Gemini 2.5 Flash-Lite
Gemini 2.5 Flash-Lite est un LLM de Google sorti le 17 juin 2025. Âgé d’environ un an, il est déjà très ancien à l’échelle de l’IA et probablement dépassé par des modèles plus récents, voire retiré du catalogue de l’éditeur.
Gemini 2.5 Flash-Lite est un LLM de Google sorti le 17 juin 2025. Âgé d’environ un an, il est déjà très ancien à l’échelle de l’IA et probablement dépassé par des modèles plus récents, voire retiré du catalogue de l’éditeur.
Son positionnement repose sur un coût très faible et une fenêtre de contexte d’environ un million de tokens. Sa tarification se situe 95% sous la moyenne des LLM similaires et environ 55 fois sous celle des modèles frontière. Le modèle est placé sous licence Creative Commons Attribution 4.0, mais ses poids ne sont pas ouverts.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | |
| Poids | 🟢 Poids ouverts · usage commercial restreint (recherche / non commercial) |
| Licence | Creative Commons Attribution 4.0 License |
| Date de sortie | 17 juin 2025 |
| Connaissances jusqu'à | 2025-01-01 |
| Multimodal | oui |
| Fenêtre de contexte | 1 048 576 tokens (≈ 1,0 M) |
| Modalités (entrée → sortie) | text,image → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 11.4 | 125ᵉ / 137 |
| Math Index | 53.3 | 30ᵉ / 54 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| FACTS Grounding | 84,1 % | 3ᵉ / 13 | llm-stats | Auto-déclaré |
| Global-MMLU-Lite | 81,1 % | 4ᵉ / 14 | llm-stats | Auto-déclaré |
| MMMU | 72,9 % | 24ᵉ / 61 | llm-stats | Auto-déclaré |
| GPQA | 64,6 % | 140ᵉ / 219 | llm-stats | Auto-déclaré |
| Vibe-Eval | 51,3 % | 6ᵉ / 8 | llm-stats | Auto-déclaré |
| AIME 2025 | 49,8 % | 94ᵉ / 108 | llm-stats | Auto-déclaré |
| LiveCodeBench | 33,7 % | 57ᵉ / 72 | llm-stats | Auto-déclaré |
| SWE-Bench Verified | 31,6 % | 98ᵉ / 102 | llm-stats | Auto-déclaré |
| Aider-Polyglot | 26,7 % | 21ᵉ / 22 | llm-stats | Auto-déclaré |
| MRCR v2 | 16,6 % | 3ᵉ / 3 | llm-stats | Auto-déclaré |
| SimpleQA | 10,7 % | 38ᵉ / 45 | llm-stats | Auto-déclaré |
| Humanity's Last Exam | 5,1 % | 86ᵉ / 89 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
Intelligence Index
Math Index
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Google Vertex (EU) | 0,1 $ | 0,4 $ | 0,01 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 95 % en dessous de la moyenne des LLM similaires, et 55 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,01 $ |
| Latence moyenne par benchmark — Benchable | 1 min 57 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. Gemini 2.5 Flash-Lite obtient des résultats parfaits en Email Classification et Ethics, deux évaluations où il se classe dans le top 10. Son score de General Knowledge est également très élevé, même si son classement relatif est moins favorable. À sa sortie, il appartenait au top 40% des 106 LLM de sa génération sur GPQA, ce qui le situait dans la partie supérieure du marché de son époque. Sa fenêtre de contexte de 1 048 576 tokens constitue une autre caractéristique notable. Son principal avantage reste économique, avec des tarifs très inférieurs à ceux des modèles similaires et frontière.
Limites et points d’attention. Son Intelligence Index le place près du bas du classement évalué. Les résultats en Coding et Mathematics restent modestes en comparaison de nombreux concurrents, tandis que l’évaluation Hallucinations ne le situe que dans la seconde moitié du classement. Le Math Index offre un résultat relatif plus favorable, sans placer le modèle parmi les références de cette catégorie. Environ un an après sa sortie, ses performances sont aujourd’hui largement dépassées à l’échelle rapide de l’IA, et ce type de modèle ancien est souvent retiré du catalogue de son éditeur.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Benchable.ai (benchable.ai).