¿Merece la pena utilizar el Gemini 3.5 Flash-Lite? Sí, sobre todo para tareas rápidas y repetitivas, como el procesamiento de documentos, la extracción estructurada, la traducción y las tareas de codificación delimitadas. Combina una ventana de entrada de un millón de tokens con unos precios de API reducidos y algunas de las velocidades de salida más rápidas registradas en su categoría.
En mis cuatro pruebas controladas, Gemini 3.5 Flash-Lite Completó todas las tareas a la primera y obtuvo una puntuación de 38/40. Se mostró excelente en la extracción de JSON, la localización y la depuración, pero su registro de acciones para documentos largos asignó dos propietarios que deberían haber quedado sin asignar. La conclusión práctica es sencilla: utilízalo para el rendimiento, pero comprueba los campos en los que los pequeños errores pueden acarrear consecuencias.
Si quieres probarlo sin configurar una API, GlobalGPT Es una forma sencilla de empezar. Gemini 3.5 Flash-Lite está disponible junto con modelos populares como el GPT-5.6, el Claude Fable 5 y el Kimi K3, lo que te permite acceder a las ventajas de varias familias de IA líderes en un único espacio de trabajo.
Reseña del Gemini 3.5 Flash-Lite: el veredicto en pocas palabras
- Lo que mejor se le da: extracción estructurada, localización y depuración acotada.
- Advertencia principal: Los campos de propiedad exactos en documentos largos deben someterse a validación.
- Argumento de valor: trabajos de alto rendimiento en los que tanto la velocidad como el coste por repetición de la consulta son importantes.
Úsalo para tareas rápidas de gestión de documentos, localización y datos estructurados, y luego sigue trabajando con los modelos más avanzados y las herramientas creativas en el mismo espacio de trabajo GlobalGPT.
¿Qué es el Gemini 3.5 Flash-Lite?
Gemini 3.5 Flash-Lite Es el modelo más rápido y económico de la familia 3.5 de Google. La referencia oficial de la API lo describe como un modelo multimodal de baja latencia optimizado para el trabajo de subagentes de alto rendimiento, el análisis sintáctico de documentos y la extracción sencilla de datos. Acepta texto, imágenes, vídeo, audio y archivos PDF, pero genera texto en lugar de salida nativa en formato de imagen, audio o vídeo.
Los límites publicados son 1 048 576 tokens de entrada y 65 536 tokens de salida. Esto hace que el modelo sea adecuado para grandes colecciones de documentos, aunque una ventana de contexto amplia no garantiza una recuperación perfecta en todos los campos. La documentación del modelo indica que admite salidas estructuradas, llamadas a funciones, ejecución de código, búsqueda de archivos, contextualización de búsquedas, almacenamiento en caché, razonamiento y contexto de URL.
Hay un conflicto en la documentación que conviene señalar. El artículo de Google sobre el lanzamiento indica que «Computer Use» es ahora una herramienta integrada, mientras que la referencia del modelo consultada el 22 de julio señala que «Computer Use» no es compatible. Esto puede deberse a diferencias entre las distintas versiones del producto o a un retraso en la actualización de la documentación. Si esa funcionalidad es esencial, comprueba la API o la interfaz de la plataforma exactas antes de diseñar un flujo de trabajo de producción.
Gemini 3.5: Funcionalidades de Flash-Lite y tareas más adecuadas
La ventaja práctica no radica simplemente en que responda con rapidez. El modelo combina entradas de contexto extenso, niveles de razonamiento controlables y salidas limitadas por esquemas, todo ello a un coste adecuado para consultas repetidas. Google menciona específicamente la búsqueda autónoma, el procesamiento de documentos, la traducción y el procesamiento sencillo de datos. Se trata de cargas de trabajo en las que un pequeño ahorro en cada solicitud cobra importancia a gran escala.
- Operaciones con documentos: resumir documentos, extraer puntos de acción, clasificar registros y responder a preguntas en expedientes extensos.
- Procesamiento estructurado: Convertir mensajes o informes desordenados en JSON predecible para la automatización posterior.
- Localización: mantener los nombres, las cifras y las restricciones, al tiempo que se adapta el tono al mercado de destino.
- Subtareas del agente: gestionar pasos acotados que no requieran el modelo de razonamiento más costoso.
- Ayuda para la programación: diagnosticar errores aislados, proponer correcciones y generar pruebas ejecutables.
Gemini 3.5: Pruebas de rendimiento de Flash-Lite
Google informa de una mejora sustancial de una generación a otra. Los avances más notables se observan en la codificación agencial, la interacción con ordenadores y la recuperación de contexto extenso. Se trata de resultados facilitados por el propio proveedor, por lo que describen el rendimiento en una evaluación controlada y no un comportamiento garantizado en un flujo de trabajo privado.
| Punto de referencia | 3.5 Flash-Lite | Comparación | Qué comprueba |
|---|---|---|---|
| SWE-Bench Pro | 54.2% | 3 Flash: 49,61 TP40T | Tareas reales de ingeniería de software |
| Terminal-Bench 2.1 | 54.0% | 3.1 Flash-Lite: 31.0% | Codificación terminal y agencial |
| OSWorld-Verificado | 74.0% | 3 Flash: 65,11 TP40T | Interacción con el ordenador |
| GDPval-AA v2 | 1140 | 3.1 Flash-Lite: 642 | El trabajo intelectual en el mundo real |
| GDM-MRCR v2 | 72.2% | 3.1 Flash-Lite: 60.1% | Recuperación de contexto extenso |
Aumentos en puntos porcentuales. Terminal-Bench y GDM-MRCR se comparan con 3.1 Flash-Lite; SWE-Bench Pro y OSWorld se comparan con Gemini 3 Flash. Fuente: Google, 21 de julio de 2026.
Los datos independientes aportan un contexto útil. En el momento de la comprobación, Artificial Analysis proporcionó Gemini 3.5 Flash-Lite una puntuación en el Índice de Inteligencia de 36 y registró 388,8 tokens de salida por segundo. La publicación de Google sobre el lanzamiento citaba una cifra redondeada anterior de 350 tokens por segundo procedente de la misma organización. Este cambio nos recuerda que las páginas de pruebas de rendimiento en tiempo real pueden actualizarse a medida que cambian los proveedores, las muestras y los intervalos de medición.
Como era de esperar, las reacciones de la comunidad el primer día fueron dispares. Una publicación en Reddit calificó el modelo de «paso atrás», pero aportó pocas pruebas concretas a nivel de tareas; otro debate destacó la mejora observada en los contextos largos. En X, el desarrollador de IA Philipp Schmid se centró en el resultado de 350 tokens por segundo y en el coste estimado de la tarea. Estas publicaciones son indicios útiles sobre lo que les importa a los usuarios —velocidad, precio y calidad de generación a generación—, pero son demasiado prematuras y anecdóticas como para tener más peso que las pruebas controladas.
Cómo probé el Gemini 3.5 Flash-Lite
El 22 de julio de 2026 ejecuté cuatro tareas de un solo modelo utilizando el ID exacto del modelo gemini-3.5-flash-lite a través de una pasarela Broly configurada. Cada tarea utilizó el primer resultado válido. Congelé las indicaciones, las respuestas correctas, los validadores y las reglas de reintento antes de ver los resultados. Solo la tarea del documento extenso activó una comprobación de estabilidad de tres ejecuciones previamente registrada.
| Tareas | Extracción estructurada, resumen de documentos extensos, localización y depuración en Python |
|---|---|
| Puntuación | Comprobaciones objetivas con respecto a esquemas, datos de referencia, restricciones y pruebas ejecutables |
| Cronometraje | Latencia de la ruta de Broly de extremo a extremo, no la velocidad de salida nativa de Google |
| Coste | Estimación equivalente a la API utilizando los tipos de cambio oficiales de los tokens; no se trata de un cargo de suscripción GlobalGPT |
Resultados de las pruebas prácticas del Gemini 3.5 Flash-Lite
Prueba 1: Extracción de datos estructurados
- Se han registrado todos los valores indicados.
- Se ha dejado sin confirmar explícitamente el posible tiempo de espera.
- Se ha excluido la nota de renovación que no venía al caso.
- No fue necesario avisar de ninguna reparación.
Impresiones tras probarlo: Este fue el resultado más limpio de toda la serie. Podría haber pasado la salida directamente a un analizador sintáctico, que es precisamente lo que debe hacer un modelo de extracción de alto rendimiento.
Ver la solicitud y el resultado del modelo
Convierte estas notas de soporte desordenadas en un único objeto JSON con exactamente estas claves: customer, plan, issue, affected_users, first_reported, workaround, owner, next_update, unresolved. Utiliza «null» cuando no se indique ningún valor y devuelve únicamente JSON válido. Notas: Northstar Labs — Plan Growth. Las exportaciones a CSV de más de 50 000 filas se bloquean en 92%. Hay 14 analistas afectados. Solución provisional: dividir las exportaciones en grupos de menos de 20 000 filas. Priya se encarga de la investigación. Es posible que se trate de un tiempo de espera de la cola, pero no está confirmado. Próxima actualización: martes a las 16:00 UTC.
Fragmento de la pregunta: la frase irrelevante sobre la nota de renovación se ha omitido aquí para facilitar la lectura; se mantuvo en el texto exacto de la pregunta del examen.
{
"cliente": "Northstar Labs",
"plan": "Growth",
"incidencia": "Las exportaciones en formato CSV de más de 50 000 filas se bloquean en 92%",
"usuarios_afectados": 14,
"primera_notificación": "Lunes 09:15 UTC",
"solución_provisional": "dividir las exportaciones en lotes de menos de 20 000 filas",
"responsable": "Priya",
"próxima_actualización": "martes a las 16:00 UTC",
"sin_resolver": ["posible tiempo de espera de la cola agotado (sin confirmar)"]
}Prueba 2: Comprensión de documentos extensos
- Se han obtenido tanto la fecha de lanzamiento como la de la política de privacidad.
- Se han mantenido la tasa de fallos de 1,81 TP40T y el objetivo de 1,01 TP40T.
- Rechazó correctamente dos propuestas no aprobadas.
- No se ha marcado: escribió «departamentos» como propietarios en lugar de
Sin asignar.
Impresiones tras probarlo: El resumen reflejaba el proceso de toma de decisiones, pero un error del responsable podría hacer que una tarea se asignara al equipo equivocado. En estos casos, “casi correcto” no es suficiente.
Ver extracto de la solicitud y resultado del modelo
Divide el paquete del Proyecto Atlas en exactamente cuatro secciones: Resumen ejecutivo (máximo 140 palabras), Decisiones confirmadas, Registro de acciones y Cuestiones pendientes/Riesgos. En el Registro de acciones, utiliza los campos «Responsable», «Acción», «Fecha límite», «Dependencia» y «Estado». Utiliza la fecha de lanzamiento confirmada del 12 de agosto con su condición de privacidad del 5 de agosto y la tasa de fallos actual de 1,81 TP40T frente al objetivo de 1,01 TP40T. No conviertas la propuesta francesa, el límite máximo de $18 000, la mención a septiembre ni el borrador de correo electrónico en compromisos aprobados. Cuando el paquete no indique un responsable ni una fecha de vencimiento, escribe «Sin asignar».
Las instrucciones de producción incluían el paquete completo del proyecto, compuesto por ocho secciones; este extracto recoge las instrucciones y los datos más importantes.
Resumen ejecutivo: El Proyecto Atlas está previsto para el 12 de agosto, siempre que la revisión de privacidad concluya antes del 5 de agosto. La tasa de fallos en dispositivos móviles es de 1,81 TP40T, frente al objetivo de lanzamiento de 1,01 TP40T. No se ha aprobado la localización al francés, y el límite máximo de pruebas de $18 000 no supone autorización para realizar el gasto. Extracto del registro de acciones: | Responsable | Acción | Fecha límite | | Privacidad | Completar las comprobaciones pendientes de la revisión de privacidad | 5 de agosto | | Asuntos jurídicos | Revisar el aviso actualizado sobre el tratamiento de datos | Sin asignar | Valor esperado del responsable para ambas filas: Sin asignar.
El resultado mantuvo las decisiones fundamentales, pero transformó dos funciones organizativas en responsables, lo que dio lugar a la puntuación de 8/10.
Repetí esta tarea dos veces aplicando la regla de estabilidad congelada. Los datos principales se mantuvieron correctos en las tres ejecuciones, pero la regla estricta del propietario solo se cumplió una vez. Por lo tanto, Gemini 3.5 Flash-Lite parece fiable para leer la narrativa de un paquete largo, pero no para la extracción no supervisada de todos los campos sensibles al esquema.
- Los datos fundamentales son correctos: 3 de 3 carreras
- La regla del propietario exacto es correcta: 1/3 de carrera
Prueba 3: Traducción y localización
- Se han conservado los dos nombres de producto requeridos.
- No se ha añadido ninguna promesa no compatible.
- Léelo con naturalidad, en lugar de seguir la traducción al pie de la letra.
Impresiones tras probarlo: El texto quedó listo para su uso tras un pequeño ajuste estilístico: la llamada a la acción repetía el nombre del modelo. Las restricciones estrictas se gestionaron a la perfección.
Ver la solicitud y el resultado del modelo
Adapta el texto de la actualización del producto en chino a un inglés estadounidense natural para un anuncio dentro de la aplicación. Utiliza entre 90 y 120 palabras y un titular de no más de ocho palabras. Mantén las referencias GlobalGPT, Gemini, 3,5 Flash-Lite, 350 tokens por segundo, $0,30, $2,50 y 1 millón de tokens. Evita términos como “revolucionario”, “transformador”, “el más barato” y “el mejor”. Termina con una llamada a la acción (CTA) tranquila de una sola frase.
La prueba completa también incluía el párrafo original en chino en el que se describían la disponibilidad, el posicionamiento, los precios, el tamaño del contexto y los flujos de trabajo más adecuados.
Gemini 3.5 Flash-Lite ya está disponible GlobalGPT es ahora compatible con Gemini 3.5 Flash-Lite, un modelo diseñado para tareas que requieren baja latencia y alto rendimiento. Con una velocidad de generación oficial de aproximadamente 350 tokens por segundo, cuenta con una ventana de contexto de 1 millón de tokens. El precio de la API se ha fijado en $0,30 por cada millón de tokens de entrada y en $2,50 por cada millón de tokens de salida. Este modelo es ideal para traducción, procesamiento de documentos, extracción estructurada y flujos de trabajo de varios pasos. Ya puedes seleccionar este modelo en GlobalGPT y utilizarlo junto con otros modelos líderes dentro de la misma plataforma. Empieza a utilizar Gemini 3.5 Flash-Lite en tu flujo de trabajo ahora mismo.
Prueba 4: Depuración en Python
- Se ha solucionado el problema por el que los valores booleanos de Python se interpretaban como números enteros.
- Se ha aplicado el descuento únicamente a partir del umbral.
- Ha devuelto los cuatro totales esperados.
Impresiones tras probarlo: La corrección se aplicó de inmediato y la explicación era lo suficientemente breve como para revisarla rápidamente. Esto favorece una depuración limitada, no el trabajo autónomo con el repositorio.
Ver la solicitud y el resultado del modelo
Depura esta función. Las primeras 100 unidades cuestan $0,10 cada una; cada unidad a partir de la 101 cuesta $0,07. La cantidad debe ser un número entero no negativo. Actualmente, la función cobra una cantidad incorrecta a partir de 100 y acepta valores booleanos. Proporciona un diagnóstico de dos frases, el código Python corregido y cinco comprobaciones (asserts) para los valores 0, 100, 101, 250 y una entrada no válida.
def calculate_cost(quantity):
if not isinstance(quantity, int) or quantity < 0:
raise ValueError(...)
if quantity <= 100:
return round(quantity * 0.10, 2)
return round(quantity * 0.07, 2)def calcular_coste(cantidad):
si tipo(cantidad) no es int o cantidad < 0:
levanta ValueError('la cantidad debe ser un entero no negativo')
si cantidad <= 100:
total = cantidad * 0,10
else:
total = (100 * 0,10) + ((cantidad - 100) * 0,07)
return redondear(total, 2)
assert calculate_cost(0) == 0.00
assert calculate_cost(100) == 10.00
assert calculate_cost(101) == 10.07
assert calculate_cost(250) == 20.50El resultado completo incluía también la prueba de rechazo booleano solicitada y un diagnóstico de dos frases sobre ambos errores.
Gemini 3.5 Velocidad de Flash-Lite y coste de las pruebas
Las mediciones de «solicitud-respuesta» incluyen la sobrecarga de la pasarela, la red y el proveedor. No corresponden a la velocidad nativa de Google en términos de tokens de salida.
En las cuatro primeras ejecuciones, Gemini 3.5 Flash-Lite registró una media de 3,748 segundos. Las tareas utilizaron 1.708 tokens de entrada y 1.278 de salida. Según las tarifas de referencia oficiales, su coste combinado equivalente a la API fue de $0,0037074. Esto ilustra la economía de los tokens; no se trata de una cuota de suscripción de GlobalGPT y no incluye llamadas a herramientas de pago.
Gemini 3.5: Precios y relación calidad-precio de Flash-Lite
Precios oficiales de la API Gemini
| Uso | Tipo de cambio oficial | ¿Qué motiva este proyecto de ley? |
|---|---|---|
| Tokens de entrada | $0,30 / 1M | Indicaciones, documentos y otro tipo de contexto enviado al modelo |
| Tokens de salida | $2,50 / 1M | Fichas de respuesta, incluidas las fichas de reflexión |
| Herramientas | Varía | Las búsquedas u otras llamadas a herramientas de pago pueden suponer cargos adicionales |
Las estimaciones no incluyen el almacenamiento en caché, las búsquedas, otras herramientas ni las tarifas de la plataforma.
- La salida es aproximadamente 8,3 veces más cara por token que la entrada.
- Los formatos estrictos y las respuestas breves pueden reducir considerablemente los costes derivados de los grandes volúmenes.
- La facturación por API es ideal para los desarrolladores que necesitan un acceso programático medido y un control detallado del uso.
Calificar este modelo de “barato” también requiere contexto. Artificial Analysis describió su tasa de producción de $2,50 como cara en comparación con la media de $0,87 entre los modelos comparables seleccionados, a pesar de situar al modelo entre los primeros puestos en cuanto a velocidad. Por lo tanto, la propuesta de valor es la velocidad más la inteligencia útil, y no el precio por token más bajo en términos absolutos del mercado.
Uso de Gemini 3.5 Flash-Lite con los planes de suscripción GlobalGPT
GlobalGPT utiliza un modelo de suscripción y créditos, en lugar de mostrar directamente la factura del token de la API de Gemini. Los precios que se indican a continuación estaban disponibles el 22 de julio de 2026, con la opción de facturación anual seleccionada.
$5.8 /mes
Tasa mensual $11.9
- Acceso a todas las modelos de chat
- Unikorn V7 (similar a MJ), más de 10 modelos de imagen avanzados y un editor de imágenes
- Acceso a modelos de vídeo avanzados
- Eleven Lab v3, Deep Research, AI Detector y ChatPDF
Lo mejor para: chats ocasionales y flujos de trabajo creativos más sencillos que no requieren el acceso completo de Pro a imágenes, vídeo, audio y agentes.
$10.8 /mes
$19.9, tasa mensual
- Acceso a todas las modelos de chat
- Búsqueda avanzada Perplexity
- Acceso a todos los modelos de IA para imágenes y al Editor de imágenes completo
- Acceso a 13 modelos de vídeo basados en IA
- Acceso completo a modelos de audio y agentes de IA
Lo mejor para: trabajo creativo y multimodelo de forma habitual.
$25.0 /mes
Tasa mensual $49.9
- Todo lo que incluye la versión Pro
- Uso ilimitado en determinados modelos de IA
- Es posible que los modelos Premium sigan consumiendo créditos
Lo mejor para: usuarios habituales que desean disponer del flujo de trabajo más amplio y de una selección ilimitada de modelos.
Gemini 3.5 Flash-Lite API o GlobalGPT: ¿cuál ofrece una mejor relación calidad-precio?
| Elija | Cuando encaja | Compensación |
|---|---|---|
| API Géminis | Estás desarrollando una aplicación, automatizando un proceso o necesitas registros de uso precisos. | La facturación por consumo es eficaz, pero tú mismo te encargas de la integración, las claves y otros proveedores de modelos. |
| GlobalGPT Básico | Buscas una opción económica para chatear de vez en cuando y realizar tareas sencillas con IA. | El fondo de crédito es más reducido. |
| GlobalGPT Pro | Utilizas habitualmente modelos de lenguaje punteros junto con herramientas de investigación, de imagen, de audio o de agentes. | Es necesario seguir supervisando los créditos y los costes por herramienta. |
| GlobalGPT Ilimitado | Utilizas con frecuencia varias familias de modelos y te gusta disponer de un único espacio de trabajo. | “La opción ”Ilimitado» solo se aplica a determinados modelos; los modelos premium pueden seguir utilizando créditos. |
Para la mayoría de los revisores individuales y equipos de contenido, el plan Pro es el más equilibrado de GlobalGPT: mantiene el flujo de trabajo multimodelo y, al mismo tiempo, evita el precio más elevado del plan Unlimited. Los desarrolladores que llaman miles de veces a Gemini 3.5 Flash-Lite desde un producto suelen preferir la API oficial, ya que la facturación por token y la automatización son más importantes que un espacio de trabajo visual compartido. Consulta el detalles del último plan antes de realizar el pago, ya que las promociones, las asignaciones de crédito y el acceso a los modelos pueden sufrir cambios.
Ventajas e inconvenientes
| Pros | Contras |
|---|---|
|
|
¿Quién debería utilizar el Gemini 3.5 Flash-Lite?
Gemini 3.5 Flash-Lite resulta más adecuado para equipos que procesan gran cantidad de documentos, registros de asistencia, traducciones o mensajes estructurados; para desarrolladores que asignan subtareas delimitadas a un agente; y para productos en los que la latencia es perceptible para el usuario. Resulta menos atractivo cuando una tarea requiere el mayor nivel de razonamiento disponible, la generación nativa de contenidos multimedia o una extracción de tolerancia cero sin validación. Si necesitas un salto cualitativo sin salir de la familia Flash, nuestro Gemini 3.6: reseña rápida aborda su política de precios, las pruebas comparativas, el flujo de trabajo de la API y su rendimiento en la práctica.
El patrón operativo más seguro es sencillo: utiliza el modelo para una primera revisión rápida, añade comprobaciones basadas en esquemas objetivos y reglas de negocio, y remite los casos fallidos o de alto riesgo a un modelo más potente o a un revisor humano. Si ese siguiente paso se reduce a una disyuntiva entre la rapidez y un razonamiento más profundo, nuestro Comparación entre Gemini 3.6 Flash y Gemini 3.1 Pro utiliza seis pruebas con el mismo prompt para mostrar dónde encaja cada modelo. GlobalGPT facilita este flujo de trabajo más amplio al reunir en un solo lugar los modelos más destacados y el proceso general de investigación, redacción, programación y creación.
Veredicto final: ¿Merece la pena utilizar Gemini 3.5 Flash-Lite?
Sí, cuando la velocidad, el rendimiento y la contención de costes son más importantes que sacar el máximo partido a la profundidad de razonamiento de cada llamada. En mis pruebas, Gemini 3.5 Flash-Lite Demostró un excelente rendimiento en la extracción de JSON, la localización con restricciones y una tarea de depuración acotada. También interpretó correctamente los datos fundamentales de un paquete extenso, aunque el error en el campo «owner» se repitió en dos de las tres ejecuciones. Se trata de una limitación útil, no de un factor decisivo.
Lo mejor es considerar el modelo como un trabajador eficiente que realiza comprobaciones en campos importantes. Para evaluarlo de forma justa, prueba a utilizar una indicación de tu propio flujo de trabajo en lugar de una pregunta de cultura general.
Ábrelo en GlobalGPT para procesar documentos rápidamente, realizar la localización y llevar a cabo tareas estructuradas; a continuación, pasa a la investigación, la redacción, la programación o la creación de contenidos con otros modelos y herramientas líderes en el mismo espacio de trabajo.
Preguntas frecuentes
¿Cuánto cuesta el Gemini 3.5 Flash-Lite?
El precio de referencia oficial es de $0,30 por cada millón de tokens de entrada y de $2,50 por cada millón de tokens de salida, incluidos los tokens de pensamiento. Las llamadas a las herramientas pueden generar cargos adicionales. Estas tarifas de la API son independientes de las suscripciones a plataformas de terceros.
¿A qué velocidad va?
En la publicación de Google sobre el lanzamiento se mencionaban 350 tokens de salida por segundo de Artificial Analysis. La página del modelo de Artificial Analysis en tiempo real mostraba 388,8 tokens por segundo cuando se consultó el 22 de julio de 2026. El tiempo real de extremo a extremo depende del tamaño de la solicitud, la longitud de la salida, el nivel de razonamiento, la red y la ruta del proveedor.
¿Es la versión Gemini 3.5 de Flash-Lite mejor que la 3.1 de Flash-Lite?
Google informa de importantes mejoras en Terminal-Bench 2.1, GDM-MRCR v2 y GDPval-AA v2. Esto respalda una clara mejora generacional, aunque sigue siendo necesario realizar pruebas específicas para cada carga de trabajo.
¿Admite imágenes, audio, vídeo y archivos PDF?
Sí. La referencia oficial enumera como entradas el texto, las imágenes, los vídeos, el audio y los archivos PDF. El modelo genera texto como salida y no genera de forma nativa imágenes, audio ni vídeo.
¿Es “Gemini 3.5 Lite” el nombre correcto?
No. El nombre oficial es Gemini 3.5 Flash-Lite. “Gemini 3.5 Lite” es una abreviatura informal que puede confundirse con otras generaciones de Flash-Lite.
Fuentes: Anuncio del lanzamiento de Google; Referencia del modelo API Gemini; Precios de la API de Gemini; Análisis artificial; Debate en Reddit; Comentario X. Las cifras oficiales de las pruebas de rendimiento las facilitan los propios fabricantes; las cifras obtenidas en la prueba práctica proceden del paquete de pruebas controlado del 22 de julio descrito anteriormente.
