- Mulai
- 3 Mar 2026KEYAKINAN 90%dari sumbernya
Gemini 3.1 Flash-Lite Dirilis
Diterjemahkan otomatis dari aslinya
Judul asli: Gemini 3.1 Flash-Lite Released
- Google memperkenalkan Gemini 3.1 Flash-Lite pada 3 Maret 2026, “model seri Gemini 3 kami yang tercepat dan paling hemat biaya”, dibangun untuk beban kerja pengembang bervolume tinggi[1]
- Model ini lebih cepat daripada 2.5 Flash, dengan waktu ke token jawaban pertama 2,5X lebih cepat dan peningkatan kecepatan keluaran 45% pada kualitas yang serupa atau lebih baik[1]
Fitur unggulan
- Berharga $0,25 per juta token masukan dan $1,50 per juta token keluaran[1]
- Cocok untuk terjemahan, moderasi konten, pembuatan antarmuka pengguna, dan pembangunan simulasi[1]
- Dalam pratinjau lewat Gemini API di Google AI Studio dan Vertex AI[1]
Tolok ukur[3]
| Tolok ukur | Gemini 3.1 Flash-Lite | Gemini 2.5 Flash | Gemini 2.5 Flash-Lite | GPT-5 mini | Claude 4.5 Haiku | Grok 4.1 Fast |
|---|---|---|---|---|---|---|
| Harga masukan ($/1 juta token, tanpa caching, makin rendah makin baik) | $0.25 | $0.30 | $0.10 | $0.25 | $1.00 | $0.20 |
| Harga keluaran ($/1 juta token, makin rendah makin baik) | $1.50 | $2.50 | $0.40 | $2.00 | $5.00 | $0.50 |
| Kecepatan keluaran (Token / dtk) | 363 | 249 | 366 | 71 | 108 | 145 |
| Humanity’s Last Exam (Penalaran akademik (set penuh, teks + MM), tanpa alat) | 16.0% | 11.0% | 6.9% | 16.7% | 9.7% | 17.6% |
| GPQA Diamond (Pengetahuan ilmiah, tanpa alat) | 86.9% | 82.8% | 66.7% | 82.3% | 73.0% | 84.3% |
| MMMU-Pro (Pemahaman dan penalaran multimodal, tanpa alat) | 76.8% | 66.7% | 51.0% | 74.1% | 58.0% | 63.0% |
| CharXiv Reasoning (Sintesis informasi dari grafik kompleks) | 73.2% | 63.7% | 55.5% | 75.5% | 61.7% | 31.6% |
| Video-MMMU (Perolehan pengetahuan dari video) | 84.8% | 79.2% | 60.7% | 82.5% | — | 74.6% |
| SimpleQA Verified (Pengetahuan parametrik) | 43.3% | 28.1% | 11.5% | 9.5% | 5.5% | 19.5% |
| FACTS Benchmark Suite (Tolok ukur faktualitas lintas grounding, parametrik, pencarian, dan MM.) | 40.6% | 50.4% | 17.9% | 33.7% | 18.6% | 42.1% |
| MMMLU (Tanya jawab multibahasa) | 88.9% | 86.6% | 84.5% | 84.9% | 83.0% | 86.8% |
| LiveCodeBench (Pembuatan kode (UI: 1/1/2025-5/1/2025)) | 72.0% | 62.6% | 34.3% | 80.4% | 53.2% | 76.5% |
| MRCR v2 (8-needle) (Kinerja konteks panjang, 128k (rata-rata)) | 60.1% | 54.3% | 30.6% | 52.5% | 35.3% | 54.6% |
| MRCR v2 (8-needle) (Kinerja konteks panjang, 1M (pointwise)) | 12.3% | 21.0% | 5.4% | — | — | 6.1% |
Referensi 3KEYAKINAN 85%Keyakinan keseluruhan: 85%Seberapa baik sumber dan referensi pin mendukung tanggalnya.Rata-rata tertimbang dari seberapa kuat 3 referensi, termasuk sumber, mendukung waktu mulai dan berakhir pin; bobot sebuah referensi berkurang setengahnya untuk setiap 180 hari lebih lama dari yang terbaruTampilkan semua pin dengan keyakinan 75% atau lebih tinggi
Entri pertama selalu merupakan sumber pin. Keyakinan keseluruhan adalah rata-rata tertimbang dari seberapa kuat setiap referensi mendukung waktu mulai dan berakhir yang digunakan di atas; bobot sebuah referensi berkurang setengahnya untuk setiap 180 hari lebih lama dari yang terbaru.
- [1]90%blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-liteblog.google· Diposting 30 Sep 2026· Mulai 3 Mar 2026 ✓· 41% dari skor
Unggahan Google “Gemini 3.1 Flash-Lite: Built for intelligence at scale” bertanggal 3 Maret 2026 dan menyatakan model ini diluncurkan dalam pratinjau pada hari itu kepada pengembang lewat Gemini API dan kepada perusahaan lewat Vertex AI.
- [2]75%Gemini (language model) - Wikipediaen.wikipedia.org· Ditambahkan 30 Sep 2026· 41% dari skor
The Wikipedia article lists Gemini 3.1 Flash-Lite as released on 3 March 2026.
- [3]95%Gemini 3.1 Flash-Lite - Model Carddeepmind.google· Diterbitkan 3 Mar 2026· 18% dari skor
DeepMind's model card gives the benchmark table against the model's predecessor and named rivals.
Sarankan koreksi
Ada yang kurang atau salah? Sampaikan dengan kata-kata Anda sendiri: tautan yang mendukung pin ini, tanggal mulai atau berakhir yang berbeda beserta alasannya, atau fakta yang kurang atau keliru. AI memeriksanya terhadap sumber pin ini, mencari sumber yang lebih baik, dan menambahkan halaman mana pun yang mendukung Anda. Sumber pin itu sendiri tetap paling diperhitungkan. Gambar yang menampilkan hal lain, atau menampilkannya dengan buruk, juga diperiksa, lalu diturunkan atau diganti.
