Google: Gemini 3.1 Flash Lite Preview mot Qwen: Qwen3.5 Plus 2026-02-15
En jämförelse sida vid sida av Google: Gemini 3.1 Flash Lite Preview (0,88 US$ / 1M textdelar (≈ 8,57 kr)) och Qwen: Qwen3.5 Plus 2026-02-15 (0,91 US$ / 1M textdelar (≈ 8,91 kr)) med aktuella USD-priser och funktioner från api14-katalogen. Båda körs via samma OpenAI-kompatibla API.
Specifikationer
| Google: Gemini 3.1 Flash Lite Preview | Qwen: Qwen3.5 Plus 2026-02-15 | |
|---|---|---|
| Leverantör | Qwen | |
| Indata | 0,88 US$ / 1M textdelar (≈ 8,57 kr) | 0,91 US$ / 1M textdelar (≈ 8,91 kr) |
| Utdata | 5,25 US$ / 1M textdelar (≈ 51,43 kr) | 5,46 US$ / 1M textdelar (≈ 53,49 kr) |
| Cacheläsning | 0,09 US$ / 1M textdelar (≈ 0,86 kr) | - |
| Cacheskrivning | 0,29 US$ / 1M textdelar (≈ 2,86 kr) | - |
| Resonemang | 5,25 US$ / 1M textdelar (≈ 51,43 kr) | - |
| Ljudindata | 1,75 US$ / 1M textdelar (≈ 17,14 kr) | - |
| Bild | 0,000001 US$ / bild (≈ 0,00000857 kr) | - |
| Webbsökning | 49,00 US$ / 1K sökningar (≈ 480,02 kr) | - |
| Kontextfönster | 1 048 576 | 1 000 000 |
| Max utdata | 65 536 | 65 536 |
| Indata | text, image, video, file, audio | text, image, video |
| Utdata | text | text |
| Verktygsanrop | ||
| Strukturerad utdata | ||
| Styrning av resonemang | ||
| Tillagd | 3 mars 2026 | 16 feb. 2026 |
Viktiga skillnader
- Båda har ungefär samma indatapris.
- Ett anrop med 1 000 indata- och 500 utdata-tokens kostar 0,00350 US$ med Google: Gemini 3.1 Flash Lite Preview och 0,00364 US$ med Qwen: Qwen3.5 Plus 2026-02-15.
Mer i detalj
Google: Gemini 3.1 Flash Lite Preview är en textmodell från Google, listad under modell-id google/gemini-3.1-flash-lite-preview. Qwen: Qwen3.5 Plus 2026-02-15 är en textmodell från Qwen, listad under modell-id qwen/qwen3.5-plus-02-15. Båda serveras via api14 som modeller i chattstil med textutdata, så från anroparens perspektiv upptar de samma plats i din kod: du skickar in en konversation och får text tillbaka. Leverantörernas utgivningsdatum ligger nära varandra, 2026-03-03 för Gemini-modellen och 2026-02-16 för Qwen-modellen, vilket placerar båda i samma senaste generation av hostade modeller.
Den tydligaste skillnaden ligger i vad du kan mata dem med. Gemini 3.1 Flash Lite Preview accepterar text, bild, video, fil och ljud som indata, medan Qwen3.5 Plus accepterar text, bild och video. Om din pipeline behöver lämna över ett ljudklipp eller ett uppladdat dokument som en fildel täcker Gemini-modellen det och Qwen-modellen gör det inte. Kontextlängden är nära: 1 048 576 tokens för Gemini och 1 000 000 tokens för Qwen, så båda kan hålla mycket stora indata och ingen är meningsfullt större i praktiken. När det gäller parametrar överlappar de två på den grunduppsättning du skulle förvänta dig, inklusive temperature, top_p, max_tokens, seed, response_format, structured_outputs, tool_choice, tools och reasoning-kontroller. Qwen lägger till frequency_penalty, presence_penalty, stop, top_k, logprobs och top_logprobs, vilket spelar roll om du förlitar dig på sannolikheter på tokennivå eller på samplingskontroller bortom grunderna. De kvalitativa prisfälten markerar in- och utdatakostnad som lika, så ingen av dem är det billigare alternativet på något sätt du bör planera kring.
För uppgiftsval, börja från indatasidan. Om du bygger något som tar in ljud, eller som behandlar godtyckligt uppladdade filer som förstklassig indata vid sidan av text och bilder, är Gemini 3.1 Flash Lite Preview det naturliga valet eftersom det är den enda av de två som listar dessa modaliteter. Om dina indata endast är text, bilder och video är båda användbara, och beslutet skiftar till sampling och introspektion: Qwen3.5 Plus ger dig penalties, stop-sekvenser, top_k och logprob-utdata, vilket är användbart när du finjusterar genereringsbeteende eller felsöker varför en viss token valdes. Om du behöver reasoning-kontroller exponerar båda dem, så det är ingen avgörande faktor. För enkelt långt kontextarbete över text och bilder duger vilken modell som helst, och du kan besluta utifrån vilken leverantörs utdatastil du föredrar i dina egna utvärderingar.
Att anropa endera via api14 fungerar på samma sätt eftersom API:et är OpenAI-kompatibelt. Du pekar din klient mot api14:s bas-URL, skickar din nyckel och använder den chat completions-form du redan känner till. Det enda som ändras mellan de två modellerna är modell-id-strängen: använd google/gemini-3.1-flash-lite-preview för Gemini-modellen och qwen/qwen3.5-plus-02-15 för Qwen-modellen. Allt annat, messages-arrayen, rollstrukturen, verktygsdefinitionerna, svars parsning, förblir identiskt. Det betyder att du kan hålla båda bakom ett enda konfigurationsvärde och växla per begäran eller per miljö utan att röra resten av din integration.
Byt med en sträng
Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "google/gemini-3.1-flash-lite-preview" till "qwen/qwen3.5-plus-02-15", promptar, streaming och verktyg fortsätter att fungera.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.chat.completions.create({
"model": "qwen/qwen3.5-plus-02-15",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Fler jämförelser
- LiquidAI: LFM3-1.7B mot Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B mot Crouton Alpha
- LiquidAI: LFM3-1.7B mot Tencent: Hy4
- LiquidAI: LFM3-1.7B mot Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview mot Crouton Alpha
- Ricursive: Ripple 65B Preview mot Tencent: Hy4
- Ricursive: Ripple 65B Preview mot Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha mot Tencent: Hy4