Gemini 3.5 Flash-Lite คืออะไร

Google อัปเดต Flash tier เมื่อวันที่ 21 กรกฎาคม 2026 โดย Gemini 3.5 Flash-Lite เป็นโมเดล Gemini ที่ถูกที่สุดและเร็วที่สุดในกลุ่มนี้ เหมาะกับงานปริมาณสูงและความหน่วงต่ำ เช่น classification, extraction, แชทสั้น และคำตอบแบบ retrieval ง่ายๆ หากระบบของคุณต้องประมวลผลคำขอขนาดเล็กหลายล้านรายการต่อวัน โมเดลนี้ถูกออกแบบมาสำหรับ hot path ที่เน้น throughput และต้นทุนมากกว่าการให้เหตุผลเชิงลึก

ลองใช้ Apidog วันนี้

การอัปเดตนี้มีโมเดลพร้อมกัน 3 รุ่น ได้แก่ Gemini 3.6 Flash, Gemini 3.5 Flash-Lite และ Gemini 3.5 Flash Cyber ดังนั้นก่อนนำไปใช้จริง ควรตรวจสอบทั้งชื่อโมเดล ราคา และลักษณะงานให้ตรงกัน

Gemini 3.5 Flash-Lite คืออะไร?

Gemini 3.5 Flash-Lite เป็นโมเดลขนาดเล็กและราคาประหยัดในตระกูล Gemini ของ Google โดยปรับแต่งมาเพื่อความเร็วและปริมาณงานสูง ไม่ได้มุ่งเน้นงาน reasoning ที่ซับซ้อนที่สุด

Google ระบุว่ารุ่นนี้สร้างเอาต์พุตได้ประมาณ 350 โทเค็นต่อวินาที และเรียกใช้งานผ่าน Gemini API ด้วยรหัสโมเดล:

gemini-3.5-flash-lite

ตัวอย่างงานที่เหมาะกับ Flash-Lite:

• ติดแท็กหรือจัดหมวดหมู่ support tickets
• ดึงข้อมูลแบบมีโครงสร้างจากข้อความหรือเอกสาร
• สรุปคำตอบสั้นๆ จากข้อมูลที่ค้นคืนมา
• สร้างแชทวิดเจ็ตที่ต้องตอบกลับเร็ว
• ตรวจสอบหรือแปลงข้อความจำนวนมากใน background jobs

รุ่นนี้เปิดตัวพร้อมกับ Gemini 3.6 Flash ซึ่งเป็นโมเดลหลักใหม่ และ Gemini 3.5 Flash Cyber ซึ่งเป็นโมเดลความปลอดภัยแบบมีเกต ดูข้อมูลเพิ่มเติมได้จากบล็อกของ Google และหน้า DeepMind Flash

เดี๋ยวก่อน ทำไมถึงเป็น 3.5 ไม่ใช่ 3.6?

จุดที่ทำให้สับสนคือโมเดลหลักใช้ชื่อ Gemini 3.6 Flash แต่ Flash-Lite และ Flash Cyber ยังคงใช้หมายเลขเวอร์ชัน 3.5

นี่ไม่ใช่การพิมพ์ผิด Google กำหนดหมายเลขเวอร์ชันตามสายผลิตภัณฑ์ของแต่ละโมเดล ไม่ได้กำหนดตามวันที่เปิดตัว ดังนั้นในการเปิดตัวเดียวกันจึงมีทั้งรุ่น 3.6 และ 3.5

อีกจุดที่ควรตรวจสอบคือ Gemini 3.5 Flash-Lite ไม่ใช่Gemini 3.1 Flash-Lite รุ่นก่อนหน้า แม้ชื่อจะคล้ายกัน แต่เป็นคนละโมเดล

ก่อน deploy ให้ตรวจสอบ model ID ในโค้ดเสมอ:

const model = "gemini-3.5-flash-lite";

ข้อมูลจำเพาะและราคา

ราคาต่อไปนี้คิดต่อล้านโทเค็นผ่าน Gemini API:

คุณสมบัติ	ค่า
รหัสโมเดล	gemini-3.5-flash-lite
ราคาอินพุต	$0.30 / 1M tokens
ราคาเอาต์พุต	$2.50 / 1M tokens
ความเร็ว	~350 output tokens/second
ระดับฟรี	มีผ่าน Google AI Studio โดยมี rate limit
Context Caching	$0.03 / 1M tokens + $1.00 / 1M/hr storage

Flash-Lite มีราคาอินพุต $0.30 และเอาต์พุต $2.50 ต่อหนึ่งล้านโทเค็น ขณะที่ Gemini 3.6 Flash มีราคาอินพุต $1.50 และเอาต์พุต $7.50

สำหรับระบบที่ประมวลผลคำขอจำนวนมาก ความต่างนี้ส่งผลโดยตรงต่อต้นทุนรายเดือน โดยเฉพาะ workload ที่มี prompt สั้นและเรียกใช้งานบ่อย

ตรวจสอบราคาปัจจุบันก่อนนำไปใช้จริงได้จากเอกสารราคา Gemini API

ใช้ Context Caching เมื่อมี prompt ซ้ำ

หากระบบส่ง system prompt, กฎการจัดประเภท หรือเอกสารอ้างอิงชุดเดิมซ้ำๆ ให้พิจารณาใช้ Context Caching เพื่อลดต้นทุนของอินพุตที่ใช้ซ้ำ

กรณีที่เหมาะกับ caching:

• system prompt ที่ใช้กับทุกคำขอ
• คู่มือผลิตภัณฑ์ขนาดยาว
• policy สำหรับตรวจสอบข้อความ
• schema หรือคำอธิบายฟิลด์สำหรับ extraction

ประสิทธิภาพเป็นอย่างไร?

Gemini 3.5 Flash-Lite ได้คะแนน 54% ใน Terminal-Bench 2.1 เพิ่มขึ้นจาก 31% ของรุ่นก่อนหน้า ซึ่งเป็นการปรับปรุงที่สำคัญสำหรับโมเดลระดับ Lite

งานที่เหมาะสมที่สุดคือ:

1. Classification — เช่น แยก ticket เป็น billing, bug, feature request หรือ urgent
2. Extraction — เช่น ดึงชื่อ อีเมล หมายเลขคำสั่งซื้อ และวันที่จากข้อความ
3. Short chat responses — เช่น ตอบคำถามสั้นจาก FAQ
4. Simple RAG — เช่น ตอบคำถามจากเอกสารที่ retrieval system ดึงมาให้แล้ว

ตัวอย่าง prompt สำหรับ extraction:

ดึงข้อมูลต่อไปนี้จากข้อความ และตอบกลับเป็น JSON เท่านั้น:
- customer_name
- order_id
- issue_type
- urgency

ข้อความ:
"คุณสมชายแจ้งว่าคำสั่งซื้อ ORD-10482 ยังไม่ได้รับสินค้า และต้องการคำตอบภายในวันนี้"

ตัวอย่างผลลัพธ์ที่ควรตรวจสอบในแอปพลิเคชัน:

{
  "customer_name": "คุณสมชาย",
  "order_id": "ORD-10482",
  "issue_type": "delivery_delay",
  "urgency": "high"
}

ข้อจำกัดสำคัญคือ Flash-Lite แลกคุณภาพ reasoning กับราคาและความเร็ว จึงไม่ใช่ตัวเลือกหลักสำหรับ:

• งาน agentic coding ที่ซับซ้อน
• tool calling หลายขั้นตอน
• การวางแผนที่ต้องมีเหตุผลต่อเนื่อง
• การวิเคราะห์ codebase ขนาดใหญ่
• งานที่คำตอบผิดมีต้นทุนสูง

สำหรับงานประเภทนี้ ให้พิจารณาใช้Gemini 3.6 Flash หรือโมเดลที่ใหญ่กว่าแทน

Google ใช้ Flash-Lite ที่ไหนบ้าง

Google นำ Flash-Lite ไปใช้กับ Google Search ด้วย ซึ่งเป็นสัญญาณว่าโมเดลนี้ถูกออกแบบมาให้รองรับการประมวลผลจำนวนมากได้จริง

สำหรับนักพัฒนา สิ่งที่ควรนำไปใช้คือแนวคิดเดียวกัน:

• ใช้โมเดลราคาต่ำกับคำขอที่เกิดบ่อย
• จำกัดขนาด prompt และ output ให้เหมาะกับงาน
• แยกงานง่ายออกจากงาน reasoning หนัก
• ตรวจสอบคุณภาพด้วยชุดทดสอบจริงของระบบ

หากโมเดลรองรับ workload ระดับ search ได้ ก็เหมาะกับ pipeline เช่น ticket classification, document extraction และ lightweight RAG เช่นกัน

Flash-Lite vs Gemini 3.6 Flash: คุณควรเลือกโมเดลไหนดี?

เลือก Gemini 3.5 Flash-Lite เมื่อ:

• งานมีรูปแบบชัดเจน
• ต้องประมวลผลจำนวนมาก
• ต้องการ latency ต่ำ
• ต้องควบคุมต้นทุนต่อคำขอ
• งานเป็น classification, extraction หรือ short-form response

เลือก Gemini 3.6 Flash เมื่อ:

• งานต้อง reasoning หลายขั้นตอน
• ต้องเขียนหรือแก้ไขโค้ด
• ต้องเรียกใช้ tools เป็นลำดับ
• input มีความคลุมเครือสูง
• ความถูกต้องสำคัญกว่าต้นทุนต่อคำขอ

แนวทางที่ใช้งานได้จริงคือ routing ตามความยากของงาน:

คำขอทั่วไป / ปริมาณสูง
        ↓
Gemini 3.5 Flash-Lite

คำขอซับซ้อน / ต้อง reasoning หรือ coding
        ↓
Gemini 3.6 Flash

ตัวอย่างเช่น ระบบ support อาจส่ง ticket ทั่วไปไปยัง Flash-Lite ก่อน แล้วส่งต่อเฉพาะเคสที่มีความเสี่ยงสูงหรืออธิบายไม่ชัดเจนไปยัง 3.6 Flash

ดูรายละเอียดราคาเพิ่มเติมได้ที่ราคาของ 3.6 Flash และเปรียบเทียบเชิงลึกได้ที่Gemini 3.5 Flash-Lite vs 3.6 Flash

วิธีเข้าถึงและทดสอบ

Flash-Lite ใช้งานผ่าน Gemini API เริ่มต้นได้เร็วที่สุดผ่านGoogle AI Studio เพื่อสร้าง API key และทดลองใช้ใน free tier

ตั้งค่า model เป็น:

gemini-3.5-flash-lite

ตัวอย่างคำขอ POST ด้วย cURL:

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.5-flash-lite:generateContent?key=$GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -X POST \
  -d '{
    "contents": [
      {
        "parts": [
          {
            "text": "จัดหมวดหมู่ข้อความนี้เป็น billing, technical หรือ general: ฉันถูกเรียกเก็บเงินซ้ำ"
          }
        ]
      }
    ]
  }'

อย่า hardcode API key ลงใน source code ให้เก็บไว้ใน environment variable:

export GEMINI_API_KEY="your-api-key"

ระดับฟรีเหมาะกับการทดสอบเบื้องต้น แต่มีการจำกัดอัตรา และ Google อาจใช้ข้อมูลจากระดับฟรีเพื่อปรับปรุงผลิตภัณฑ์ ดังนั้นไม่ควรส่งข้อมูลละเอียดอ่อนผ่านคีย์ระดับฟรี

อ่านรูปแบบ request และ response เพิ่มเติมได้จากเอกสาร Gemini API

สร้าง regression test สำหรับ endpoint

หลังจากคำขอทำงานแล้ว ให้บันทึกเป็น regression test เพื่อตรวจจับปัญหาจากการเปลี่ยนแปลงของ API, rate limit หรือรูปแบบ response

ด้วยApidog คุณสามารถ:

1. สร้างคำขอ POST ไปยัง Gemini API
2. เก็บ API key เป็น environment variable
3. ตรวจสอบ status code เช่น 200
4. ตรวจสอบว่า response มีฟิลด์ JSON ที่แอปต้องใช้
5. บันทึกคำขอเป็น regression test
6. ตั้งเวลาให้รัน เพื่อพบปัญหาก่อนผู้ใช้

ตัวอย่าง assertions ที่ควรมี:

Status code ต้องเป็น 200
Response ต้องมี candidates
Response ต้องมีข้อความตอบกลับ
Response ต้องไม่ว่างเปล่า

Apidog ไม่ได้รันโมเดลแทน Gemini API แต่ช่วยให้คุณเรียกใช้งาน ตรวจสอบ และทดสอบ endpoint gemini-3.5-flash-lite ร่วมกับ API อื่นใน stack ได้

คำถามที่พบบ่อย

Gemini 3.5 Flash-Lite เหมือนกับ Gemini 3.6 Flash หรือไม่?

ไม่เหมือน ทั้งสองเป็นคนละโมเดลจากการอัปเดตวันที่ 21 กรกฎาคม 2026 Flash-Lite เน้นงานง่าย ปริมาณมาก และราคาต่ำ ส่วน 3.6 Flash เหมาะกับ reasoning, coding และงาน agent ที่ซับซ้อนกว่า

ทำไม Flash-Lite ใช้เวอร์ชัน 3.5 ไม่ใช่ 3.6?

Google กำหนดหมายเลขเวอร์ชันตามสายผลิตภัณฑ์ของโมเดล ไม่ได้กำหนดจากวันที่เปิดตัว รุ่น Flash หลักจึงเป็น 3.6 ขณะที่ Flash-Lite และ Flash Cyber ยังคงอยู่ที่ 3.5

Gemini 3.5 Flash-Lite คือ Gemini 3.1 Flash-Lite รุ่นเก่าหรือไม่?

ไม่ใช่ เป็นโมเดลใหม่คนละเวอร์ชัน ตรวจสอบ model ID ให้แน่ใจว่าใช้:

gemini-3.5-flash-lite

Gemini 3.5 Flash-Lite ฟรีหรือไม่?

มี free tier ผ่าน Google AI Studio พร้อม rate limit เหมาะสำหรับการทดลองและพัฒนาเบื้องต้น สำหรับ workload ระดับ production ที่มีปริมาณสูง ควรใช้ API key แบบชำระเงิน

Flash-Lite เหมาะกับงานใดมากที่สุด?

เหมาะกับ classification, extraction, แชทสั้น และ retrieval-augmented answers แบบง่ายที่ต้องประมวลผลจำนวนมากและตอบกลับเร็ว ไม่เหมาะกับงาน coding ซับซ้อนหรือ reasoning หลายขั้นตอนยาวๆ