Google: Gemini 2.5 Flash Lite

Google: Gemini 2.5 Flash Lite é um modelo de raciocínio leve do Google, parte da família Gemini 2.5. O Google posiciona-o como a opção menor e mais rápida dessa família, construída para latência ultrabaixa e alto throughput em vez de capacidade máxima. Foi lançado pelo fornecedor em 22 de julho de 2025, e seu knowledge cutoff é 31 de janeiro de 2025, então qualquer coisa após essa data está fora do que o modelo aprendeu durante o treinamento.

O modelo aceita texto, imagem, arquivo, áudio e vídeo como entrada, e produz apenas texto. Essa combinação faz dele um leitor multimodal em vez de um gerador multimodal: você pode enviar a ele uma captura de tela, um PDF, uma gravação ou um clipe junto com suas instruções, e ele responde em prosa ou texto estruturado. A janela de contexto é de 1.048.576 tokens, o que é grande o suficiente para armazenar documentos muito longos, transcrições longas ou muitos itens de mídia em uma única requisição. A saída é limitada a 65.535 tokens por resposta, e o modelo suporta raciocínio, então ele pode trabalhar em um problema passo a passo antes de responder.

Essas capacidades apontam para um conjunto bastante específico de tarefas. Como ele lê imagens, arquivos, áudio e vídeo, ele é adequado para extração de documentos, parsing de faturas e formulários, sumarização de relatórios longos, revisão de transcrições e marcação ou classificação de bibliotecas de mídia. A janela de contexto grande ajuda quando você precisa fazer perguntas sobre um contrato inteiro, um dump de codebase ou um dia de transcrições de reuniões sem chunking. O suporte a raciocínio o torna utilizável para tarefas de múltiplas etapas, como decisões de roteamento, limpeza de dados e workflows leves de agentes, enquanto o foco em baixa latência se encaixa em produtos interativos onde os usuários esperam por cada resposta.

Você o chama através da API compatível com OpenAI da api14 usando o model id "google/gemini-2.5-flash-lite". Como a interface segue o formato de chat completions da OpenAI, você pode apontar um cliente OpenAI existente para a api14 e mudar apenas o model id. Os parâmetros de requisição que ele suporta são include_reasoning, max_tokens, reasoning, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools e top_p. Na prática, isso significa que você pode controlar a amostragem com temperature e top_p, limitar o comprimento com max_tokens, fixar a reprodutibilidade com seed, restringir a saída com response_format ou structured_outputs, e fornecer ao modelo funções chamáveis através de tools e tool_choice.

Um ponto a considerar é o teto de saída: 65.535 tokens é generoso para a maioria dos trabalhos de chat e extração, mas se você precisa gerar documentos muito longos em uma única passagem, um modelo com um limite de saída maior pode se encaixar melhor. O knowledge cutoff de 31 de janeiro de 2025 também importa para perguntas sobre eventos recentes, já que o modelo não saberá nada após essa data, a menos que você forneça isso no prompt. Para os problemas de raciocínio mais pesados, um modelo maior da mesma família provavelmente é a melhor escolha, e o Flash Lite é melhor tratado como a opção rápida e de sensação barata para trabalho de alto volume e sensível à latência.