Gemini 3.1 Flash-Lite vs Gemini 3.7 Flash
Lequel, quand — verdict de synthèse, pas un tableau de benchmarks
Les deux modèles partagent une fenêtre de contexte de 1048576 tokens, une sortie maximale de 65536 tokens, et les mêmes entrées texte, image, vidéo et audio avec une sortie texte, la différence se fait donc entre le prix et le raisonnement : gemini-3.1-flash-lite-preview coûte $0.25 par million en entrée et $1.5 en sortie, tandis que gemini-3.7-flash facture 3x ce montant en entrée ($0.75) et 2.5x en sortie ($3.75) et ajoute un paramètre de capacité de raisonnement. Choisissez gemini-3.1-flash-lite-preview pour le travail multimodal à haut volume où le coût domine ; choisissez gemini-3.7-flash pour les tâches nécessitant du raisonnement, ou pour les prompts répétés, où son tarif de lecture de cache de $0.075 s'applique.
Tarification
| Gemini 3.1 Flash-Lite | Gemini 3.7 Flash | Δ | |
|---|---|---|---|
| Entrée / 1M tokens | $0.25 | $0.75 | 0.33× |
| Sortie / 1M tokens | $1.5 | $3.75 | 0.4× |
| Lecture en cache / 1M tokens | — | $0.075 | — |
Tarifs issus du catalogue en direct au moment de la compilation ; chaque page de modèle présente la fiche actuelle.
Où ils se situent — prix en entrée pour 1M de tokens sur l'ensemble des 63 modèles chat pour cette unité de facturation (échelle logarithmique)
Capacités
| Gemini 3.1 Flash-Lite | Gemini 3.7 Flash | |
|---|---|---|
| Utilisation d'outils | oui | oui |
| Contrôle de la réflexion | oui — réglage du fournisseur non publié | oui — réglage du fournisseur non publié |
| Sortie structurée | oui | oui |
| Mise en cache du prompt | implicite + explicite | implicite + explicite |
| Durée de vie du cache | non publié | non publié |
| Préfixe minimum mis en cache | 4096 jetons | 4096 jetons |
Spécifications
| Gemini 3.1 Flash-Lite | Gemini 3.7 Flash | |
|---|---|---|
| Modalités d'entrée | texte image audio vidéo | texte image audio vidéo |
| Modalités de sortie | texte | texte |
| Sortie | 2026-03-03 | 2026-08-13 |
| Limite de connaissances | 2025-01 | — |
| Fenêtre de contexte | 1M | 1M |
| Sortie maximale | 66K | 66K |
Les spécifications sont transcrites à partir de la documentation de chaque fournisseur ; une ligne qu'un fournisseur ne publie pas est omise plutôt que déduite. Sources complètes : Gemini 3.1 Flash-Lite · Gemini 3.7 Flash
Un prompt, deux modèles — mesurés via la passerelle
Gemini 3.1 Flash-Lite réussi · 3 sentences
Enabling reasoning models increases your costs because the system now generates a significantly higher volume of "hidden" chain-of-thought tokens required to process complex logic. Since you are billed for every token produced during this internal deliberation phase, your total output volume has expanded alongside the depth of the analysis. You are essentially paying for the model to "think out loud" before arriving at a final answer, which directly scales your operational expenditure.
sortie 86 tok latence 1.4 s
Gemini 3.7 Flash réussi · 3 sentences
Enabling reasoning causes the model to generate a high volume of invisible "thinking tokens" behind the scenes to deliberate and solve complex logic before delivering a final response. Because our vendor bills strictly on token volume, this additional internal computation effectively doubled our billable output per query. In short, our costs increased because we are now paying for the extra compute capacity required to produce significantly higher-accuracy answers.
sortie 878 tok (+799 réflexion) latence 6.9 s
Suivi de l'instruction (exactement trois phrases — comptables), adaptation à l'audience (registre CFO), et l'écart de facturation lié à la réflexion cachée que les compteurs de tokens ci-dessous révèlent.
Gemini 3.1 Flash-Lite réussi · 8/8 cases
### Fixed Code ```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` ### Explanation of the Bug The original function failed because it initialized `best` and `cur` to `0` and effectively counted "transitions" (how many times an element matched its predecessor) rather than the total count of elements in a run. By starting at `0`, a single-element list returned `0` instead of `1`, and because `cur` reset to `0` and only incremented when a match was found, the function effectively counted "extra" matches beyond the first element, failing to account for the initial element of any run. […]
sortie 271 tok latence 2.0 s
Gemini 3.7 Flash réussi · 8/8 cases
Here is the corrected function: ```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 best = max(best, cur) return best ``` ### Explanation of the Bug The original function tracked equal adjacent transitions instead of the actual number of elements in a run, causing all non-empty run lengths to be undercounted by one (e.g., returning `0` instead of `1` for single-element lists because the loop never executes, and `1` instead of `2` for pairs). Initializing both `best` and `cur` to `1` (after handling empty inputs) and resetting `cur` to `1` on a mismatch ensures every individual element is counted as a valid run of at least length one.
sortie 1050 tok (+827 réflexion) latence 6.4 s
Si le correctif est réellement juste (exécutable), la densité de l'explication, et l'efficacité en tokens sur une tâche bornée.
Gemini 3.1 Flash-Lite réussi · 5/5 fields, guidance null
```json { "company": "Meridian Robotics", "quarter": "September", "revenue_usd_m": 412, "growth_pct": null, "guidance": null } ```
sortie 56 tok latence 1.3 s
Gemini 3.7 Flash réussi · 5/5 fields, guidance "withheld"
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": null, "guidance": "withheld" } ```
sortie 918 tok (+858 réflexion) latence 6.2 s
Respect du schéma (aucun champ inventé), pression d'hallucination (guidance est explicitement retenue), et différences de chemin pour la sortie structurée.
Gemini 3.1 Flash-Lite réussi · 125 words, 0 banned, 1 question
We are launching a new caching layer for our API gateway that stores LLM responses across multiple providers. By capturing frequently requested prompts, this feature significantly lowers latency and reduces operational costs for your applications. Instead of querying expensive models for repetitive tasks, your system retrieves identical outputs instantly from our high-speed cache. This integration maintains consistency while supporting diverse provider workflows, ensuring your infrastructure remains both efficient and scalable. Are you ready to optimize your token usage and improve response times for every user? Configuration takes only minutes through our existing dashboard. This addition provides a practical strategy to manage API spend without sacrificing performance or quality. […]
sortie 140 tok latence 2.3 s
Gemini 3.7 Flash réussi · 120 words, 0 banned, 1 question
Why pay twice for identical AI queries simply because you routed them to different model vendors? Today, we introduce Universal Prompt Caching directly within our unified API gateway architecture. This capability stores repeated prompt contexts across OpenAI, Anthropic, and local models, instantly returning stored results to eliminate redundant computation fees. When your application sends an LLM request, the gateway inspects the payload, identifies semantic matches, and returns accurate cached responses in under ten milliseconds. Engineering teams can now slash inference latency by eighty percent while dramatically reducing monthly token expenditures across diverse production deployments. You retain complete privacy control, flexible cache eviction policies, and granular metrics through a single dashboard. Update your routing settings today to accelerate overall system performance.
sortie 2858 tok (+2718 réflexion) latence 14.1 s
Respect des contraintes (budget de mots, liste de mots interdits, l'unique question), empreinte stylistique, et contrôle de la longueur.
Basculez de l'un à l'autre avec une seule ligne
Les deux ids sont dans chaque onglet ci-dessous — la paire de lignes en surbrillance est la seule modification. Même endpoint, même clé, même structure de requête.
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="gemini-3.1-flash-lite-preview",
# model="gemini-3.7-flash", # décommentez cette ligne, commentez celle du dessus
messages=[{"role": "user", "content": "Summarize this diff"}],
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "gemini-3.1-flash-lite-preview",
// model: "gemini-3.7-flash", // décommentez cette ligne, commentez celle du dessus
messages: [{ role: "user", content: "Summarize this diff" }],
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-3.1-flash-lite-preview",
# "model": "gemini-3.7-flash", # décommentez cette ligne, commentez celle du dessus
"messages": [{"role": "user", "content": "Hello"}]
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "gemini-3.1-flash-lite-preview",
// Model: "gemini-3.7-flash", // décommentez cette ligne, commentez celle du dessus
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("gemini-3.1-flash-lite-preview")
// .model("gemini-3.7-flash") // décommentez cette ligne, commentez celle du dessus
.addUserMessage("Summarize this diff")
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));FAQ
Lequel est le moins cher, Gemini 3.1 Flash-Lite ou Gemini 3.7 Flash ?
Gemini 3.1 Flash-Lite est moins cher sur entrée / 1m tokens ($0.25 contre $0.75, avec un écart de 3.0×). D'autres lignes peuvent indiquer l'inverse — le tableau ci-dessus contient la fiche complète, et le coût réel dépend de votre combinaison.
Puis-je faire un test A/B de Gemini 3.1 Flash-Lite par rapport à Gemini 3.7 Flash sans deux intégrations ?
Oui. Les deux sont servis via le même endpoint compatible OpenAI avec une seule clé API — le basculement est un changement de chaîne de modèle en une ligne, vous pouvez donc diriger une fraction du trafic vers chacun et comparer les factures directement.
Est-ce que Gemini 3.1 Flash-Lite et Gemini 3.7 Flash prennent en charge le prompt caching ?
La tarification de la lecture en cache n'est indiquée que pour l'un des deux dans notre flux ; lorsqu'un tarif est manquant, le fournisseur ne tarifie pas les lectures en cache séparément.