Gemini 3.1 Flash Lite Preview es el modelo de alta eficiencia de Google optimizado para casos de uso de alto volumen. Supera a Gemini 2.5 Flash Lite en calidad general y se aproxima al rendimiento de Gemini 2.5 Flash en...
Google Gemini 3.1 Flash Lite Preview es una versión preliminar de una variante ligera de la serie Gemini 3.1. Está diseñada para ofrecer un razonamiento sólido y comprensión multimodal a una fracción…
Google Gemini 3.1 Flash Lite Preview destaca en tareas que requieren procesar grandes volúmenes de datos textuales o multimodales en un solo contexto. Los casos de uso incluyen respuesta a preguntas sobre documentos largos, donde todo el texto puede ser proporcionado como contexto; resumen y análisis de video, donde se combinan varios fotogramas o clips; y transcripción de audio con razonamiento contextual. La ventana de contexto amplia lo hace efectivo para tareas como revisión de contratos, investigación legal y análisis de documentos académicos. Su puntuación de 82.2 en GPQA Diamond sugiere un rendimiento sólido en preguntas de razonamiento de nivel de posgrado, por lo que también es útil para la resolución de problemas complejos en ciencias, matemáticas e ingeniería. Además, su soporte multimodal permite tareas como subtitulado de imágenes combinado con instrucciones de texto, o extracción de datos basada en archivos a partir de PDFs y hojas de cálculo.
Las principales fortalezas del modelo son su ventana de contexto de 1M de tokens muy grande, capacidades de entrada multimodal y rendimiento de razonamiento competitivo a un precio bajo. El precio de $0.25/$1.50 por millón de tokens está entre los más asequibles para un modelo con este tamaño de contexto y puntuación de referencia. El resultado de 82.2 en GPQA Diamond indica que el modelo puede manejar tareas de razonamiento complejas y de varios pasos que a menudo requieren una comprensión profunda. La capacidad de aceptar texto, imagen, video, archivo y audio en la misma solicitud significa que las aplicaciones pueden correlacionar información a través de modalidades sin fragmentación de datos externa. Para los desarrolladores que usan OrcaRouter, la facturación sin margen garantiza que los costos se mantengan predecibles y alineados con las tarifas del proveedor. La API compatible con OpenAI reduce aún más la fricción de integración.
A pesar de su bajo costo, este modelo puede ser excesivo para tareas muy simples como clasificación de texto de formato corto, resúmenes a pequeña escala o traducciones de una sola vuelta. Para tales casos de uso, incluso embeddings más baratos o clasificadores dedicados podrían ser más rentables. Además, si su aplicación requiere una latencia extremadamente baja (menos de 100 ms), un modelo flash diseñado específicamente o una variante más pequeña pueden ser preferibles. La naturaleza preliminar de este modelo también significa que aún no está completamente optimizado para la confiabilidad en producción; para cargas de trabajo críticas, una versión estable o una alternativa pueden ser más apropiadas. Finalmente, si las longitudes de contexto son consistentemente cortas (por ejemplo, <10K tokens), un modelo más pequeño y económico con capacidades similares podría generar costos más bajos por solicitud.
GPQA Diamond es un benchmark compuesto por preguntas de opción múltiple al nivel del razonamiento científico de posgrado. Una puntuación de 82.2 significa que el modelo respondió correctamente el 82.2% de estas preguntas desafiantes. Esto lo sitúa muy por encima del azar e indica una fuerte capacidad de razonamiento, particularmente en dominios como física, química y biología. Sugiere que el modelo puede manejar inferencias matizadas y de múltiples pasos que requieren conocimiento del dominio y deducción lógica. Si bien GPQA Diamond es un buen indicador de profundidad de razonamiento, no mide otros aspectos como creatividad, seguimiento de instrucciones o seguridad. En comparación, muchos modelos logran puntuaciones en el rango de 60–80%, con los mejores modelos ocasionalmente superando el 90%. Por lo tanto, 82.2 es un resultado competitivo para un modelo ligero de vista previa.
Google no ha divulgado públicamente las cifras exactas de latencia para Google Gemini 3.1 Flash Lite Preview. En general, los modelos "Flash Lite" de la familia Gemini están diseñados para priorizar el rendimiento y la eficiencia de costos sobre la velocidad bruta. Por lo general, tienen una latencia por solicitud más alta en comparación con los modelos "Flash" dedicados cuando el contexto es largo, debido al gran tamaño de la ventana de contexto. Sin embargo, para indicaciones cortas, la latencia puede ser comparable a la de otros modelos ligeros. Debido a que el modelo se ejecuta en la infraestructura de Google a través de OrcaRouter, la latencia de red y la cola de espera también pueden afectar el tiempo de respuesta de extremo a extremo. Los usuarios deben realizar pruebas comparativas con sus propios datos y tamaños de contexto esperados para determinar si la latencia cumple con sus requisitos. Si la latencia ultrabaja es esencial, considere usar un modelo más pequeño o un endpoint dedicado más rápido.
Como modelo de vista previa, Google Gemini 3.1 Flash Lite Preview puede tener menor fiabilidad y estabilidad en comparación con las versiones de producción. Puede presentar respuestas ocasionales fuera de objetivo o inconsistencias en la integración multimodal. El puntaje GPQA de 82.2, aunque sólido, es inferior al de los modelos de tamaño completo con mejor rendimiento; para cadenas de razonamiento extremadamente complejas, puede ser necesario un modelo más grande. El soporte del modelo para entradas de video y archivos está sujeto a restricciones de formato y es posible que no maneje todos los códecs o tipos de archivos. Adicionalmente, la ventana de contexto de 1M es un límite; procesar cerca de ese límite puede generar una mayor latencia y uso de memoria. Finalmente, debido a que se accede a través de OrcaRouter, los usuarios están sujetos a las políticas de API de OrcaRouter y a cualquier límite de velocidad que impongan. No se registran datos de forma predeterminada, pero los usuarios deben verificar la configuración.
El precio de Google Gemini 3.1 Flash Lite Preview se basa en el uso de tokens, con tarifas separadas para tokens de entrada y salida. Los tokens de entrada se facturan a $0.25 por cada 1 millón de tokens, y los tokens de salida a $1.50 por cada 1 millón de tokens. Estas son las tarifas del proveedor de Google; OrcaRouter no añade ningún margen, por lo que el precio que ves es el precio que cobra el proveedor. No hay cargos adicionales por autenticación o acceso a la API más allá del uso estándar. La facturación se mide en tokens, que corresponden aproximadamente a palabras o fragmentos de imagen/video/audio según lo define el tokenizador. Debido a que el modelo admite entradas multimodales, cada imagen, fotograma de video o segmento de audio también se tokeniza y se cuenta dentro del total de entrada. El precio es transparente y predecible para los usuarios que monitorean sus recuentos de tokens.
La ventana de contexto de 1M tokens puede aumentar significativamente los costos de tokens de entrada si se utiliza toda la ventana. A $0.25 por millón de tokens de entrada, llenar el contexto completo de 1M costaría aproximadamente $0.25 por solicitud más cargos de salida. Para aplicaciones que frecuentemente usan contextos grandes, esto aún puede ser económico en comparación con modelos con tarifas por token más altas. Sin embargo, si la entrada se puede truncar o resumir, los costos pueden reducirse. La política de margen cero de OrcaRouter significa que no paga extra por usar este modelo a través de una puerta de enlace. Para el procesamiento por lotes, el costo por documento puede ser muy bajo porque muchos documentos cortos se pueden combinar en una sola solicitud. Por el contrario, si las ventanas de contexto son siempre pequeñas, un modelo con una tarifa por token más alta pero un contexto más corto puede ser más eficiente debido a un menor uso total de tokens.
La página de precios de OrcaRouter indica que la facturación estándar se aplica a este modelo; no hay mención específica de descuentos por almacenamiento en caché para Google Gemini 3.1 Flash Lite Preview en este momento. El almacenamiento en caché es una función que algunos proveedores ofrecen para reducir costos en contenido repetido, pero actualmente no está indicado para este modelo. Los usuarios deben consultar la documentación más reciente de OrcaRouter o contactar al soporte para preguntar sobre futuras opciones de caché. En ausencia de almacenamiento en caché, el costo por solicitud es simplemente la suma de los tokens de entrada y salida multiplicada por las tarifas respectivas. Para gestionar costos, considere usar técnicas de optimización de prompts como reducir el contexto innecesario, recortar mensajes del sistema y agrupar solicitudes similares para maximizar la eficiencia de tokens.
Para usar Google Gemini 3.1 Flash Lite Preview, envía solicitudes al endpoint de API compatible con OpenAI de OrcaRouter. La URL base es https://api.orcarouter.ai/v1. Establece el parámetro model en "google/gemini-3.1-flash-lite-preview". La autenticación se realiza mediante una clave de API colocada en el encabezado Authorization como `Bearer YOUR_API_KEY`. La API admite parámetros estándar de finalización de chat de OpenAI, incluidos messages (con roles: system, user, assistant), temperature, top_p, max_tokens, stop y penalizaciones de frecuencia/presencia. Para entradas multimodales, usa el formato de array `content` con campos `type` para text, image_url u otros medios según se admita. El modelo también acepta entradas de archivo y audio; consulta la documentación de OrcaRouter para el formato exacto de estas modalidades.
La API acepta la mayoría de los parámetros estándar de finalización de chat de OpenAI. Los parámetros clave incluyen: `messages` (obligatorio), `max_tokens` (hasta 65,536), `temperature` (0–2, por defecto 1), `top_p` (0–1, por defecto 1), `n` (número de finalizaciones, por defecto 1), `stop` (lista de cadenas), `frequency_penalty`, `presence_penalty` y `stream` (booleano). El modelo no admite ningún parámetro personalizado específico de Google más allá de los expuestos por la capa de compatibilidad de OrcaRouter. Para solicitudes multimodales, el campo `content` de cada mensaje acepta un arreglo de objetos con `type` (por ejemplo, "text", "image_url", "input_audio") y los datos correspondientes. Al usar entradas de archivo, el archivo debe subirse a una URL compatible o codificarse en base64 dentro del mensaje. OrcaRouter puede imponer restricciones adicionales o campos obligatorios; consulte su referencia de API para obtener detalles exactos.
Si ya estás usando un modelo de Google Gemini (por ejemplo, gemini-2.0-flash) a través de OrcaRouter, migrar a este modelo de vista previa es sencillo. Cambia el campo `model` en tus solicitudes de API del antiguo ID del modelo a "google/gemini-3.1-flash-lite-preview". No se requieren otros cambios en el endpoint de la API, la autenticación ni el formato de los mensajes. Sin embargo, ten en cuenta que el nuevo modelo puede tener una tokenización, límites de longitud de salida y comportamiento diferentes. Se recomienda probar con algunas solicitudes de muestra y comparar las salidas. Las modalidades de entrada son las mismas que las de otros modelos Gemini, por lo que los payloads multimodales deberían funcionar sin modificaciones. Si estabas usando parámetros específicos del modelo que no forman parte del conjunto compatible con OpenAI, es posible que deban eliminarse o adaptarse. Finalmente, ten en cuenta que se trata de un modelo de vista previa, por lo que es posible que no esté disponible en todas las regiones o que tenga capacidad limitada.
La URL base para todas las llamadas a la API es https://api.orcarouter.ai/v1. El identificador exacto del modelo a utilizar en el parámetro `model` es "google/gemini-3.1-flash-lite-preview". Este identificador distingue mayúsculas y minúsculas. Por ejemplo, una solicitud curl completa se vería así: 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"}]}'. Asegúrate de reemplazar YOUR_API_KEY con tu clave API real de OrcaRouter. El formato de respuesta sigue la estructura de finalización de chat de OpenAI, incluyendo los campos id, object, choices y usage con recuentos de tokens.
Comparado con Gemini 2.0 Flash, el 3.1 Flash Lite Preview ofrece una ventana de contexto mucho mayor (1M frente a 128K tokens) y un límite de salida más alto (65K frente a 8K tokens). Su puntuación GPQA Diamond de 82.2 es significativamente superior al rango típico de mediados de los 60 del 2.0 Flash, lo que indica un razonamiento más sólido. El precio de 3.1 Flash Lite Preview es de $0.25/$1.50 por millón de tokens, mientras que Gemini 2.0 Flash cuesta $0.10/$0.40 por millón de tokens; por lo tanto, el nuevo modelo es más caro por token pero ofrece mucha mayor capacidad de contexto y razonamiento. Para tareas que requieren el contexto más grande y un razonamiento superior, la prima de precio puede estar justificada. Para tareas simples y de contexto corto, Gemini 2.0 Flash sigue siendo más rentable. Ambos admiten entradas multimodales, pero 3.1 añade modalidades de archivo y audio.
GPT-4o mini tiene una ventana de contexto de 128K tokens y una salida de 16K tokens, con precios de $0.15/$0.60 por millón de tokens. Google Gemini 3.1 Flash Lite Preview tiene una ventana de contexto de 1M, salida de 65K y precios de $0.25/$1.50. El modelo Gemini ofrece 8 veces el contexto y 4 veces la salida, pero aproximadamente un 67% más de costo de entrada y un 150% más de costo de salida. En GPQA Diamond, GPT-4o mini obtiene alrededor de 82 también, lo que los hace comparables en razonamiento. La elección depende de las necesidades de contexto: si necesitas >128K de contexto, el modelo Gemini es la única opción. Si el contexto es pequeño, GPT-4o mini es más barato. Además, el modelo Gemini admite entradas de archivos y audio, lo que GPT-4o mini no hace a través de la API estándar.
Claude 3 Haiku de Anthropic ofrece una ventana de contexto de 200K y una salida de 8K tokens, con un precio de $0.25/$1.25 por millón de tokens — coste de entrada muy similar pero coste de salida ligeramente inferior al del modelo Gemini. Gemini 3.1 Flash Lite Preview tiene 5 veces el contexto y 8 veces la salida. Los puntajes GPQA Diamond para Claude 3 Haiku no están disponibles públicamente por parte de Anthropic, pero Haiku está optimizado para velocidad y tareas de formato corto, no para razonamiento profundo. El GPQA de 82.2 del modelo Gemini sugiere un razonamiento más fuerte, mientras que Haiku probablemente tenga menor latencia. Para tareas sensibles al coste y de alto volumen con contexto moderado, Haiku puede ser mejor. Para tareas que necesitan un contexto muy largo o razonamiento multimodal (video, audio, archivos), la vista previa de Gemini ofrece ventajas distintas. Ambos son accesibles a través de OrcaRouter con APIs compatibles con OpenAI.
El modelo completo Gemini 3.1 Flash generalmente tiene una ventana de contexto de 256K tokens y una salida de 8K tokens, con un precio aproximado de $0.10/$0.40 por millón de tokens. La versión Lite Preview tiene un contexto mucho mayor de 1M y una salida de 65K, pero es más costosa ($0.25/$1.50). La variante Lite está diseñada para la eficiencia de costos a gran escala, mientras que el modelo Flash completo está optimizado para velocidad y prompts cortos. En benchmarks, el Flash completo puede obtener puntuaciones ligeramente más altas en algunas métricas, pero la puntuación GPQA de 82.2 del Lite Preview es competitiva. La versión Lite también admite más modalidades de entrada (archivo, audio). La etiqueta "Preview" indica que es un lanzamiento temprano; el Flash completo está listo para producción. Si necesita el contexto más grande posible y no le importa el mayor costo por token, el Lite Preview es la mejor opción. Para interacciones rápidas y cortas, el Flash completo sigue siendo preferible.
Compatible con OpenAI: conserva tu SDK actual
https://api.orcarouter.ai/v1https://api.orcarouter.aifrom openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Entrada / 1M tokens | $0.250 |
| Salida / 1M tokens | $1.50 |
| Lectura caché / 1M | $0.025 |
| Moneda | USD |
Estimación según precio de lista
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
GET /api/public/models/google/gemini-3.1-flash-lite-previewAbrir @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