Gemini 3.6 Flash
gemini-3.6-flash
Contexte total
1M
Sortie max.
65.5K
Date de sortie
N/A
Entrée$1.5 / M tokens
Sortie$7.5 / M tokens
Gemini 2.5 Flash-Lite
gemini-2.5-flash-liteGemini 2.5 Flash Lite reprend les éléments mis en avant par les sources : rapideest/budget Gemini 2.5 option, thinking budgets and tool integrations. Sa valeur principale se situe dans classification, traduction, routage, extraction and charges à grande échelle. La description doit donc insister sur ces caractéristiques propres au modèle, plutôt que le présenter comme un chatbot générique.
Context Window
1M tokens
Maximum Output
65.5K tokens
Release Date
17 juin 2025
Modalities
Prix de Gemini 2.5 Flash-Lite
| Prix entrée | Prix sortie | Lecture cache |
|---|---|---|
| $0.1/M | $0.4/M | $0.01/M |
Fonctionnalités API de Gemini 2.5 Flash-Lite
Reasoning
Supported
Tool calling
Supported
Temperature parameter
Supported
Attachments
Supported
Knowledge Base
2025-01-01
Endpoint Protocols
Completions APIMessages APIgemini
Points forts de Gemini 2.5 Flash-Lite
Gemini 2.5 Flash-Lite privilégie une faible latence et un traitement multimodal efficace pour les tâches légères et fréquentes à grande échelle.
Traitement à faible latence
Le modèle est optimisé pour exécuter rapidement des requêtes légères, ce qui convient aux applications réactives et aux traitements fréquents.
Entrées multimodales étendues
Il peut interpréter du texte, des images, de la vidéo, de l’audio et des fichiers PDF, puis produire des réponses textuelles exploitables.
Grande fenêtre d’entrée
Sa limite d’entrée de 1 048 576 tokens permet de traiter de longs documents et de vastes ensembles avec moins de requêtes.
Cas d’usage de Gemini 2.5 Flash-Lite
Gemini 2.5 Flash-Lite convient à la classification à grand volume, à l’extraction simple et au traitement de contenu sensible à la latence.
Classification à grand volume
Attribuer rapidement des catégories, des priorités ou des libellés de modération à de grands flux de textes et de contenus multimodaux.
Extraction simple de données
Extraire des champs et faits courants de messages, formulaires, images ou PDF pour l’indexation et l’automatisation en aval.
Résumés rapides de documents
Condenser de longs documents et PDF en aperçus, points clés ou métadonnées de routage destinés aux chaînes de traitement.
Comment utiliser Gemini 2.5 Flash-Lite via l’API TokenHub
import OpenAI from "openai"
const client = new OpenAI({
apiKey: process.env.TOKENHUB_API_KEY,
baseURL: "https://us-api.tokenhub.com/v1",
})
const result = await client.chat.completions.create({})
console.log(result.choices[0]?.message?.content)Benchmark de Gemini 2.5 Flash-Lite
| Score d’indice | ||
|---|---|---|
| Artificial Analysis Intelligence Index | Synthèse générale des capacités par Artificial Analysis | 11.4 |
| Artificial Analysis Coding Index | Synthèse des tâches logicielles par Artificial Analysis | 9.5 |
| Artificial Analysis Math Index | Synthèse du raisonnement mathématique par Artificial Analysis | 53.3 |
| Connaissances et raisonnement | ||
| MMLU-Pro | Connaissances multitâches avancées | 75.9% |
| GPQA | Résolution avancée de problèmes scientifiques | 62.5% |
| HLE | Large ensemble d’examens de niveau expert | 6.4% |
| Programmation et ingénierie | ||
| LiveCodeBench | Problèmes de programmation récents | 59.3% |
| SciCode | Défis de programmation scientifique | 19.3% |
| Terminal-Bench Hard | Exécution de tâches complexes dans un terminal | 4.5% |
| Mathématiques | ||
| MATH-500 | Résolution avancée de problèmes mathématiques | 96.9% |
| AIME | Problèmes de mathématiques de compétition | 70.3% |
| AIME 2025 | Problèmes de mathématiques de compétition | 53.3% |
| Respect des instructions et tâches d’agent | ||
| IFBench | Respect des contraintes du prompt | 49.9% |
| AA-LCR | Raisonnement en contexte long | 51.3% |
| τ²-Bench | Tâches de workflow agentique | 18.4% |
Mesures provenant de Artificial Analysis
Questions fréquentes sur Gemini 2.5 Flash-Lite
Découvrez le positionnement de Gemini 2.5 Flash-Lite, ses meilleurs usages, ses points forts, ses limites pratiques et les précautions d’intégration avec TokenHub.
Quel type de modèle est Gemini 2.5 Flash-Lite ?+
Gemini 2.5 Flash-Lite est le modèle Gemini 2.5 le plus économique de Google pour le traitement multimodal simple et fréquent. Cette génération reste définie, mais les modèles plus récents de la même famille méritent d’être comparés pour les nouveaux projets.
Pour quelles tâches une équipe devrait-elle utiliser Gemini 2.5 Flash-Lite ?+
Usages recommandés : la classification et le routage à grande échelle, l’extraction simple de données structurées et la traduction à grande échelle. Avant la production, testez des entrées représentatives et définissez des critères d’acceptation mesurables.
Sur quels aspects Gemini 2.5 Flash-Lite possède-t-il un avantage technique net ?+
Principaux atouts : une mise à l’échelle économique, des temps de réponse rapides et la prise en charge de diverses entrées multimodales. Cet ensemble est particulièrement utile pour l’extraction simple de données structurées.
Quand faut-il choisir un autre modèle plutôt que Gemini 2.5 Flash-Lite ?+
Envisagez un autre modèle si la charge implique un raisonnement difficile en plusieurs étapes, le projet peut adopter une génération Gemini plus récente ou le processus ne permet aucune validation humaine des décisions importantes. Faites valider par une personne qualifiée les résultats importants de nature factuelle, juridique, financière, médicale ou opérationnelle.
Que faut-il vérifier avant d’intégrer Gemini 2.5 Flash-Lite avec TokenHub ?+
Dans TokenHub, sélectionnez l’identifiant exact affiché pour Gemini 2.5 Flash-Lite, utilisez l’endpoint documenté pour votre compte et vos identifiants TokenHub. Vérifiez les types d’entrée, outils, options d’ancrage et le cycle de vie réellement exposés par TokenHub, sans supposer une parité complète avec l’API Gemini.
Prêt à utiliser Gemini 2.5 Flash-Lite ?
Accédez à Gemini 2.5 Flash-Lite et à d’autres modèles d’IA avec une seule clé API TokenHub.
MéDias Et Discussions
Sélection de vidéos et publications publiques liées à ce modèle.
X (Twitter)
Reddit
YouTube