модель · Google · вышла 7 мая
Gemini 3.1 Flash Lite
Бюджетная модель Google для массовых запросов, перевода и простых агентных задач; позже её сменила Gemini 3.5 Flash-Lite
О модели
Gemini 3.1 Flash-Lite — самая младшая модель линейки Gemini 3. Google называет её самой быстрой и самой дешёвой моделью серии. Её делали для больших потоков однотипных запросов, где важны низкая цена и быстрый ответ. Сначала модель вышла как предварительная версия в Google AI Studio и Vertex AI, в мае 2026 года открылся общий доступ.
По сравнению с Gemini 2.5 Flash модель отвечает заметно быстрее. Замеры Artificial Analysis, на которые ссылается Google, показывают, что первый токен ответа приходит в 2,5 раза раньше, а сам текст выдаётся на 45% быстрее. Качество при этом, по словам компании, такое же или выше. В анонсе приведены такие результаты: 86,9% в тесте на научные вопросы GPQA Diamond, 76,8% в мультимодальном тесте MMMU Pro и 1432 балла Эло в рейтинге Arena.ai. Глубину рассуждений можно настраивать: на простых задачах модель думает меньше и отвечает быстрее, на сложных тратит больше времени.
Google советует брать её для перевода, модерации контента, разметки данных, генерации интерфейсов и панелей, а также для выполнения многошаговых инструкций. Её используют и в агентах, которым нужно быстро вызывать инструменты. По данным Google Cloud, JetBrains встроила её в свой ИИ-помощник для разработки. Сервис поддержки Gladly сообщает, что с ней обслуживание обходится примерно на 60% дешевле, чем с моделями уровня выше.
Это лёгкая модель: для сложных рассуждений и долгой самостоятельной работы Google предлагает старшие Flash и Pro. В июле 2026 года у младшей модели линейки вышла замена — Gemini 3.5 Flash-Lite.
источники:Анонс Gemini 3.1 Flash-Lite в блоге Google ↗Выход в общий доступ, блог Google Cloud ↗
Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиПодробнее на английском ↗
весь рейтинг83место из 268индекс 144вероятный разброс 142–146
- DTBenchВопросы с выбором ответа по теории принятия решений в задачах вроде парадокса Ньюкома, где твой выбор говорит о выборе похожих на тебяСлучайный выбор даёт около 40%, так что это нижняя планка, а не ноль.Подробнее на английском ↗61,3%высокое
- LMCAНасколько оценки моделью доводов в философии, теории решений и безопасности ИИ совпадают с оценками экспертовБалл — корреляция с оценками экспертов, умноженная на 100; практический потолок около 85, а не 100.Подробнее на английском ↗41,2%высокое
- FrontierMath-Tiers-1-3-v2-PrivateСотни новых задач исследовательской математики от профессиональных математиков; эксперту на задачу нужны часы или дниПодробнее на английском ↗27,7%низкое
- Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗21,1%
- DeepResearch Bench100 исследовательских заданий уровня аспирантуры из 22 областей: агент ищет в интернете и пишет аналитический отчёт со ссылкамиБалл — не доля верных ответов: модель-судья оценивает качество отчёта в сравнении с эталонным, отдельно проверяются ссылки.Подробнее на английском ↗37,3%низкое
- HLEHumanity's Last Exam: 2500 вопросов экспертного уровня по математике, естественным и гуманитарным наукам, ответ не найти поискомПодробнее на английском ↗4,0%
- WeirdMLНеобычные задачи по машинному обучению: модель пишет код, который на выданных данных обучает классификатор, например для распознавания фигурБалл — средняя точность обученных моделью классификаторов, а не доля решённых задач.Подробнее на английском ↗52,2%
- OTIS Mock AIME 2024-202545 олимпиадных задач по математике из пробных экзаменов AIME школы OTIS; ответ — целое число от 0 до 999Подробнее на английском ↗80,0%
- GPQA diamond198 вопросов с выбором ответа по физике, химии и биологии уровня аспирантуры — такие, что ответ не найти поискомСлучайный выбор даёт 25%, а специалисты с учёной степенью в своей области набирают около 70%.Подробнее на английском ↗75,8%
Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).