Gemini 3.1 Flash-Lite vs Gemini 3.7 Flash
Qual usar e quando
Ambos os modelos compartilham uma janela de contexto de 1048576 tokens, saída máxima de 65536 tokens, e a mesma entrada de texto, imagem, vídeo e áudio com saída de texto, então a divisão é preço versus raciocínio: o gemini-3.1-flash-lite-preview custa $0.25 por milhão na entrada e $1.5 na saída, enquanto o gemini-3.7-flash cobra 3x isso na entrada ($0.75) e 2.5x na saída ($3.75) e adiciona uma flag de capacidade de raciocínio. Escolha o gemini-3.1-flash-lite-preview para trabalhos multimodais de alto volume onde o custo domina; escolha o gemini-3.7-flash para tarefas que precisam de raciocínio, ou para prompts repetidos, onde sua taxa de leitura de cache de $0.075 se aplica.
Benchmarks
Publicado pelos provedores: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google Moonshot OpenAI Tencent Z.ai
Preços
| Gemini 3.1 Flash-Lite | Gemini 3.7 Flash | Δ | |
|---|---|---|---|
| Entrada / 1M tokens | $0.25 | $0.75 | 0.33× |
| Saída / 1M tokens | $1.5 | $3.75 | 0.4× |
| Leitura de cache / 1M tokens | - | $0.075 | - |
Tarifas do catálogo em tempo real, lidas no momento do build; a página de cada modelo traz a tabela de preços atual.
Onde cada um fica: preço de entrada por 1M tokens entre os 76 modelos de chat com esta unidade de cobrança (escala logarítmica)
Capacidades
| Gemini 3.1 Flash-Lite | Gemini 3.7 Flash | |
|---|---|---|
| Uso de ferramentas | sim | sim |
| Controle de raciocínio | sim o provedor não publica o controle | sim o provedor não publica o controle |
| Saída estruturada | sim | sim |
| Cache de prompts | implícito + explícito | implícito + explícito |
| Tempo de vida do cache | não publicado | não publicado |
| Prefixo mínimo em cache | 4096 tokens | 4096 tokens |
Especificações
| Gemini 3.1 Flash-Lite | Gemini 3.7 Flash | |
|---|---|---|
| Modalidades de entrada | texto imagem áudio vídeo | texto imagem áudio vídeo |
| Modalidades de saída | texto | texto |
| Lançamento | 2026-03-03 | 2026-08-13 |
| Corte de conhecimento | 2025-01 | 2026-03 |
| Janela de contexto | 1M | 1M |
| Saída máxima | 66K | 66K |
As especificações são transcritas da documentação de cada provedor; quando um provedor não publica um dado, a linha é omitida, e não inferida. Fontes completas: Gemini 3.1 Flash-Lite · Gemini 3.7 Flash
Um prompt, os dois modelos, medidos pelo gateway
Gemini 3.1 Flash-Lite passou · 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.
saída 86 tok latência 1.4 s
Gemini 3.7 Flash passou · 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.
saída 878 tok (+799 raciocínio) latência 6.9 s
Se a instrução é seguida (exatamente três frases, dá para contar), a adequação ao público (tom para um CFO) e a diferença de cobrança causada pelo raciocínio oculto, que os medidores de tokens abaixo deixam à mostra.
Gemini 3.1 Flash-Lite passou · 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. […]
saída 271 tok latência 2.0 s
Gemini 3.7 Flash passou · 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.
saída 1050 tok (+827 raciocínio) latência 6.4 s
Se a correção está mesmo certa (dá para executar), a densidade da explicação e a eficiência em tokens em uma tarefa bem delimitada.
Gemini 3.1 Flash-Lite passou · 5/5 fields, guidance null
```json { "company": "Meridian Robotics", "quarter": "September", "revenue_usd_m": 412, "growth_pct": null, "guidance": null } ```
saída 56 tok latência 1.3 s
Gemini 3.7 Flash passou · 5/5 fields, guidance "withheld"
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": null, "guidance": "withheld" } ```
saída 918 tok (+858 raciocínio) latência 6.2 s
Aderência ao schema (sem campos inventados), pressão para alucinar (o texto diz explicitamente que o guidance não foi divulgado) e diferenças no caminho de saída estruturada.
Gemini 3.1 Flash-Lite passou · 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. […]
saída 140 tok latência 2.3 s
Gemini 3.7 Flash passou · 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.
saída 2858 tok (+2718 raciocínio) latência 14.1 s
Respeito às restrições (limite de palavras, lista de palavras proibidas, uma única pergunta), a marca de estilo de cada modelo e o controle do tamanho.
Troque de um para o outro mudando uma linha
Os dois ids estão em todas as abas abaixo; o par de linhas destacado é a única alteração. O endpoint, a chave e o formato da requisição são os mesmos.
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", # descomente esta linha, comente a linha acima
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", // descomente esta linha, comente a linha acima
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", # descomente esta linha, comente a linha acima
"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", // descomente esta linha, comente a linha acima
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") // descomente esta linha, comente a linha acima
.addUserMessage("Summarize this diff")
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Perguntas frequentes
Qual é mais barato, Gemini 3.1 Flash-Lite ou Gemini 3.7 Flash?
Gemini 3.1 Flash-Lite sai mais barato na linha “Entrada / 1M tokens” ($0.25 contra $0.75, 3.0× de diferença). Outras linhas podem pender para o outro lado: a tabela acima mostra todos os preços, e o custo real depende do seu mix de uso.
Posso fazer um teste A/B de Gemini 3.1 Flash-Lite contra Gemini 3.7 Flash sem duas integrações?
Sim. Os dois são servidos pelo mesmo endpoint compatível com OpenAI, com uma única chave de API. Para trocar, basta mudar uma linha, a string do modelo; assim você pode direcionar uma parte do tráfego para cada um e comparar as contas diretamente.
Gemini 3.1 Flash-Lite e Gemini 3.7 Flash suportam cache de prompts?
No nosso feed, só um dos dois tem preço de leitura de cache; quando a tarifa não aparece, é porque o provedor não tem preço separado para as leituras de cache.