Gemini 3.5 Flash Lite — модель для тех случаев, когда важнее пропускная способность, цена и удобный API-контур, чем максимальная глубина ответа. В срезе COMRAD404 от 31 августа 2026 года она занимает 27-е место с COMRAD Score 71,7. Профиль неоднородный: особенно высоко редакция оценила человеческое предпочтение и эффективность, тогда как качество и программирование заметно слабее.
Практический вывод такой: Gemini 3.5 Flash Lite разумно рассматривать как рабочий слой для классификации, извлечения данных, разбора документов, маршрутизации запросов и других массовых операций. Для задач, где одна ошибка дорога, а результат требует длинной цепочки рассуждений, модель стоит предварительно проверять на собственных примерах, а не выбирать только по скорости и цене.
Коротко
Gemini 3.5 Flash Lite — проприетарная мультимодальная модель Google с поддержкой рассуждений. В официальной документации она описана как низколатентная и экономичная модель для высокопроизводительного исполнения, субагентных задач, парсинга документов, простой экстракции данных и агентных сценариев.
- Итоговая позиция: 27-е место в COMRAD404 2026 H2.
- COMRAD Score: 71,7 из 100. Это нормализованная редакционная оценка, а не процент правильных ответов.
- Главный плюс профиля: эффективность 83,1 и человеческое предпочтение 95,1.
- Главный компромисс: качество 57,4 и программирование 54,6 не поддерживают образ универсальной модели для самых требовательных задач.
- Контекст: 1 000 000 токенов в паспорте рейтинга; официальная документация указывает лимит входа 1 048 576 токенов.
- Стоимость в зафиксированном срезе: 0,30 доллара за миллион входных токенов и 2,50 доллара за миллион выходных токенов.
Что именно оценивает этот профиль
Материал разделяет три типа сведений. Данные о месте, COMRAD Score, суббаллах и сырых метриках взяты из переданного паспорта модели. Это редакционный срез, зафиксированный на 31 августа 2026 года. Описание возможностей и ограничений сверено с официальными материалами Google: страницей модели в Gemini API и карточкой Google DeepMind.
Независимые показатели LMArena и Artificial Analysis не следует читать как единый «процент качества». LMArena rating — статистический рейтинг, полученный из слепых попарных сравнений. Artificial Analysis Intelligence Index имеет собственную шкалу и единицы измерения. Цена, скорость первого токена и скорость генерации также описывают разные свойства API-исполнения и могут меняться в зависимости от провайдера, режима нагрузки и обновления модели.
Паспорт модели
| Параметр | Значение |
|---|---|
| Модель | Gemini 3.5 Flash Lite |
| Разработчик | |
| Тип лицензии | Proprietary |
| Open weights | Нет |
| Рассуждения | Да |
| Статус preview | Нет |
| Место в COMRAD404 | 27 |
| COMRAD Score | 71,7 из 100 |
| Контекст | 1 000 000 токенов |
| Цена входа / выхода | $0,30 / $2,50 за 1 млн токенов |
| Скорость вывода | 358,3 токена/с |
| Время до первого токена | 8,23 с |
Название в паспорте записано без дефиса — Gemini 3.5 Flash Lite. В официальных материалах Google встречается написание Gemini 3.5 Flash-Lite. Для идентификации API используется код gemini-3.5-flash-lite.
Место в рейтинге
27-я позиция означает, что модель находится в верхней части рассматриваемого рейтингового поля, но не относится к его лидирующей группе. Само место не объясняет причину результата: её видно только по сочетанию суббаллов. С COMRAD Score 71,7 модель выглядит не как универсальный максимум, а как сбалансированный инструмент для экономичной эксплуатации.
Взвешивание дополнительно усиливает значение качества: на него приходится 0,40 итоговой оценки. Человеческое предпочтение получает вес 0,30, программирование — 0,15, эффективность — 0,10, доступ — 0,05. Поэтому высокий результат по скорости и цене не может полностью компенсировать более скромные оценки качества и кодинга.
Полная редакционная таблица доступна в рейтинге COMRAD404. При чтении позиции важно помнить о дате: это срез 2026 H2, методология 1.0, а не вечный статус модели.
Разбор пяти суббаллов
| Суббалл | Оценка | Редакционная интерпретация |
|---|---|---|
| Качество | 57,4 | Рабочий уровень, но без большого запаса для сложных и неоднозначных запросов. |
| Человеческое предпочтение | 95,1 | Сильное восприятие ответов в пользовательских слепых сравнениях. |
| Программирование | 54,6 | Подходит для типового кода и вспомогательных операций, требует проверки в инженерных задачах. |
| Эффективность | 83,1 | Сильная сторона: сочетание скорости, стоимости и вычислительной практичности. |
| Доступ | 74,8 | Хорошая доступность через экосистему Google и API, но модель остаётся закрытой. |
Разрыв между человеческим предпочтением 95,1 и качеством 57,4 — ключевая особенность профиля. Пользователям могут нравиться лаконичность, структура, скорость и удобство взаимодействия, однако это не гарантирует столь же высокой надёжности в сложной фактической, аналитической или технической работе. Иными словами, модель способна хорошо проходить повседневный пользовательский фильтр, но отдельные классы задач всё равно требуют контроля.
Возможности и сценарии
Официальная документация указывает поддержку текстовых, графических, видео-, аудио- и PDF-входов с текстовым выводом. Это делает модель пригодной не только для чатовых запросов, но и для конвейеров, в которых один API-метод обрабатывает разные типы материалов.
Массовая обработка документов
Наиболее естественный сценарий — разбор большого числа писем, договоров, заявок, отчётов и приложенных файлов. Модель можно использовать для выделения полей, нормализации значений, определения типа документа, поиска фрагментов и подготовки краткого результата для следующего этапа системы. При этом структурированный вывод следует закреплять схемой и валидировать программно.
Классификация и маршрутизация
Низкая цена входа делает модель кандидатом для предварительного слоя: определить намерение пользователя, приоритет обращения, категорию тикета или необходимость передачи запроса более дорогому контуру. Такой подход позволяет не тратить ресурсы на сложный режим там, где достаточно короткого классификационного ответа.
Субагенты и агентные цепочки
Google прямо связывает Gemini 3.5 Flash Lite с субагентными и высокопроизводительными агентными сценариями. На практике это может быть отдельный исполнитель для поиска нужного документа, преобразования данных, подготовки черновика вызова функции или краткого промежуточного вывода. Чем больше шагов в цепочке, тем важнее проверять не только среднее качество ответа, но и накопление ошибок.
Мультимодальный ввод
Поддержка изображений, видео, аудио и PDF полезна для первичного анализа вложений, протоколирования, извлечения текста и сопоставления нескольких источников. Генерация изображений и аудио в паспорте не заявлена; официальная документация также отмечает, что выход модели — текстовый.
Качество рассуждений и повседневные ответы
Поле reasoning в паспорте означает наличие режима рассуждений, а не гарантию безошибочного решения. Для пользователя важен не сам ярлык, а стабильность на конкретном классе задач: удерживает ли модель условия, умеет ли обнаружить противоречие, правильно ли объясняет ход решения и не подменяет ли неизвестное уверенным утверждением.
Высокий суббалл человеческого предпочтения показывает, что ответы модели хорошо воспринимаются в слепых пользовательских сравнениях. Это особенно ценно в интерфейсах поддержки, внутренних помощниках, редактуре и подготовке черновиков. Но при юридических, финансовых, медицинских и иных чувствительных сценариях ответ нельзя принимать без предметной проверки: официальная карточка модели отдельно указывает на риск галлюцинаций и неполную актуальность знаний.
В model card указана дата отсечения знаний — март 2026 года; для отдельных областей может проявляться более ограниченный горизонт, связанный с январём 2025 года. Это официальное ограничение, а не измерение из рейтинга. Если приложению нужны свежие сведения, следует явно проектировать поиск, grounding или другой внешний источник данных.
Программирование и работа с инструментами
Суббалл coding равен 54,6 — ниже эффективности и человеческого предпочтения. Это не означает, что модель непригодна для разработки. Скорее, её лучше использовать там, где код является частью более широкого конвейера: генерация шаблонов, преобразование форматов, написание регулярных выражений, объяснение небольших фрагментов, подготовка тестовых данных и автоматизация повторяющихся операций.
Для репозиториев с большим количеством зависимостей, миграций, сложной отладкой и требованиями к безопасности нужен обязательный контур проверки: запуск тестов, статический анализ, просмотр diff и изолированное выполнение. В официальной документации заявлены code execution и function calling; computer use отмечен как preview-возможность. Поэтому компьютерное управление нельзя трактовать как полностью зрелый и неизменный production-контур.
Наличие function calling и structured outputs повышает предсказуемость интеграции, но не заменяет валидацию на стороне приложения. Схема ответа должна проверяться до записи в базу или запуска внешнего действия, а права инструментов — ограничиваться принципом минимально необходимого доступа.
Цена и скорость
В паспорте зафиксированы $0,30 за 1 миллион входных токенов и $2,50 за 1 миллион выходных токенов. Это именно тарифные значения данного среза, а не универсальное обещание на будущее. Итоговый счёт зависит от провайдера, режима, кэширования, пакетной обработки, приоритета и действующих условий API.
Скорость вывода в паспорте составляет 358,3 токена в секунду, а время до первого токена — 8,23 секунды. Эти показатели нельзя складывать или превращать в единый «процент быстродействия». Первый параметр описывает темп генерации после старта, второй — задержку до начала ответа. Для коротких запросов решающим может быть именно time to first token; для длинных ответов — скорость потока и общая задержка завершения.
Практическая экономика зависит от формы нагрузки. Если приложение отправляет большие документы и получает короткий JSON, значимее стоимость входа и качество извлечения. Если модель генерирует длинные тексты, основная часть расходов приходится на выходные токены. Перед закупкой стоит посчитать собственное соотношение входа и выхода, а не переносить паспортную цену в универсальную оценку стоимости запроса.
Контекст и работа с большими входами
Размер контекста в рейтинговом паспорте — 1 000 000 токенов. Официальная страница Gemini API указывает лимит входа 1 048 576 токенов и лимит выхода 65 536 токенов. Большое окно полезно для документов, архивов переписки, длинных спецификаций и мультимодальных наборов, однако сам объём не гарантирует точного использования каждой детали.
Для длинного контекста нужно измерять, находит ли модель сведения в начале, середине и конце материала, как обрабатывает повторяющиеся формулировки и не смешивает ли версии документов. В реальном приложении часто выгоднее предварительно разбивать данные, индексировать их и передавать модели только релевантные фрагменты. Это снижает стоимость и упрощает диагностику ошибок.
Ограничения
- Закрытая модель. Лицензия в паспорте — Proprietary, open weights отсутствуют. Пользователь получает доступ через продукты и API Google, но не сам набор весов для самостоятельного развёртывания.
- Не максимальный запас качества. Оценка quality 57,4 и coding 54,6 требуют осторожности в сложной аналитике и разработке.
- Ошибки и галлюцинации. Официальная карточка прямо относит их к известным ограничениям фундаментальных моделей.
- Актуальность знаний. Для свежих данных нужен внешний поиск, grounding или контролируемая база знаний.
- Неравномерная задержка. В model card упомянуты возможные замедления и тайм-ауты; паспортная скорость не является гарантией для каждого запроса.
- Preview-функции. Статус самой модели в паспорте — не preview, но отдельные возможности, включая computer use, могут иметь preview-статус.
- Безопасность действий. Вызов функций и агентные цепочки требуют ограничений полномочий, журналирования и ручного подтверждения рискованных операций.
В срезе нет данных о некоторых важных для выбора характеристиках: не указан размер модели, архитектура, число параметров, точный SLA, региональная доступность, задержка по конкретным типам мультимодального ввода и стоимость каждого возможного режима у всех провайдеров. Эти значения не следует восстанавливать по памяти или выводить из места в рейтинге.
Кому модель подходит
Gemini 3.5 Flash Lite подходит командам, которым нужно обрабатывать много запросов при ограниченном бюджете и использовать единый мультимодальный API. Хорошие кандидаты — служба поддержки, сортировка обращений, извлечение реквизитов из документов, подготовка кратких сводок, конвейеры OCR-постобработки, генерация структурированных карточек и промежуточные шаги агентных систем.
Модель особенно интересна, когда входных токенов много, а ответ короткий и формализованный. В таком режиме низкая цена входа, большой контекст и поддержка структурированного вывода могут дать заметный эксплуатационный эффект.
Кому стоит выбрать другой подход
Осторожнее следует быть в проектах, где критична воспроизводимость на редких случаях, глубокое планирование или корректность большого программного изменения с первой попытки. Не лучший вариант и для сценария, требующего локального развёртывания или полного контроля над весами: паспорт фиксирует закрытую проприетарную поставку.
Если модель используется как единственный исполнитель в агентной системе, необходимо доказать её надёжность на полном маршруте, а не только на отдельных ответах. В некоторых проектах разумнее оставить Gemini 3.5 Flash Lite быстрым фильтром или исполнителем рутинных шагов, добавив отдельные проверки и эскалацию сложных случаев.
Как проверить на своей задаче
- Соберите репрезентативный набор. Возьмите реальные запросы, включая неполные данные, опечатки, длинные документы, конфликтующие инструкции и редкие исключения.
- Заранее определите критерии. Для классификации измеряйте точность и полноту, для извлечения — корректность каждого поля, для кода — прохождение тестов и отсутствие регрессий.
- Разделите стоимость и качество. Записывайте число входных и выходных токенов отдельно, чтобы не перепутать тариф с результативностью.
- Проверьте задержку. Замерьте время до первого токена, полное время ответа, долю тайм-аутов и разброс по размерам входа.
- Тестируйте длинный контекст. Разложите контрольные факты в разных местах документа и проверяйте точность ссылок на каждый из них.
- Проверьте структурированный вывод. Валидируйте JSON-схему, обязательные поля, типы данных и поведение при невозможности извлечения.
- Проведите негативные тесты. Добавьте prompt injection, поддельные инструкции во вложениях, неоднозначные формулировки и запросы на опасные действия.
- Смоделируйте отказоустойчивость. Проверьте повтор запроса, идемпотентность, fallback, лимиты бюджета и ручную эскалацию.
Минимальный пилот стоит запускать в двух режимах: с короткими типовыми запросами и с реальными длинными входами. Только так станет видно, соответствует ли паспортная эффективность вашей нагрузке. Итоговое решение принимайте по стоимости корректного результата, а не по цене одного вызова.
FAQ
Что означает 27-е место Gemini 3.5 Flash Lite?
Это позиция модели в рейтинге COMRAD404 2026 H2 на срез 31 августа 2026 года. Она не является процентом качества и не означает, что модель правильно отвечает на 27 или 73 процента запросов.
Можно ли считать COMRAD Score рейтингом точности?
Нет. COMRAD Score 71,7 — нормализованная редакционная оценка 0–100, рассчитанная из пяти суббаллов с заданными весами. Это инструмент сравнительного выбора, а не универсальная метрика правильности.
Для каких задач Gemini 3.5 Flash Lite подходит лучше всего?
Для массовой классификации, извлечения данных, разбора документов, кратких сводок, маршрутизации запросов, субагентных шагов и других сценариев, где важны стоимость и пропускная способность.
Поддерживает ли модель изображения, аудио, видео и PDF?
Да. В официальной документации указаны текст, изображения, видео, аудио и PDF на входе. Выход модели — текстовый; генерация изображений и аудио не заявлена.
Можно ли развернуть модель локально?
В паспорте указана проприетарная лицензия и отсутствие open weights. Поэтому профиль предполагает использование через доступные продукты и API Google, а не самостоятельное локальное развёртывание весов.
Насколько надёжна заявленная скорость 358,3 токена в секунду?
Это значение из зафиксированного редакционного среза. Оно описывает измеренную скорость вывода, но не гарантирует такое же поведение в каждом регионе, режиме и у каждого API-провайдера. Отдельно измеряйте time to first token: в паспорте он равен 8,23 секунды.
Подходит ли модель для программирования?
Подходит для типовых и вспомогательных задач, но суббалл coding равен 54,6. Сложные изменения кода, миграции и операции с внешними системами необходимо проверять тестами, анализаторами и ревью.
Что делать, если нужны свежие сведения?
Учитывать дату отсечения знаний, указанную Google, и подключать внешний поиск, grounding или внутреннюю базу знаний. Ответ модели без проверки не следует считать актуальным источником фактов.
Источники
Редакционные числа и место в рейтинге взяты из переданного паспорта модели; официальные возможности и ограничения сверены по первичным материалам Google.
- Google DeepMind: Gemini 3.5 Flash-Lite Model Card — описание модели, контекст, лимит вывода, назначение, ограничения, дата отсечения знаний и сведения о распространении.
- Google AI for Developers: Gemini 3.5 Flash-Lite — код модели, поддерживаемые типы входа и возможности Gemini API.
- Google AI for Developers: Models — официальный перечень моделей Gemini API и статус Gemini 3.5 Flash-Lite.
- Artificial Analysis: LLM Leaderboard — источник Intelligence Index, тарифных и эксплуатационных параметров, отражённых в паспорте.
- LMArena Text Leaderboard — источник текстового рейтинга, места и числа голосов, отражённых в паспорте.
- LMArena Leaderboard — источник результатов Code Arena, использованных в кодовом суббалле.
Официальная страница Google из переданного списка также использована для проверки идентичности названия и разработчика: материал Google о линейке Gemini 3.5.