. Bei kleinem Kontext ist GPT-4o mini günstiger. Zudem unterstützt das Gemini-Modell Datei- und Audioeingaben, was GPT-4o mini über die Standard-API nicht tut.
Claude 3 Haiku von Anthropic bietet ein 200K-Kontextfenster und eine Ausgabe von 8K Tokens, mit Preisen von $0,25/$1,25 pro Million Tokens – sehr ähnliche Eingabekosten, aber etwas niedrigere Ausgabekosten als das Gemini-Modell. Gemini 3.1 Flash Lite Preview verfügt über den 5-fachen Kontext und die 8-fache Ausgabe. GPQA-Diamond-Werte für Claude 3 Haiku sind von Anthropic nicht öffentlich verfügbar, aber Haiku ist für Geschwindigkeit und kurze Aufgaben optimiert, nicht für tiefgehendes Denken. Der GPQA-Wert von 82,2 des Gemini-Modells deutet auf stärkere Denkfähigkeiten hin, während Haiku wahrscheinlich eine geringere Latenz aufweist. Für kostenempfindliche Aufgaben mit hohem Volumen und moderatem Kontext ist Haiku möglicherweise besser geeignet. Für Aufgaben, die einen sehr langen Kontext oder multimodales Denken (Video, Audio, Dateien) erfordern, bietet die Gemini-Preview deutliche Vorteile. Beide sind über OrcaRouter mit OpenAI-kompatiblen APIs zugänglich.
Das vollständige Gemini 3.1 Flash Modell hat typischerweise ein Kontextfenster von 256K Token und eine Ausgabe von 8K Token, mit Preisen von etwa 0,10 $/0,40 $ pro Million Token. Die Lite Preview Version hat einen viel größeren 1M Kontext und 65K Ausgabe, ist aber teurer (0,25 $/1,50 $). Die Lite Variante ist auf Kosteneffizienz im großen Maßstab ausgelegt, während das vollständige Flash Modell für Geschwindigkeit und kurze Prompts optimiert ist. In Benchmarks erzielt das vollständige Flash möglicherweise etwas höhere Werte bei einigen Metriken, aber der GPQA-Score von 82,2 der Lite Preview ist wettbewerbsfähig. Die Lite Version unterstützt auch mehr Eingabemodalitäten (Datei, Audio). Das Label „Preview“ deutet auf eine frühe Veröffentlichung hin; das vollständige Flash ist produktionsreif. Wenn Sie den größtmöglichen Kontext benötigen und die höheren Kosten pro Token nicht stören, ist die Lite Preview die bessere Wahl. Für schnelle, kurze Interaktionen bleibt das vollständige Flash vorzuziehen.
OpenAI-kompatibel — behalte dein bisheriges SDK
https://api.orcarouter.ai/v1https://api.orcarouter.aiimport os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="google/gemini-3.1-flash-lite-preview",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_tokensreasoningresponse_formatseedstopstructured_outputstemperaturetool_choicetoolstop_p| Eingabe / 1M Tokens | $0.250 |
|---|---|
| Ausgabe / 1M Tokens | $1.50 |
| Cache-Lesen / 1M | $0.025 |
| Währung | USD |
Schätzung auf Basis des Listenpreises
Nur eine Schätzung — die tatsächliche Token-Anzahl hängt vom Tokenizer des Anbieters ab.
Monatliche Kosten aller Modelle im LLM-Kostenrechner vergleichen
Worüber Entwickler diese Woche sprechen
GET /api/public/models/google/gemini-3.1-flash-lite-previewÖffnen @misc{orcarouter_gemini_3_1_flash_lite_preview,
title = {Gemini 3.1 Flash Lite Preview API},
author = {Google},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/google/gemini-3.1-flash-lite-preview}
}Google. (2026). Gemini 3.1 Flash Lite Preview API. OrcaRouter. https://www.orcarouter.ai/models/google/gemini-3.1-flash-lite-preview