Gemini 3.1 Flash-Lite
Gemini 3.1 Flash-Lite est un LLM propriétaire de Google, lancé le 3 mars 2026. Son positionnement associe une fenêtre de contexte d’environ un million de tokens à un tarif très économique, inférieur de 87% à la moyenne des LLM similaires et environ 22 fois moindre que celui des modèles…
Gemini 3.1 Flash-Lite est un LLM propriétaire de Google, lancé le 3 mars 2026. Son positionnement associe une fenêtre de contexte d’environ un million de tokens à un tarif très économique, inférieur de 87% à la moyenne des LLM similaires et environ 22 fois moindre que celui des modèles frontière.
À sa sortie, il se classait dans le top 11% des LLM de sa génération sur GPQA, signe d’un bon niveau initial sur les questions scientifiques complexes. Ses connaissances s’arrêtent au 31 janvier 2025. Les évaluations concordantes issues de six sources dessinent toutefois un modèle plus convaincant en mathématiques et en traitement de texte qu’en programmation avancée ou en tâches agentiques.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | |
| Poids | 🔒 Propriétaire |
| Date de sortie | 3 mars 2026 |
| Connaissances jusqu'à | 2025-01-31 |
| Multimodal | oui |
| Fenêtre de contexte | 1 000 000 tokens (≈ 1,0 M) |
| Modalités (entrée → sortie) | text,image,audio,video → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 25.0 | 81ᵉ / 137 |
| Code Index | 34.7 | 53ᵉ / 74 |
| Agentic Index | 6.2 | 57ᵉ / 68 |
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 |
|---|---|---|---|---|
| MMMLU | 88,9 % | 15ᵉ / 49 | llm-stats | Auto-déclaré |
| GPQA | 86,9 % | 37ᵉ / 219 | llm-stats | Auto-déclaré |
| VideoMMMU | 84,8 % | 6ᵉ / 26 | llm-stats | Auto-déclaré |
| MMMU-Pro | 76,8 % | 25ᵉ / 64 | llm-stats | Auto-déclaré |
| CharXiv-R | 73,2 % | 28ᵉ / 45 | llm-stats | Auto-déclaré |
| MRCR v2 (8-needle) | 60,1 % | 6ᵉ / 19 | llm-stats | Auto-déclaré |
| SimpleQA | 43,3 % | 19ᵉ / 45 | llm-stats | Auto-déclaré |
| FACTS Grounding | 40,6 % | 12ᵉ / 13 | llm-stats | Auto-déclaré |
| Finance Agent v2 | 30,0 % | 24ᵉ / 26 | llm-stats | n.d. |
| Humanity's Last Exam | 16,0 % | 65ᵉ / 89 | llm-stats | Auto-déclaré |
| Legal Agent Benchmark | 0,0 % | 9ᵉ / 12 | llm-stats | n.d. |
« 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
Code Index
Classements Arena (Elo)
| Catégorie | Elo | Rang | En tête d'arène |
|---|---|---|---|
| Arena Text | 1432 | 79ᵉ / 200 | Claude Fable 5 (1507) |
| Arena Image-to-Code | 1330 | 29ᵉ / 31 | Claude Fable 5 (1627) |
| Arena Code | 1253 | 85ᵉ / 99 | Kimi K3 (1679) |
| Arena Vision | 1235 | 42ᵉ / 135 | Claude Fable 5 (1318) |
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Google Vertex | 0,25 $ | 1,5 $ | 0,025 $ |
| 0,25 $ | 1,5 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 88 % en dessous de la moyenne des LLM similaires, et 22 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût par exécution agentique — PinchBench (147 tâches) | 3,79 $ |
| Durée d'exécution — PinchBench | 1 h 33 min |
| Indice valeur/coût — PinchBench | 21,27 |
| Coût moyen par benchmark — Benchable | 0,01 $ |
| Latence moyenne par benchmark — Benchable | 2 min 04 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 3.1 Flash-Lite atteint le top 10 sur les évaluations Benchable Mathematics, Hallucinations et Ethics, avec des scores maximaux sur ces deux dernières. Il obtient aussi un résultat presque parfait en classification d’e-mails et un score élevé en Coding. Sa fenêtre de 1 048 576 tokens constitue un atout pour traiter de longs corpus. Son principal avantage pratique reste son coût, avec une entrée facturée 0,25 $ par million de tokens et une sortie à 1,5 $, très en dessous des modèles comparables.
Limites et points d’attention. Les résultats agrégés sont moins favorables que ses meilleurs benchmarks spécialisés : l’Intelligence Index se situe dans la seconde moitié du classement, tandis que le Code Index et surtout l’Agentic Index indiquent une compétitivité limitée. Les évaluations Arena confirment cet écart, avec un classement moyen en texte, faible en code et presque dernier en image-to-code. Le modèle convient donc surtout aux traitements textuels volumineux, à la classification et aux tâches mathématiques à coût contraint, plutôt qu’au développement complexe, à la conversion d’images en code ou aux workflows agentiques exigeants.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Arena.ai (arena.ai) · PinchBench (pinchbench.com) · Benchable.ai (benchable.ai).