Gemini 3.1 Flash-Lite

Gemini 3.1 Flash-Lite est un LLM propriétaire de Google, sorti le 3 mars 2026, avec des poids non ouverts. Son positionnement est clair : une variante très économique, associée à une fenêtre de contexte d’environ 1,0 M de tokens et à des connaissances arrêtées au 31 janvier 2025.

Le modèle se distingue surtout par son rapport coût-capacité : sa tarification se situe nettement sous la moyenne des LLM similaires et très en dessous des modèles frontière. À sa sortie, il figurait dans le top 11% sur GPQA parmi les LLM de sa génération, ce qui le place alors dans le haut du panier sur ce test.

Caractéristiques

Indices de synthèse

Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.

Performances (benchmarks)

« 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 « grand public » sur chaque dimension, et à ses voisins de classement.

Classements Arena (Elo)

Tarifs

Prix en dollars US par million de tokens.

Sa tarification se situe 87 % en dessous de la moyenne des LLM similaires, et 19,3 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).

Coût & vitesse agentiques

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 affiche ses meilleurs signaux sur les évaluations Benchable liées aux hallucinations et à l’éthique, où il atteint le tout premier rang, ainsi qu’en Mathematics, où il se classe dans le top 10. La classification d’e-mails ressort aussi comme un usage solide. Sa grande fenêtre de contexte constitue un atout concret pour traiter de longs documents, de grands historiques ou des corpus volumineux dans une même requête. Son tarif est l’autre point fort majeur : il est très inférieur à celui des LLM comparables et environ 19,3 fois plus bas que celui des modèles frontière, ce qui en fait un modèle orienté volume et coûts maîtrisés.

Limites et points d'attention. Les indices globaux montrent un profil inégal : l’Intelligence Index le situe plutôt en milieu bas de classement, le Code Index reste modeste face aux modèles spécialisés, et l’Agentic Index figure parmi ses faiblesses les plus nettes. Les résultats Arena en texte et en code ne le placent pas parmi les meilleurs, même si l’évaluation image-to-code est plus favorable. Le benchmark Coding de Benchable reste honorable, mais son rang indique une concurrence dense. Gemini 3.1 Flash-Lite convient surtout aux usages à grand volume, à forte contrainte budgétaire, avec besoin de long contexte et de tâches structurées plutôt que d’agentivité avancée.

Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · LiveBench (livebench.ai) · Arena.ai (arena.ai) · PinchBench (pinchbench.com) · Benchable.ai (benchable.ai).