
Gemini 3.1 Flash Lite Preview: Spezifikationen, Preise (0,25 $/M Token), 1-M-Token-Kontext, 296 T/s Geschwindigkeit und wie Sie Googles schnellstes Budget-KI-Modell einsetzen.
Gemini 3.1 Flash Lite Preview (gemini-3.1-flash-lite-preview) ist Googles schnellstes und kosteneffizientestes Modell der Gemini-3-Serie – ein multimodales Budget-Modell mit 1-M-Token-Kontext, konfigurierbarem Reasoning und über 296 Token pro Sekunde Ausgabegeschwindigkeit bei 0,25 $ pro Million Eingabe-Token. Für Entwickler, die Hochdurchsatz-Pipelines betreiben, bedeutet dies einen spürbaren Leistungssprung gegenüber dem Vorgänger – ohne Preiserhöhung.
Was ist Gemini 3.1 Flash Lite Preview?
Gemini 3.1 Flash Lite Preview ist ein Large Language Model von Google, das am 3. März 2026 über die Gemini API, Google AI Studio und Vertex AI veröffentlicht wurde [2]. Es ist der erste Flash-Lite-Eintrag der Gemini-3-Generation und wurde speziell für Hochdurchsatz-, latenzempfindliche und kostenoptimierte Workloads entwickelt [1].
Das Modell akzeptiert Text, Bilder, Audio (ASR) und Video als Eingabe und liefert Textausgaben [4]. Der Wissensstand endet im Januar 2025 [4].
Kerndaten
| Eigenschaft | Wert |
|---|---|
| Modell-ID | gemini-3.1-flash-lite-preview |
| Stabiler Alias | gemini-3.1-flash-lite |
| Veröffentlichungsdatum | 3. März 2026 (Preview) |
| Preview-Abkündigung | 9. Juli 2026 [3] |
| Eingabemodalitäten | Text, Bild, Audio, Video |
| Ausgabemodalität | Text |
| Kontextfenster | 1.048.576 Token (1 M) |
| Maximale Ausgabe-Token | 65.536 |
| Wissensstand | Januar 2025 |
| Gesamtintelligenz-Rang | #89 von 378 erfassten Modellen [7] |
| Coding-Rang | #87 von 378 erfassten Modellen [7] |
Der stabile Alias gemini-3.1-flash-lite ist bereits verfügbar. Der Preview-Endpunkt wird am 9. Juli 2026 abgekündigt – Produktionssysteme, die nach diesem Datum noch gemini-3.1-flash-lite-preview aufrufen, erhalten Fehlermeldungen [3].
Stärken
Gemini 3.1 Flash Lite Preview vereint extreme Geschwindigkeit, einen enormen Kontext und multimodale Vielseitigkeit zu einem Budget-Preis – und zählt damit Mitte 2026 zu den leistungsfähigsten Modellen in seiner Preisklasse [4][6].
Geschwindigkeit
Das Modell gibt 296,2 Token pro Sekunde aus, ist 2,5× schneller bei der Time to First Token als Gemini 2.5 Flash und erreicht eine um 45 % höhere Ausgabegeschwindigkeit als sein Vorgänger [4][2]. Unter den von Drittanbietern benchmarkten proprietären Modellen belegt es damit den Spitzenplatz in der Geschwindigkeitskategorie.
Kosteneffizienz
Mit 0,25 $ pro Million Eingabe-Token ist Gemini 3.1 Flash Lite Preview günstiger als rund 47 % vergleichbarer Modelle und kostet halb so viel wie Gemini 3 Flash [5]. Bei Workloads mit Dutzenden von Millionen Token pro Monat summiert sich dieser Unterschied schnell.
Kontextfenster
Das Eingabefenster mit 1.048.576 Token ist größer als das von 97 % aller erfassten Modelle [7]. Damit lassen sich vollständige Rechtsdokumente, gesamte Codebasen und mehrstündige Transkripte in einer einzigen Anfrage verarbeiten – ohne Chunking oder Retrieval-Workarounds.
Konfigurierbares Reasoning
Das Modell unterstützt vier verschiedene Denkstufen – minimal, niedrig, mittel und hoch – die pro API-Anfrage konfigurierbar sind [3]. Entwickler können Inferenzkosten und Reasoning-Tiefe je Aufruf individuell abwägen – ungewöhnlich in dieser Preisklasse.
Deutlicher Intelligenzsprung gegenüber dem Vorgänger
Der Artificial Analysis Intelligence Index-Score von Gemini 3.1 Flash Lite Preview beträgt 25, verglichen mit einem Median von 16 für Modelle in seiner Preisklasse und einem Score von 13 für Gemini 2.5 Flash Lite [4][6]. Zu den Benchmark-Highlights zählen 86,9 % auf GPQA Diamond, 76,8 % auf MMMU Pro und ein Elo-Wert von 1432 auf dem Arena.ai Leaderboard [2].
Multimodale Vielseitigkeit zum Budget-Preis
Text-, Bild-, Audio- (ASR) und Videoeingaben in dieser Preisklasse sind selten. Die meisten Modelle mit vergleichbarer multimodaler Abdeckung sind deutlich teurer [4].
Schwächen
Trotz Geschwindigkeit und Preis-Leistungs-Verhältnis bringt Gemini 3.1 Flash Lite Preview echte Kompromisse mit sich, die in bestimmten Produktionsszenarien relevant sind – insbesondere bei latenzempfindlichem Streaming und anspruchsvollen Reasoning-Aufgaben [4][6].
TTFT-Nachteil bei aktiviertem Thinking
Wenn Reasoning aktiviert ist, steigt die Time to First Token auf etwa 7,88 Sekunden [4]. Für Echtzeit-Chat-Interfaces, Streaming-Assistenten oder Anforderungen mit Sub-Sekunden-Antwortzeiten ist dies ein ausschließendes Kriterium. Der minimale Thinking-Modus mildert dies, muss jedoch explizit konfiguriert werden.
Begrenzung der Ausgabe-Token
Die maximale Ausgabe von 65.536 Token schränkt die Generierung langer Dokumente ein. Ein Modell, das eine Million Token verarbeiten kann, ist nicht immer in der Lage, eine proportional lange Antwort zu erzeugen – eine Lücke, die Berichterstellung, vollständiges Dokument-Rewriting und mehrteilige Zusammenfassungsaufgaben betrifft [5].
Reasoning-Tiefe unter Flaggschiff-Modellen
Komplexe mehrstufige agentische Pipelines – Tool-Use-Ketten, Multi-Hop-Reasoning, langfristige Planung – bevorzugen weiterhin Gemini 3.1 Pro oder Gemini 3.5 Flash für zuverlässige Ausgabequalität [6]. Flash Lite ist auf Durchsatz optimiert, nicht auf Tiefe.
Wissensstand
Der Wissensstand vom Januar 2025 bedeutet, dass dem Modell bei seinem Start im März 2026 rund 18 Monate an Ereignissen fehlen [4]. Anwendungen, die aktuelle Informationen benötigen, müssen Retrieval-Augmented Generation (RAG) oder Echtzeit-Grounding implementieren.
Abkündigung des Preview-Endpunkts
Die Modell-ID gemini-3.1-flash-lite-preview wird am 9. Juli 2026 eingestellt [3]. Teams, die bis dahin nicht auf gemini-3.1-flash-lite migriert sind, werden Dienstunterbrechungen erleben.
Preise und Limits
Gemini 3.1 Flash Lite Preview kostet 0,25 $ pro Million Eingabe-Token und 1,50 $ pro Million Ausgabe-Token. Thinking-Token werden zum Ausgabe-Tarif abgerechnet [5].
Preisübersicht
| Token-Typ | Preis |
|---|---|
| Eingabe-Token | 0,25 $ / 1 M |
| Ausgabe-Token | 1,50 $ / 1 M |
| Thinking-Token | 1,50 $ / 1 M (als Ausgabe abgerechnet) |
| Einsparungen durch Prompt-Caching | 60–80 % bei wiederholtem Kontext [5] |
Kontext- und Kontingentlimits
- Eingabe-Kontextfenster: 1.048.576 Token [5]
- Maximale Ausgabe-Token: 65.536 Token [5]
- Kostenloser Tarif: Verfügbar mit reduzierten Kontingenten ab April 2026. Pro-Modelle wurden am 1. April 2026 aus dem kostenlosen Tarif entfernt, sodass Flash und Flash-Lite die primären kostenlosen Optionen sind [9].
Prompt-Caching
Prompt-Caching reduziert die Kosten bei Anfragen, die denselben System-Prompt oder einen großen Kontextblock wiederverwenden, um 60–80 % [5]. Für Anwendungen mit einem festen System-Prompt bei jeder Anfrage – Kundenservice-Bots, Dokument-Q&A-Tools, Coding-Assistenten – ist Caching die wirkungsvollste einzelne Kostenoptimierung.
Optimale Prompts und Anwendungsfälle
Die konfigurierbaren Denkstufen und die multimodale Eingabe machen das Modell besonders effektiv für Hochvolumen-Klassifikation, RAG-Ranking, ASR-Nachbearbeitung und Dokumentenzusammenfassung. Jeder Anwendungsfall passt am besten zu einer bestimmten Denkstufe [3][6].
Minimales Thinking — Echtzeit-Klassifikation und Moderation
Am besten geeignet für: Content-Moderation, Sentiment-Tagging, UI-Text-Generierung, Label-Vorhersage.
Klassifizieren Sie die folgende Kundenbewertung als Positiv, Neutral oder Negativ. Antworten Sie mit nur einem Wort.
Minimales Thinking hält die TTFT niedrig und die Kosten pro Aufruf nahezu null – ideal für Pipelines, die Tausende kurzer Eingaben pro Sekunde verarbeiten.
Niedriges Thinking — Übersetzung und strukturierte Extraktion
Am besten geeignet für: mehrsprachige Übersetzung in großem Maßstab, Named Entity Recognition, schemagebundene Datenextraktion.
Extrahieren Sie alle Named Entities aus dem folgenden Abschnitt und geben Sie sie als JSON-Array mit den Schlüsseln name, type und context zurück.
Niedriges Thinking fügt einen leichten Reasoning-Overhead hinzu und bleibt dabei deutlich unter dem Latenz-Schwellenwert für Batch-Pipelines.
Mittleres Thinking — RAG-Ranking und Multi-Dokument-Zusammenfassung
Am besten geeignet für: Relevanz-Scoring, Passage-Ranking, vergleichende Zusammenfassung mehrerer Quellen.
Ordnen Sie die folgenden 10 abgerufenen Passagen nach ihrer Relevanz für die Anfrage und geben Sie die Top 3 mit je einem Satz Begründung zurück.
Mittleres Thinking ist die empfohlene Standardeinstellung für RAG-Pipelines, bei denen die Ausgabequalität die nachgelagerte Nutzererfahrung direkt beeinflusst.
Hohes Thinking — Code-Review und technisches Reasoning
Am besten geeignet für: Code-Korrektheitsprüfung, mehrstufige technische Fragen, Architektur-Review.
Überprüfen Sie die folgende Python-Funktion auf Korrektheit, Randfälle und Performance. Schlagen Sie konkrete Verbesserungen mit Code-Beispielen vor.
Hohes Thinking aktiviert die vollständige Reasoning-Kette des Modells. Erwarten Sie eine höhere TTFT (~7,88 s), dafür aber deutlich bessere Ausgaben bei komplexen Aufgaben [4].
Multimodaler Prompt — Bildanalyse
Beschreiben Sie die wichtigsten UI-Elemente in diesem Screenshot und schlagen Sie drei Verbesserungen zur Barrierefreiheit vor.
Audio/ASR-Nachbearbeitung
Bereinigen Sie das folgende rohe Sprachtranskript: Korrigieren Sie die Interpunktion, entfernen Sie Füllwörter und formatieren Sie es als professionelle Besprechungszusammenfassung.
Migration: Preview zu Stable
Teams, die den Endpunkt gemini-3.1-flash-lite-preview verwenden, müssen vor dem 9. Juli 2026 auf gemini-3.1-flash-lite migrieren, um Dienstunterbrechungen zu vermeiden [3]. Der stabile Alias entspricht der Preview-Version in Bezug auf Preise, Kontextfenster und Modalitäten.
Migrations-Checkliste
- Modell-ID ersetzen — Aktualisieren Sie alle API-Aufrufe von
gemini-3.1-flash-lite-previewaufgemini-3.1-flash-lite[3]. - Preisparität prüfen — Eingabe (0,25 $/1 M), Ausgabe (1,50 $/1 M) und Kontextfenster (1 M Token) bleiben beim stabilen Alias unverändert [3][5].
- Prompt-Caching aktivieren — Wenn Ihre Anwendung bei jeder Anfrage einen wiederholten System-Prompt sendet, konfigurieren Sie jetzt Caching, um 60–80 % Kosteneinsparungen zu erzielen [5].
- Denkstufen in Google AI Studio testen — Validieren Sie, dass Ihre gewählte Denkstufe akzeptable Latenz und Qualität liefert, bevor Sie in die Produktion gehen [3].
- Migrationsfrist vor dem 9. Juli 2026 festlegen — Anfragen an den Preview-Endpunkt schlagen nach diesem Datum ohne Übergangsfrist fehl [3].
Die Migration ist risikoarm: Es handelt sich um eine reine Modell-ID-Ersetzung ohne Änderungen am Anfrage-Schema, den Preisen oder den Funktionen.
Gemini 3.1 Flash Lite auf CRAISEE ausprobieren
CRAISEE integriert Gemini 3.1 Flash Lite zusammen mit einer kuratierten Auswahl führender KI-Modelle und ermöglicht es Ihnen, Text-, Bild-, Audio- und Video-Prompts in einem einheitlichen Workspace auszuführen – ohne API-Key-Einrichtung.
Was Sie auf CRAISEE tun können:
- Modelle im direkten Vergleich testen — Führen Sie denselben Prompt mit Gemini 3.1 Flash Lite und anderen Frontier-Modellen aus, um die Ausgabequalität für Ihren spezifischen Workload zu benchmarken.
- Alle vier Denkstufen interaktiv testen — Messen Sie reale Latenz- und Ausgabequalitätsunterschiede zwischen minimaler, niedriger, mittlerer und hoher Denkstufe, bevor Sie sich für eine Konfiguration entscheiden.
- Den multimodalen Prompt-Editor nutzen — Senden Sie Bild-, Audio- oder Videoeingaben direkt an das Modell, ohne Integrationscode schreiben zu müssen.
- In Sekunden starten — Kein Infrastruktur-Setup, keine Abrechnungskonfiguration. Experimentieren Sie sofort auf craisee.com.
Für Teams, die prüfen, ob Gemini 3.1 Flash Lite für ihren Produktions-Workload geeignet ist, ist CRAISEE der schnellste Weg zu echten Antworten mit echten Daten.
Fazit
Gemini 3.1 Flash Lite Preview ist ein klar positioniertes Modell mit einem eindeutigen Zweck: maximaler Durchsatz bei minimalen Kosten, mit ausreichend multimodaler Funktionalität und konfigurierbarem Reasoning für ein breites Spektrum an Produktionsanwendungsfällen. Das 1-M-Kontextfenster, die Ausgabegeschwindigkeit von über 296 Token pro Sekunde und der Eingabepreis von 0,25 $/1 M Token machen es Mitte 2026 zu einer der kosteneffizientesten Optionen für Klassifikations-, Extraktions-, Zusammenfassungs- und ASR-Workloads. Die wesentlichen Einschränkungen – TTFT bei hohem Thinking, die 64-K-Ausgabeobergrenze und der Wissensstand vom Januar 2025 – sind vorhersehbar und mit der richtigen Architektur beherrschbar. Migrieren Sie vor dem 9. Juli 2026 zum stabilen Alias gemini-3.1-flash-lite und testen Sie Ihre Thinking-Level-Konfiguration vor Ablauf dieser Frist. Um das Modell noch heute mit Ihren eigenen Prompts zu benchmarken, testen Sie Gemini 3.1 Flash Lite auf CRAISEE.
Quellen
- [1] Gemini 2.5 Flash-Lite | Gemini Enterprise Agent Platform | Google Cloud Documentation
- [2] Gemini 3.1 Flash Lite: Our most cost-effective AI model yet — Google Blog
- [3] Gemini 3.1 Flash Lite | Gemini Enterprise Agent Platform | Google Cloud Documentation
- [4] Gemini 3.1 Flash Lite Preview — Intelligence, Performance & Price Analysis | Artificial Analysis
- [5] Gemini 3.1 Flash Lite Preview API Pricing & Specs | OpenRouter
- [6] Gemini 3.1 Flash Lite Review 2026: Pricing, Benchmarks & Features | AIMLAPI
- [7] Google Gemini 3.1 Flash Lite Preview — Model Specs & Rankings | Design for Online
- [9] The True Cost of Google Gemini: A Guide to API Pricing and Integration | MetaCTO


