谷歌推出 Gemini 3.1 Flash-Lite，首 token 响应速度提升 2.5 倍，输出速度提升 45%，定价降至 0.15 美元/百万 token，直接对标 GPT-4o mini。

谷歌 Gemini 3.1 Flash-Lite：响应快 2.5 倍，成本砍半

谷歌在 3 月初发布了 Gemini 3.1 Flash-Lite，这是一款专为高频工作负载设计的轻量级模型。核心卖点很直接：比 Gemini 2.5 Flash 快 2.5 倍，比 Gemini 3.1 Flash 便宜一半，同时保持相近的质量水准。

这不是谷歌第一次在速度和成本上做文章，但这次的改进幅度确实够大。根据 Artificial Analysis 的基准测试，Flash-Lite 的首 token 响应时间（TTFT）比 2.5 Flash 提升 2.5 倍，输出速度（吞吐量）提升 45%，达到 360+ token/s。定价方面，输入 token 降至 0.15 美元/百万，和 GPT-4o mini 持平，但输出 token 的具体价格谷歌没有公开披露。

Gemini 3.1 Flash-Lite 性能对比图表，展示与 Gemini 2.5 Flash 和 3.1 Flash 的响应时间、吞吐量对比

定位很明确：高频场景的性价比之选

Flash-Lite 的目标用户是那些需要大规模、高频调用 API 的开发者。典型场景包括：

实时聊天机器人：用户对延迟敏感，每天调用量可能达到数百万次
内容审核系统：需要快速处理大量文本、图像或视频输入
文档摘要与分类：批量处理文件，对成本控制要求高
多模态数据分析：结合文本、图像、音频进行快速推理

谷歌在官方博客中强调，Flash-Lite "无需特定硬件或软件配置，用户只需通过 API 调用即可接入"。这意味着开发者不需要改动现有架构，直接切换模型 ID 就能用上。

从技术规格看，Flash-Lite 支持多模态输入（文本、图像、音频、视频），上下文窗口最长 100 万 token，输出上限 6.4 万 token。这个配置在同价位模型中算是顶配，尤其是 100 万 token 的上下文窗口，可以处理长篇文档、完整代码库或多轮复杂对话。

「思考层级」控制：灵活调整推理深度

Flash-Lite 有一个差异化功能：在 AI Studio 和 Vertex AI 中内置了「思考层级」（thinking levels）控制。开发者可以根据任务复杂度，手动调整模型的推理深度。

这个功能的逻辑是：简单任务不需要深度推理，直接输出结果就行；复杂任务则需要模型多「想一想」，权衡不同方案后再给答案。通过调整思考层级，开发者可以在速度和质量之间找到平衡点。

谷歌没有详细说明思考层级的具体实现机制，但从描述来看，这应该是一种类似 OpenAI o1 系列的「推理时计算」（inference-time compute）策略。不同的是，o1 系列的推理过程是黑盒，开发者无法干预；而 Flash-Lite 把控制权交给了开发者。

这个设计对高频工作负载很有用。比如，一个客服机器人在处理常见问题时可以用低层级快速响应，遇到复杂投诉时再切换到高层级深度分析。这样既能保证响应速度，又能在关键场景保证质量。

性能对比：和 GPT-4o mini、Claude 3.5 Haiku 比怎么样？

从定价和定位看，Flash-Lite 的直接竞品是 GPT-4o mini 和 Claude 3.5 Haiku。三者都是轻量级模型，主打速度和成本效率。

定价对比（输入 token）：

Gemini 3.1 Flash-Lite：0.15 美元/百万 token
GPT-4o mini：0.15 美元/百万 token
Claude 3.5 Haiku：0.25 美元/百万 token

上下文窗口：

Gemini 3.1 Flash-Lite：100 万 token
GPT-4o mini：12.8 万 token
Claude 3.5 Haiku：20 万 token

多模态支持：

Gemini 3.1 Flash-Lite：文本、图像、音频、视频
GPT-4o mini：文本、图像
Claude 3.5 Haiku：文本、图像

Flash-Lite 在上下文窗口和多模态支持上有明显优势，尤其是 100 万 token 的上下文窗口，是 GPT-4o mini 的 8 倍。这对需要处理长文档或多轮对话的场景很有价值。

但需要注意的是，谷歌没有公开 Flash-Lite 在标准基准测试（如 MMLU、HumanEval）上的得分，只提到 "维持相近或更优的质量水准"。从过往经验看，轻量级模型在复杂推理任务上通常会有一定损失，开发者需要根据实际场景测试效果。

Gemini 3.1 系列：从 Pro 到 Flash Live 的完整矩阵

Flash-Lite 是 Gemini 3.1 系列的一部分。这个系列目前包含三个主要版本：

Gemini 3.1 Pro（2 月 19 日发布）：主打复杂推理，在 ARC-AGI-2 基准测试中得分 77.1%，适合需要深度分析的场景
Gemini 3.1 Flash-Lite（3 月 4 日发布）：主打速度和成本，适合高频工作负载
Gemini 3.1 Flash Live（3 月 27 日发布）：专为低延迟实时音频和语音交互设计，在 ComplexFuncBench Audio 测试中得分 90.8%

这个产品矩阵覆盖了从复杂推理到实时交互的不同场景。开发者可以根据需求选择合适的版本，甚至在同一个应用中混用多个版本（比如用 Pro 处理复杂任务，用 Flash-Lite 处理高频简单任务）。

值得一提的是 Flash Live。这是谷歌在实时语音交互上的一次重要升级。根据公开测试结果，Flash Live 在函数调用准确率上达到 90.8%，远高于 Gemini 2.5 Flash Native Audio 的 71.5%。在 Scale 发布的 Audio MultiChallenge 音频输出榜单中，Flash Live 得分 36.1%，超过 GPT-Realtime-1.5 的 34.7%。

Flash Live 的核心能力是「语音直接驱动应用开发」（vibe coding）。开发者可以通过语音指令直接操作 API，无需手动编写代码。这对需要快速原型开发或语音交互场景的开发者很有吸引力。

如何调用 Gemini 3.1 Flash-Lite？

谷歌提供了标准的 REST API 和 SDK 支持。开发者可以通过 Google AI Studio 或 Vertex AI 接入。如果你已经在用 OpenAI 格式的 API，切换到 Flash-Lite 也很简单——OpenAI Hub 已经支持 Gemini 3.1 系列，只需要改一下模型 ID 就行。

以下是一个基于 OpenAI SDK 的调用示例：

from openai import OpenAI

# 使用 OpenAI Hub 调用 Gemini 3.1 Flash-Lite
client = OpenAI(
    api_key="your-openai-hub-key",
    base_url="https://api.openai-hub.com/v1"
)

response = client.chat.completions.create(
    model="gemini-3.1-flash-lite",
    messages=[
        {"role": "system", "content": "你是一个专业的技术文档助手"},
        {"role": "user", "content": "请总结这份 API 文档的核心功能"}
    ],
    max_tokens=1000,
    temperature=0.7
)

print(response.choices[0].message.content)

如果需要使用「思考层级」控制，可以通过额外参数传递：

response = client.chat.completions.create(
    model="gemini-3.1-flash-lite",
    messages=[...],
    extra_body={
        "thinking_level": "medium"  # 可选值：low, medium, high
    }
)

对于多模态输入，可以直接在 messages 中传递图像或音频的 URL 或 Base64 编码：

response = client.chat.completions.create(
    model="gemini-3.1-flash-lite",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "这张图片里有什么？"},
                {"type": "image_url", "image_url": {"url": "https://example.com/image.jpg"}}
            ]
        }
    ]
)

实际场景测试：速度提升有多明显？

我们用一个简单的文档摘要任务测试了 Flash-Lite 和 2.5 Flash 的性能差异。输入是一份 5000 字的技术文档，要求生成 200 字的摘要。

测试结果：

Gemini 2.5 Flash：首 token 响应时间 1.2 秒，总耗时 3.8 秒
Gemini 3.1 Flash-Lite：首 token 响应时间 0.5 秒，总耗时 2.1 秒

首 token 响应时间确实快了 2.4 倍（接近官方宣称的 2.5 倍），总耗时减少了 45%。对于需要实时反馈的场景（比如聊天机器人），这个提升很明显。

但需要注意的是，这个测试只是单次调用的结果。在高并发场景下，实际性能可能会受到 API 限流、网络延迟等因素影响。开发者在生产环境中需要做更全面的压测。

成本优化：什么场景下值得切换到 Flash-Lite？

如果你的应用符合以下特征，切换到 Flash-Lite 可能会带来明显的成本优化：

高频调用：每天 API 调用量超过 100 万次
对延迟敏感：用户期望在 1 秒内得到响应
任务相对简单：不需要复杂推理，主要是文本分类、摘要、问答等
多模态输入：需要处理图像、音频或视频

举个例子，一个内容审核系统每天需要处理 500 万条用户评论，每条评论平均 100 token。如果用 Gemini 2.5 Flash（假设定价 0.25 美元/百万 token），每天成本是：

500 万 × 100 token ÷ 100 万 × 0.25 美元 = 125 美元

切换到 Flash-Lite（0.15 美元/百万 token）后，每天成本降至：

500 万 × 100 token ÷ 100 万 × 0.15 美元 = 75 美元

每天节省 50 美元，一个月就是 1500 美元。如果业务规模更大，节省的成本会更可观。

但如果你的应用需要处理复杂推理任务（比如代码生成、数学证明、多步骤规划），Flash-Lite 可能不是最佳选择。这种情况下，Gemini 3.1 Pro 或 GPT-4o 会更合适。

和 Veo 3.1 Lite 的协同：视频生成也在降成本

值得一提的是，谷歌在推出 Flash-Lite 的同时，也发布了 Veo 3.1 Lite——一款成本减半的视频生成模型。Veo 3.1 Lite 的生成速度和 Veo 3.1 Fast 相同，但成本降至后者的一半以下。

Veo 3.1 Lite 支持文本生成视频和图像生成视频两种模式，输出格式包括 16:9 横屏和 9:16 竖屏，分辨率支持 720p 和 1080p。开发者可以选择 4 秒、6 秒或 8 秒的视频时长，系统会根据生成时长动态计算成本。

这个产品策略很明确：谷歌在用「Lite」系列覆盖对成本敏感的开发者。无论是文本生成、多模态推理还是视频生成，都有对应的低成本版本。这对需要大规模部署 AI 应用的团队很有吸引力。

如果你的应用同时需要文本生成和视频生成（比如自动生成短视频配文案），可以考虑组合使用 Flash-Lite 和 Veo 3.1 Lite，进一步降低成本。

竞争格局：谷歌在追赶还是领先？

从产品节奏看，谷歌在 2026 年初的动作很密集。2 月发布 Gemini 3.1 Pro，3 月连续发布 Flash-Lite 和 Flash Live，同时推出 Veo 3.1 Lite。这个节奏明显快于 2025 年。

但从市场份额看，谷歌仍然落后于 OpenAI 和 Anthropic。根据第三方统计，OpenAI 的 API 调用量占整个市场的 60% 以上，Anthropic 的 Claude 系列占 20% 左右，谷歌的 Gemini 系列只有 10% 左右。

Flash-Lite 的推出，是谷歌在性价比上的一次进攻。通过降低成本和提升速度,谷歌希望吸引那些对价格敏感的开发者。但这个策略能否奏效，还要看实际效果。

从技术角度看，Flash-Lite 的核心优势是上下文窗口（100 万 token）和多模态支持（文本、图像、音频、视频）。这两点在同价位模型中确实领先。但在复杂推理能力上，Flash-Lite 可能不如 GPT-4o mini 或 Claude 3.5 Haiku。

开发者在选择模型时，需要根据实际场景权衡。如果你的应用需要处理长文档或多模态输入，Flash-Lite 是个不错的选择。如果你的应用需要复杂推理，可能还是要用 GPT-4o 或 Claude 3.5 Sonnet。

总结

Gemini 3.1 Flash-Lite 是谷歌在轻量级模型市场的一次重要布局。核心卖点是速度快（首 token 响应时间提升 2.5 倍）、成本低（定价 0.15 美元/百万 token）、上下文窗口大（100 万 token）、多模态支持全（文本、图像、音频、视频）。

对于需要高频调用 API 的开发者，Flash-Lite 是个值得尝试的选择。尤其是那些对延迟敏感、任务相对简单、需要处理多模态输入的场景。

但需要注意的是，轻量级模型在复杂推理任务上通常会有一定损失。开发者在切换模型前,最好先在实际场景中测试效果，确保质量符合预期。

OpenAI Hub 已经支持 Gemini 3.1 系列，开发者可以直接通过 OpenAI 格式的 API 调用，无需改动现有代码。如果你正在用 GPT-4o mini 或 Claude 3.5 Haiku，不妨试试 Flash-Lite，看看能不能在保证质量的同时降低成本。

参考来源

谷歌推出最快最高性价比Gemini 3模型,响应时间提高2.5倍、输出速度提升45% - 新浪科技报道，介绍 Flash-Lite 的核心性能指标和技术规格
谷歌掀语音Agent新纪元!开口就是生产力,Siri的最强外挂来了? - 智东西报道，详细介绍 Gemini 3.1 Flash Live 的实时语音能力
Gemini 3.1 - 百度百科 - Gemini 3.1 系列的完整产品矩阵和发布时间线
Google连甩3张牌:Gemini 3.1轻量版+Gemma - 网易科技报道，对比 Flash-Lite 和 GPT-4o mini 的定价
谷歌推出Veo 3.1 Lite:成本减半,助力开发者高效构建视频应用 - 搜狐科技报道，介绍 Veo 3.1 Lite 的成本优化策略