Google: Gemini 3.5 Flash Lite (batch)

Gemini 3.5 Flash Lite (batch) to model tekstowy od Google, oferowany tutaj pod identyfikatorem modelu google/gemini-3.5-flash-lite:batch. Google opisuje go jako wysoce wydajny model z ulepszonymi zdolnościami agentowymi i pozycjonuje go do podagentów wykonujących skupione zadania w większych, wieloagentowych przepływach pracy. Jeśli budujesz systemy, w których jeden model orkiestrujący deleguje wąskie zadania do modeli pomocniczych, to właśnie taką rolę Google przewiduje dla tego typu modelu.

Model przyjmuje jako dane wejściowe tekst, obraz, wideo, plik i dźwięk, a jako dane wyjściowe generuje tekst. Jego okno kontekstowe wynosi 1 048 576 tokenów, co wystarcza na długie dokumenty, transkrypcje lub historie wielu tur w jednym żądaniu. Maksymalna długość danych wyjściowych to 65 536 tokenów, więc w tym limicie możliwe są długie generowane odpowiedzi. Obsługiwane parametry żądania obejmują max_tokens, stop, seed, response_format i structured_outputs, a także tools i tool_choice do wywoływania funkcji, reasoning, reasoning_effort i include_reasoning do kontroli zachowania rozumowania.

Te możliwości wskazują na kilka praktycznych wzorców. Ponieważ strona wejściowa obejmuje tekst oraz obraz, wideo, plik i dźwięk, możesz przesyłać materiały mieszane do streszczania, ekstrakcji lub odpowiadania na pytania, zamiast kierować każdy modalność przez osobny potok. Duże okno kontekstowe pasuje do pracy na długich danych wejściowych, takich jak pełne bazy kodu, obszerne raporty czy nagrane treści ze spotkań. Wywoływanie narzędzi i ustrukturyzowane dane wyjściowe czynią go rozsądnym wyborem do zadań podagentów, które muszą zwracać dane w ustalonym kształcie lub odwoływać się do innych systemów, a kontrolki rozumowania pozwalają zwiększać lub zmniejszać wysiłek w zależności od tego, ile namysłu wymaga zadanie.

Aby wywołać go przez api14, użyj interfejsu chat completions zgodnego z OpenAI z identyfikatorem modelu google/gemini-3.5-flash-lite:batch. Przekazuj dane wejściowe jako messages w zwykły sposób; obsługiwane modalności wejściowe są zadeklarowane na poziomie modelu, więc możesz dostarczyć tekst oraz wymienione powyżej typy mediów. Po stronie żądania możesz ustawić max_tokens, stop i seed, wybrać response_format lub użyć structured_outputs, gdy potrzebujesz ograniczonego wyniku, oraz dołączyć tools z tool_choice do wywoływania funkcji. Zachowanie rozumowania jest kontrolowane przez reasoning, reasoning_effort i include_reasoning. Sufiks batch w identyfikatorze modelu wskazuje, że ten wariant jest przeznaczony do użycia w stylu wsadowym.

Pamiętaj o limicie danych wyjściowych: jeśli zadanie wymaga pojedynczej odpowiedzi dłuższej niż 65 536 tokenów, ten model nie będzie odpowiedni i potrzebny będzie model z wyższym limitem danych wyjściowych. Modalność wyjściowa to wyłącznie tekst, więc nie może generować obrazów, dźwięku ani wideo. Do pracy, która zależy od tych typów danych wyjściowych lub od możliwości nieuwzględnionych w powyższej liście parametrów, lepszym wyborem może być inny model.