Gemini 3.1 Flash Lite Preview est le modèle à haute efficacité de Google optimisé pour les cas d'utilisation à volume élevé. Il surpasse Gemini 2.5 Flash Lite en termes de qualité globale et se rapproche des performances de Gemini 2.5 Flash dans...
Google Gemini 3.1 Flash Lite Preview est une version préliminaire d’une variante légère de la série Gemini 3.1. Elle est conçue pour offrir un raisonnement solide et une compréhension multimodale à…
Google Gemini 3.1 Flash Lite Preview excelle dans les tâches nécessitant le traitement de grands volumes de données textuelles ou multimodales en un seul contexte. Les cas d'usage incluent la réponse à des questions sur de longs documents, où l'intégralité du texte peut être fournie comme contexte ; la synthèse et l'analyse de vidéos, où plusieurs images ou clips sont combinés ; et la transcription audio avec raisonnement contextuel. La fenêtre de contexte élevée le rend efficace pour des tâches telles que la révision de contrats, la recherche juridique et l'analyse d'articles académiques. Son score GPQA Diamond de 82,2 % suggère une forte performance sur des questions de raisonnement de niveau diplômé, ce qui le rend également utile pour la résolution de problèmes complexes en sciences, mathématiques et ingénierie. De plus, son support multimodal permet des tâches telles que le sous-titrage d'images combiné à des instructions textuelles, ou l'extraction de données à partir de fichiers PDF et de feuilles de calcul.
Les principaux atouts du modèle sont sa très grande fenêtre de contexte de 1 million de tokens, ses capacités d'entrée multimodales et ses performances de raisonnement compétitives à un prix bas. La tarification de 0,25 $/1,50 $ par million de tokens est parmi les plus abordables pour un modèle offrant cette taille de contexte et ce score de référence. Le résultat GPQA Diamond de 82,2 indique que le modèle peut traiter des tâches de raisonnement complexes et multi-étapes qui nécessitent souvent une compréhension approfondie. La capacité d'accepter du texte, des images, des vidéos, des fichiers et de l'audio dans une même requête signifie que les applications peuvent corréler des informations entre les modalités sans fragmentation externe des données. Pour les développeurs utilisant OrcaRouter, la facturation sans marge garantit que les coûts restent prévisibles et alignés sur les tarifs des fournisseurs. L'API compatible OpenAI réduit encore davantage les frictions d'intégration.
Malgré son faible coût, ce modèle peut être excessif pour des tâches très simples comme la classification de textes courts, la synthèse à petite échelle ou les traductions en un seul tour. Pour de tels cas d'usage, des embeddings encore moins chers ou des classifieurs dédiés pourraient être plus rentables. De plus, si votre application nécessite une latence extrêmement faible (moins de 100 ms), un modèle flash spécialisé ou une variante plus petite peut être préférable. La nature préliminaire de ce modèle signifie également qu'il n'est pas encore totalement optimisé pour la fiabilité en production ; pour les charges de travail critiques, une version stable ou une alternative pourrait être plus appropriée. Enfin, si vos longueurs de contexte sont systématiquement courtes (par exemple, <10K tokens), un modèle plus petit et moins cher doté de capacités similaires pourrait réduire les coûts par requête.
GPQA Diamond est un benchmark composé de questions à choix multiples au niveau du raisonnement scientifique de niveau supérieur (graduate). Un score de 82,2 signifie que le modèle a répondu correctement à 82,2 % de ces questions difficiles. Cela le place bien au-dessus du hasard et indique une capacité de raisonnement solide, en particulier dans des domaines comme la physique, la chimie et la biologie. Cela suggère que le modèle peut gérer des inférences nuancées en plusieurs étapes qui nécessitent des connaissances spécialisées et une déduction logique. Bien que GPQA Diamond soit un bon indicateur de la profondeur du raisonnement, il ne mesure pas d'autres aspects comme la créativité, le respect des instructions ou la sécurité. Pour comparaison, de nombreux modèles obtiennent des scores dans la fourchette de 60 à 80 %, les meilleurs modèles dépassant parfois 90 %. Ainsi, 82,2 est un résultat compétitif pour un modèle d'aperçu léger.
Les chiffres exacts de latence pour Google Gemini 3.1 Flash Lite Preview n'ont pas été divulgués publiquement par Google. En général, les modèles « Flash Lite » de la famille Gemini sont conçus pour prioritiser le débit et l'efficacité des coûts par rapport à la vitesse brute. Ils présentent généralement une latence par requête plus élevée par rapport aux modèles « Flash » dédiés lorsque le contexte est long, en raison de la grande taille de la fenêtre de contexte. Cependant, pour les invites courtes, la latence peut être comparable à celle d'autres modèles légers. Étant donné que le modèle fonctionne sur l'infrastructure de Google via OrcaRouter, la latence réseau et la mise en file d'attente peuvent également affecter le temps de réponse de bout en bout. Les utilisateurs devraient effectuer des tests comparatifs avec leurs propres données et les tailles de contexte attendues pour déterminer si la latence répond à leurs exigences. Si une latence ultra-faible est essentielle, envisagez d'utiliser un modèle plus petit ou un point de terminaison dédié plus rapide.
En tant que modèle d'aperçu, Google Gemini 3.1 Flash Lite Preview peut présenter une fiabilité et une stabilité inférieures à celles des versions de production. Il peut occasionnellement produire des réponses hors cible ou des incohérences dans l'intégration multimodale. Le score GPQA de 82,2, bien qu'élevé, est inférieur à celui des meilleurs modèles pleine taille ; pour des chaînes de raisonnement extrêmement complexes, un modèle plus grand peut être nécessaire. La prise en charge des entrées vidéo et fichiers par le modèle est soumise à des contraintes de format et peut ne pas gérer tous les codecs ou types de fichiers. De plus, la fenêtre de contexte de 1M est une limite ; le traitement près de cette limite peut entraîner une latence et une utilisation de la mémoire accrues. Enfin, parce qu'il est accessible via OrcaRouter, les utilisateurs sont soumis aux politiques API d'OrcaRouter et à toute limite de débit qu'ils imposent. Aucune donnée n'est enregistrée par défaut, mais les utilisateurs doivent vérifier la configuration.
Les tarifs de Google Gemini 3.1 Flash Lite Preview sont basés sur l'utilisation des tokens, avec des taux distincts pour les tokens d'entrée et de sortie. Les tokens d'entrée sont facturés à 0,25 $ par million de tokens, et les tokens de sortie à 1,50 $ par million de tokens. Ces taux sont ceux du fournisseur Google ; OrcaRouter n'ajoute aucune marge, donc le prix que vous voyez est celui facturé par le fournisseur. Il n'y a pas de frais supplémentaires pour l'authentification ou l'accès à l'API en dehors de l'utilisation standard. La facturation est mesurée en tokens, qui correspondent approximativement à des mots ou à des segments d'image, vidéo ou audio tels que définis par le tokenizer. Comme le modèle prend en charge les entrées multimodales, chaque image, frame vidéo ou segment audio est également tokenisé et compté dans le total des entrées. La tarification est transparente et prévisible pour les utilisateurs qui surveillent leur nombre de tokens.
La fenêtre de contexte de 1M tokens peut augmenter significativement les coûts des tokens d’entrée si la fenêtre entière est utilisée. À 0,25 $ par million de tokens d’entrée, remplir le contexte complet de 1M coûterait environ 0,25 $ par requête, plus les frais de sortie. Pour les applications qui utilisent fréquemment de grands contextes, cela peut encore être économique comparé aux modèles avec des tarifs par token plus élevés. Cependant, si l’entrée peut être tronquée ou résumée, les coûts peuvent être réduits. La politique de marge zéro d’OrcaRouter signifie que vous ne payez pas de supplément pour utiliser ce modèle via une passerelle. Pour le traitement par lots, le coût par document peut être très faible car de nombreux documents courts peuvent être combinés en une seule requête. Inversement, si les fenêtres de contexte sont toujours petites, un modèle avec un tarif par token plus élevé mais un contexte plus court peut être plus efficace en raison d’une utilisation totale de tokens plus faible.
La page de tarification d'OrcaRouter indique que la facturation standard s'applique à ce modèle ; il n'y a aucune mention spécifique de remises de cache pour Google Gemini 3.1 Flash Lite Preview pour le moment. La mise en cache est une fonctionnalité que certains fournisseurs proposent pour réduire les coûts des contenus répétés, mais actuellement elle n'est pas notée pour ce modèle. Les utilisateurs devraient consulter la dernière documentation d'OrcaRouter ou contacter le support pour se renseigner sur d'éventuelles futures options de mise en cache. En l'absence de mise en cache, le coût par requête est simplement la somme des jetons d'entrée et de sortie multipliée par les tarifs respectifs. Pour gérer les coûts, envisagez d'utiliser des techniques d'optimisation des invites telles que la réduction du contexte inutile, le rognage des messages système et le regroupement de requêtes similaires pour maximiser l'efficacité des jetons.
Pour utiliser Google Gemini 3.1 Flash Lite Preview, envoyez des requêtes au point d'accès API compatible OpenAI d'OrcaRouter. L'URL de base est https://api.orcarouter.ai/v1. Définissez le paramètre du modèle sur "google/gemini-3.1-flash-lite-preview". L'authentification se fait via une clé API placée dans l'en-tête Authorization sous la forme `Bearer YOUR_API_KEY`. L'API prend en charge les paramètres standard de complétion de chat OpenAI, y compris messages (avec les rôles : system, user, assistant), temperature, top_p, max_tokens, stop, et les pénalités de fréquence/présence. Pour les entrées multimodales, utilisez le format de tableau `content` avec les champs `type` pour text, image_url, ou autres médias pris en charge. Le modèle accepte également les entrées de fichiers et audio ; référez-vous à la documentation d'OrcaRouter pour le format exact de ces modalités.
L'API accepte la plupart des paramètres standards de complétion de chat OpenAI. Les paramètres clés incluent : `messages` (obligatoire), `max_tokens` (jusqu'à 65 536), `temperature` (0–2, par défaut 1), `top_p` (0–1, par défaut 1), `n` (nombre de complétions, par défaut 1), `stop` (liste de chaînes), `frequency_penalty`, `presence_penalty` et `stream` (booléen). Le modèle ne prend en charge aucun paramètre personnalisé spécifique à Google au-delà de ceux exposés par la couche de compatibilité d'OrcaRouter. Pour les requêtes multimodales, le champ `content` dans chaque message accepte un tableau d'objets avec `type` (par ex. "text", "image_url", "input_audio") et les données correspondantes. Lors de l'utilisation d'entrées de fichier, le fichier doit être téléchargé vers une URL prise en charge ou encodé en base64 en ligne. OrcaRouter peut imposer des restrictions supplémentaires ou des champs obligatoires ; consultez leur référence API pour les détails exacts.
Si vous utilisez déjà un modèle Google Gemini (par exemple, gemini-2.0-flash) via OrcaRouter, la migration vers ce modèle d'aperçu est simple. Remplacez le champ `model` dans vos requêtes API de l'ancien ID de modèle par "google/gemini-3.1-flash-lite-preview". Aucune autre modification du point de terminaison API, de l'authentification ou du format du message n'est nécessaire. Cependant, sachez que le nouveau modèle peut avoir une tokenisation, des limites de longueur de sortie et un comportement différents. Il est recommandé de tester avec quelques requêtes d'exemple et de comparer les sorties. Les modalités d'entrée sont les mêmes que pour les autres modèles Gemini, donc les charges utiles multimodales devraient fonctionner sans modification. Si vous utilisiez des paramètres spécifiques au modèle ne faisant pas partie de l'ensemble compatible OpenAI, ils peuvent devoir être supprimés ou adaptés. Enfin, notez qu'il s'agit d'un modèle d'aperçu, il peut donc ne pas être disponible dans toutes les régions ou avoir une capacité limitée.
L'URL de base pour tous les appels API est https://api.orcarouter.ai/v1. L'identifiant exact du modèle à utiliser dans le paramètre `model` est "google/gemini-3.1-flash-lite-preview". Cet identifiant est sensible à la casse. Par exemple, une requête curl complète ressemblerait à : 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"}]}'. Assurez-vous de remplacer YOUR_API_KEY par votre clé API OrcaRouter réelle. Le format de réponse suit la structure de complétion de chat d'OpenAI, incluant les champs id, object, choices et usage avec les compteurs de tokens.
Par rapport à Gemini 2.0 Flash, la 3.1 Flash Lite Preview offre une fenêtre de contexte beaucoup plus grande (1M contre 128K tokens) et une sortie maximale plus élevée (65K contre 8K tokens). Son score GPQA Diamond de 82.2 est significativement plus élevé que la plage typique de 60-65 de la 2.0 Flash, ce qui indique un raisonnement plus fort. Le prix de la 3.1 Flash Lite Preview est de $0.25/$1.50 par million de tokens, tandis que Gemini 2.0 Flash est à $0.10/$0.40 par million de tokens — le nouveau modèle est donc plus cher par token, mais offre une capacité de contexte et de raisonnement bien supérieure. Pour les tâches nécessitant un contexte plus large et un raisonnement supérieur, la prime de prix peut être justifiée. Pour les tâches simples avec un contexte court, Gemini 2.0 Flash reste plus rentable. Les deux prennent en charge les entrées multimodales, mais la 3.1 ajoute les modalités fichier et audio.
GPT-4o mini a une fenêtre de contexte de 128 000 tokens et une sortie de 16 000 tokens, avec des prix à 0,15 $/0,60 $ par million de tokens. Google Gemini 3.1 Flash Lite Preview a une fenêtre de contexte de 1M, une sortie de 65K, et un tarif de 0,25 $/1,50 $. Le modèle Gemini offre 8x le contexte et 4x la sortie, mais à un coût d’entrée environ 67 % plus élevé et un coût de sortie 150 % plus élevé. Sur GPQA Diamond, GPT-4o mini obtient également un score d’environ 82, ce qui les rend comparables en termes de raisonnement. Le choix dépend des besoins en contexte : si vous avez besoin de plus de 128K de contexte, le modèle Gemini est la seule option. Si le contexte est petit, GPT-4o mini est moins cher. De plus, le modèle Gemini prend en charge les entrées de fichiers et audio, ce que GPT-4o mini ne fait pas via l’API standard.
Claude 3 Haiku d'Anthropic offre une fenêtre de contexte de 200 000 tokens et une sortie de 8 000 tokens, avec un tarif de 0,25 $/1,25 $ par million de tokens — un coût d'entrée très similaire mais un coût de sortie légèrement inférieur à celui du modèle Gemini. Gemini 3.1 Flash Lite Preview dispose d'un contexte 5 fois plus grand et d'une sortie 8 fois plus grande. Les scores GPQA Diamond pour Claude 3 Haiku ne sont pas disponibles publiquement de la part d'Anthropic, mais Haiku est optimisé pour la vitesse et les tâches de forme courte, et non pour le raisonnement profond. Le score GPQA de 82,2 du modèle Gemini suggère un raisonnement plus fort, tandis que Haiku a probablement une latence plus faible. Pour les tâches sensibles aux coûts et à volume élevé avec un contexte modéré, Haiku peut être préférable. Pour les tâches nécessitant un contexte très long ou un raisonnement multimodal (vidéo, audio, fichiers), l'aperçu Gemini offre des avantages distincts. Les deux sont accessibles via OrcaRouter avec des API compatibles OpenAI.
Le modèle complet Gemini 3.1 Flash a généralement une fenêtre de contexte de 256K tokens et une sortie de 8K tokens, avec un prix d'environ $0.10/$0.40 par million de tokens. La version Lite Preview a une fenêtre de contexte beaucoup plus grande de 1M et une sortie de 65K, mais est plus chère ($0.25/$1.50). La variante Lite est conçue pour l'efficacité des coûts à grande échelle, tandis que le modèle Flash complet est optimisé pour la rapidité et les requêtes courtes. Sur les benchmarks, le Flash complet peut obtenir des scores légèrement plus élevés sur certaines métriques, mais le score GPQA de 82.2 de la Lite Preview est compétitif. La version Lite prend également en charge davantage de modalités d'entrée (fichier, audio). Le label « Preview » indique qu'il s'agit d'une version précoce ; le Flash complet est prêt pour la production. Si vous avez besoin du contexte le plus large possible et que l'augmentation du coût par token ne vous dérange pas, la Lite Preview est le meilleur choix. Pour des interactions rapides et courtes, le Flash complet reste préférable.
Compatible OpenAI — gardez votre SDK actuel
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| Entrée / 1M tokens | $0.250 |
| Sortie / 1M tokens | $1.50 |
| Lecture cache / 1M | $0.025 |
| Devise | USD |
Estimation basée sur le tarif public
Estimation seulement — le nombre réel de tokens dépend du tokeniseur du fournisseur.
Ce dont parlent les développeurs cette semaine
GET /api/public/models/google/gemini-3.1-flash-lite-previewOuvrir @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