Gemini 3.5 Flash-Lite: возможности, цена и сравнение с 3.1

Gemini 3.5 Flash Lite занимает 27-е место в рейтинге COMRAD404. Это недорогая мультимодальная модель с миллиардным контекстом, высокой скоростью вывода и сильной пользовательской привлекательностью, но без запаса качества для самых сложных задач.

Gemini 3.5 Flash Lite — профиль модели Google с рейтингом COMRAD404, ценой API и оценкой скорости

Google позиционирует Gemini 3.5 Flash-Lite для высокообъёмной недорогой обработки; это не доказывает её преимущество над 3.1 при извлечении полей PDF. Подтверждённое в карточках различие — computer use в Preview у 3.5 и отсутствие этой функции у 3.1. Google указывает для неё высокопроизводительные низкозатратные задачи; при этом доступные материалы не подтверждают, что она точнее или быстрее Gemini 3.1 Flash-Lite.

Практическое отличие, полезное при выборе, — computer use: Google отмечает эту функцию у 3.5 как Preview, а карточка 3.1 сообщает, что она не поддерживается. Если управление компьютером не нужно, сравнивайте версии по своей задаче и расходам: в зафиксированном каталоге Zenith 3.1 дешевле по текстовым ставкам. Ниже — пример извлечения из PDF и настройка Gemini-совместимого вызова через Zenith.

Идентификация модели и статус доступа

Точный идентификатор модели в документации Google — gemini-3.5-flash-lite. Google обозначает её Stable в разделе Versions карточки, прочитанной27.10.2026, и описывает как модель для высокопроизводительных низкозатратных задач, включая обработку документов и субагентные сценарии. Это описание назначения, а не опубликованный сравнительный тест. Карточка Gemini 3.5 Flash-Lite у Google подтверждает название и профиль.

Нужно различать свойства модели и предложение посредника. Каталог Zenith содержит оба ID — gemini-3.5-flash-lite и gemini-3.1-flash-lite — и указывает для них маршруты chat_completions, responses и gemini. Это подтверждает наличие таких записей в каталоге, но само по себе не доказывает внутреннюю идентичность backend. Модели, тарифы и доступность могут меняться; Zenith рекомендует ориентироваться на текущий каталог и условия сервиса (каталог моделей, условия Zenith).

Возможности и ограничения: 3.5 рядом с 3.1

Для Gemini 3.5 Flash-Lite Google указывает текст, изображения, видео, аудио и PDF на входе, до 1 048 576 входных токенов и до 65 536 выходных. В карточке также перечислены structured outputs, function calling, thinking, URL context, поиск и выполнение кода; computer use обозначен как Preview. Эти характеристики относятся к версии из карточки Google, а не к каждому интерфейсу посредника.

Карточка Gemini 3.1 Flash-Lite тоже указывает входы text, image, video, audio и PDF и те же лимиты входа и выхода. Google характеризует 3.1 как модель для лёгких высокочастотных задач. По доступным карточкам нельзя заключить, что одна версия лучше по точности или производительности: для такого вывода нужен сопоставимый тест на одинаковых данных и настройках.

Критерий Gemini 3.5 Flash-Lite Gemini 3.1 Flash-Lite
Профиль Google Высокопроизводительные низкозатратные задачи, в том числе обработка документов Лёгкие высокочастотные задачи
Входы и лимиты по карточкам Текст, изображение, видео, аудио, PDF; 1 048 576 входных и 65 536 выходных токенов Те же перечисленные входы и лимиты
Компьютерное управление Computer use — Preview Не поддерживается
Текстовые ставки в каталоге Zenith от 27.10.2026 $0,028 за 1 млн входных; $0,23 за 1 млн выходных токенов $0,023 за 1 млн входных; $0,14 за 1 млн выходных токенов

Практический выбор: если вашему сценарию нужно компьютерное управление, из этих двух карточек основание рассматривать такую функцию есть только у 3.5, причём со статусом Preview. Для извлечения полей из документов без этой функции 3.1 — более дешёвый вариант по приведённым ставкам Zenith. Это не свидетельствует о равном качестве или о превосходстве 3.1: проверяйте корректность на собственных примерах.

Пример задачи: извлечь поля из PDF

Представим PDF с карточкой заказа. Запрос модели — вернуть номер заказа, дату и итоговую сумму, не заполняя отсутствующие значения догадками. Такой сценарий соответствует документированным входам PDF и structured outputs у 3.5, но пример ниже — иллюстрация ожидаемого формата, а не фактический ответ модели.

Вход: PDF с карточкой заказа и инструкция извлечь order_id, date, total_amount. Если поле отсутствует или неразборчиво, верни null. Не делай предположений.

Иллюстрация формата результата:

{
  "order_id": "A-1042",
  "date": "2026-10-15",
  "total_amount": "125.40",
  "currency": "USD"
}

Критерии проверки просты: все обязательные поля присутствуют, дата и сумма совпадают с PDF, а отсутствующие сведения не выдуманы. JSON Schema может проверить структуру и типы, но не подтвердит, что сумма действительно прочитана из документа: значения нужно сверить с источником. Для рабочего конвейера полезно хранить ссылку на исходный фрагмент или страницу PDF рядом с каждым извлечённым полем.

Контрольный документ и эталон

Для плана проверки создайте одностраничный PDF с текстом: «Счёт №17. Поставщик: ООО Вектор. Дата: 15.10.2026. Сумма: 12 500 RUB». Второй документ содержит те же строки без даты. Запрос: «Извлеки supplier, date в ISO-формате, total числом и currency; отсутствующее поле запиши null».

Эталон первого документа: {"supplier":"ООО Вектор","date":"2026-10-15","total":12500,"currency":"RUB"}; у второго date должен быть null. Pass требует совпадения всех четырёх полей и отсутствия придуманных значений. Считайте ошибки отдельно по полям и документам. Выполните обе версии на одинаковых PDF и сохраните usage; до этого нет основания называть 3.5 более точной. Это план теста, не результаты редакции.

Стоимость фиксированного сценария

Для сравнимого расчёта предположим 4 000 входных и 800 выходных токенов на один запрос, без кэша, комиссий и внешних инструментов. По каталогу Zenith, предоставленному Comrad404 27 октября 2026 года, цена строки для 3.5 равна 4 000 × $0,028 / 1 000 000 + 800 × $0,23 / 1 000 000 = $0,000296 за запрос. При тех же объёмах для 3.1 получается $0,000204.

Модель Один запрос 10 000 запросов
gemini-3.5-flash-lite $0,000296 $2,96
gemini-3.1-flash-lite $0,000204 $2,04

Это расчёт по предложению Zenith на указанную дату, а не независимо подтверждённый действующий тариф и не сравнение качества. Фактические токены зависят от PDF и ответа; кэширование, комиссии и биллинг конкретного ключа в этом примере не учитываются. Для оценки других объёмов можно использовать расчёт стоимости API по токенам.

Как вызвать модель через Gemini-маршрут Zenith

Ниже — пример на Python с документированным Gemini-совместимым маршрутом Zenith. Пример использует только стандартную библиотеку Python и скрытый ввод ключа; установка Google Gen AI не нужна. Используйте базовый адрес https://api.zenithmarket.dev, а ключ введите по приглашению скрипта. Ключ получают в Telegram-боте Zenith; не вставляйте его в исходный код и не используйте с официальным endpoint Google. Для Gemini-маршрута Zenith документация задаёт заголовок x-goog-api-key и базовый адрес без добавления /v1. Инструкция Zenith по интеграции.

Для этого нативного примера сохраните код как gemini_zenith.py и выполните python gemini_zenith.py. Если каталог возвращает имя вида models/ID, скрипт удаляет только этот префикс, чтобы не построить ошибочный путь models/models/ID. Текстовый ответ и usageMetadata — ожидаемый контракт, не результат нашего запуска.

import getpass
import json
import urllib.error
import urllib.parse
import urllib.request

key = getpass.getpass("Zenith API key: ")
base = "https://api.zenithmarket.dev"
headers = {"User-Agent": "Comrad404SourceReview/1.0", "x-goog-api-key":key,"content-type":"application/json"}
try:
    request = urllib.request.Request(base + "/v1beta/models", headers=headers)
    with urllib.request.urlopen(request, timeout=30) as response:
        catalog = json.load(response)
    rows = catalog if isinstance(catalog,list) else catalog.get("models",catalog.get("data",[]))
    names = []
    for row in rows:
        name = row.get("name") or row.get("id")
        if isinstance(name,str):
            names.append(name.removeprefix("models/"))
    print("Доступные ID:", names)
    model = (input("ID [gemini-3.5-flash-lite]: ").strip() or "gemini-3.5-flash-lite").removeprefix("models/")
    if model not in names:
        raise SystemExit("ID отсутствует в каталоге этого ключа")
    url = base + "/v1beta/models/" + urllib.parse.quote(model,safe="") + ":generateContent"
    request = urllib.request.Request(url,
        data=json.dumps({"contents":[{"role":"user","parts":[{"text":"Ответь ровно одним словом: ok"}]}]}).encode("utf-8"),
        headers=headers, method="POST")
    with urllib.request.urlopen(request, timeout=60) as response:
        result = json.load(response)
except urllib.error.HTTPError as error:
    print("HTTP", error.code)
    print(error.read().decode("utf-8",errors="replace").replace(key,"[REDACTED]")[:1200])
    raise SystemExit(1)
for candidate in result.get("candidates",[]):
    for part in candidate.get("content",{}).get("parts",[]):
        if "text" in part:
            print(part["text"])
print("usageMetadata:",result.get("usageMetadata"))

Перед вызовом получите актуальный список Gemini-моделей запросом GET https://api.zenithmarket.dev/v1beta/models и выбирайте ID из ответа. В примере указан ID из каталога на 27 октября 2026 года; текущая доступность может отличаться. Если запрос вернул HTTP-ошибку, не делайте вывод о списании только по коду ответа. Перед повтором проверьте usage и историю запроса в сервисе. Тайм-аут также не доказывает, что запрос не был обработан.

Что выбрать для обработки документов

Для обычного извлечения данных из PDF начните с 3.1, если приоритет — меньшие текстовые расходы и ваша проверка подтверждает нужное качество. Выбирайте 3.5, когда её профиль обработки документов соответствует вашему конвейеру либо вам требуется computer use в Preview. У обеих версий заявлены одинаковые модальности и лимиты контекста, поэтому сами по себе эти параметры не дают основания предпочесть одну. Решение зависит от результата на ваших документах и текущих условий доступа; конкретные способы оплаты показываются в боте до выставления счёта.