La famille de modèles Gemini : Pro, Flash, et quand utiliser chacun
Google propose Gemini Pro pour le travail le plus difficile et le plus exigeant en raisonnement, et Gemini Flash pour tout ce qui doit être rapide et peu coûteux. Les deux sont nativement multimodaux. Ce qui distingue l'amateur de celui qui livre des fonctionnalités IA fiables, c'est de savoir lequel appeler, quand et pourquoi. Ce choix s'appelle le *model routing*, et c'est le levier le plus puissant dont vous disposez sur le coût, la latence et la qualité de tout ce que vous construisez sur Gemini.
Deux niveaux, une seule famille
Gemini est une famille, pas un modèle unique, et elle évolue par générations. La génération actuelle est Gemini 3 (Gemini 3 Pro est sorti fin 2025, suivi de Gemini 3 Flash), qui remplace les modèles 2.5 que beaucoup de tutoriels montrent encore. Les deux niveaux que vous utiliserez en permanence :
- Gemini Pro est le poids lourd. Il excelle en raisonnement multi-étapes, sur le code complexe, les documents denses, les instructions ambiguës et les tâches où une seule étape fausse contamine tout le reste. Latence plus élevée, prix par tokentokenUn token est l'unité de base de texte que traitent les modèles de langage : le plus souvent un fragment de mot, un mot entier ou un signe de ponctuation, plutôt qu'un simple caractère.Voir la définition complète → plus élevé.
- Gemini Flash est le cheval de trait. Optimisé pour le débit et le faible coût, il absorbe l'essentiel du trafic réel en production : classification, extraction, synthèse, routage, rédaction simple et chat. Un niveau encore plus léger, Flash-Lite, existe pour les traitements à très gros volume et au coût le plus bas.
La génération compte autant que le niveau. Un Flash de la génération actuelle égale ou dépasse souvent le Pro de la génération précédente sur les tâches courantes : retestez donc votre routage à chaque nouvelle génération. Une tâche que vous confiiez à Pro l'an dernier relève peut-être de Flash aujourd'hui.
Le caractère « nativement multimodalmultimodalIA qui traite plusieurs types de contenu à la fois: texte, image, audio, vidéo et données, au lieu d'un seul format.Voir la définition complète → » est sous-exploité. Les deux niveaux acceptent texte, images, audio, PDF et vidéo dans la même requête, sans module de vision ajouté après coup. Vous pouvez donner à Flash une capture d'écran et une question : il lit les deux comme une seule entrée.
Les deux niveaux partagent aussi le trait distinctif de Gemini : une très grande fenêtre de contexte, de l'ordre d'un million de tokens sur les modèles Pro et Flash actuels. C'est assez pour placer une codebase entière, un long contrat ou des heures de transcription dans un seul prompt. Parfois, « mettre tout le document dans le prompt » est préférable à un pipelinepipelineL'ensemble des opportunités commerciales actives réparties selon les étapes du processus de vente, avec leur valeur potentielle cumulée et leur probabilité de conclusion.Voir la définition complète → de retrieval compliqué. (Nous revenons sur cet arbitrage plus bas.)
Vérifiez toujours les identifiants de modèles, les limites de contexte, les tarifs et les dates de dépréciation dans la documentation des modèles Gemini. Les modèles en preview sont renommés et les anciennes versions sont retirées selon un calendrier.
La décision de routage, concrètement
Posez une seule question : cette tâche demande-t-elle du raisonnement, ou seulement du traitement ?
Prenons deux tâches sur le même ticket de support.
Tâche A : « Résume ce ticket en deux phrases pour la file d'attente. »
Gros volume, faible enjeu, pas de chaîne de raisonnement. C'est Flash. La tâche tourne des milliers de fois par jour et personne ne relit le résultat.
Tâche B : « Lis ce ticket, les trois tickets précédents du client, notre PDF de politique de remboursement et l'historique de commandes, puis décide si le client a droit à un remboursement, cite la clause exacte de la politique et rédige la réponse. »
Plusieurs sources, une politique à appliquer correctement, une décision qui engage de l'argent et une citation qui doit être exacte. C'est Pro.
Le piège consiste à utiliser un seul modèle pour les deux. Envoyer la tâche A à Pro brbrLe pourcentage de visiteurs qui repartent après avoir vu une seule page, souvent le signe d'une pertinence insuffisante, d'un décalage d'intention ou d'une expérience utilisateur faible.Voir la définition complète →ûle de l'argent et ajoute de la latence sans gain de qualité. Envoyer la tâche B à Flash expose à une décision de remboursement fausse mais affirmée avec assurance. Routez par tâche, pas par application.
Un schémamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète → courant en production est la cascade Flash d'abord. Flash tente la tâche, et vous ne passez à Pro que si un contrôle de confiance peu coûteux échoue ou si la tâche est signalée comme à fort enjeu.
Centralisez les identifiants de modèles pour qu'un changement de version se résume à une ligne :
from google import genai
client = genai.Client() # lit GEMINI_API_KEY depuis l'environnement
# Consultez ai.google.dev/gemini-api/docs/models pour les identifiants actuels
FAST_MODEL = "gemini-3-flash-preview"
SMART_MODEL = "gemini-3-pro-preview"
def answer(question: str, complex_task: bool = False) -> str:
model = SMART_MODEL if complex_task else FAST_MODEL
resp = client.models.generate_content(
model=model,
contents=question,
)
return resp.text
print(answer("Summarize this ticket in two sentences: ..."))
print(answer("Decide refund eligibility and cite the policy clause: ...", complex_task=True))C'est avec ce flag complex_task que les vrais systèmes deviennent intéressants. Vous pouvez le définir à partir d'un classifieur Flash rapide, de métadonnées (valeur du ticket, niveau du client) ou d'une regex sur des mots-clés comme « refund » ou « legal ». La logique de routage, c'est votre produit.
Chaque modèle dispose d'un second réglage. Les modèles Gemini actuels « réfléchissent » avant de répondre, et l'APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → permet de doser cette réflexion (un thinking level sur Gemini 3, un thinking budget sur 2.5). Une réflexion faible sur Flash donne des réponses quasi instantanées pour l'extraction. Une réflexion élevée sur Pro est réservée à la décision de remboursement. Le niveau de modèle et la profondeur de réflexion combinés vous offrent toute une gamme d'arbitrages coût/qualité.
Long contexte ou RAGRAGMéthode qui permet à un modèle d'IA de répondre à partir de vos propres documents, en récupérant les passages pertinents avant de générer une réponse.Voir la définition complète → : quand se passer du retrieval
Vous connaissez déjà le RAG en tant que concept. Le long contexte de Gemini impose une décision d'architecture que vous n'aviez pas à prendre avec des modèles plus petits.
Si votre base de connaissances tient largement dans la fenêtre et change rarement, tout mettre dans le prompt est souvent plus simple et plus précis que de construire un pipeline de retrieval. Pas de chunking, pas de base d'embeddings, pas de réglage de pertinence. Vous donnez à Pro le contrat complet de 80 pages et posez votre question sur l'ensemble d'un coup.
Le long contexte n'est pas gratuit pour autant. Le coût augmente avec les tokens en entrée, et les prompts très longs ajoutent de la latence. La règle empirique :
- Un seul document, ou un petit corpus fixe, interrogé de façon répétée ? Utilisez le long contexte, associé au context caching (l'API met en cache un long préfixe commun pour que vous ne payiez pas à nouveau le traitement du même document à chaque appel).
- Des millions de documents, ou un contenu qui change sans cesse ? Le RAG reste gagnant. Aucune fenêtre ne contient une base de connaissances, et vous ne le souhaitez pas.
Pour beaucoup de systèmes en production, la réponse honnête est : les deux. Le RAG réduit des millions de documents aux dix plus pertinents, puis vous passez ces dix documents en entier dans la fenêtre au lieu de les découper en petits chunks. Le long contexte rend votre étape de retrieval moins fragile.
Où faire tourner Gemini concrètement
Les mêmes modèles sont disponibles sur les différentes surfaces de Google. Choisissez la surface selon le sérieux du travail.
Prototypage et outils rapides
Google AI Studio est le point de départ. C'est une interface web avec offre gratuite pour tester des prompts, comparer Flash et Pro côte à côte, régler les instructions système et les paramètres de réflexion, et récupérer le code API exact de ce que vous avez construit.
L'assistant du quotidien
L'application Gemini est l'assistant grand public et Workspace. Vous pouvez y crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →éer des Gems : des assistants enregistrés et réutilisables, avec leurs propres instructions et (sur les offres compatibles) leurs propres fichiers de référence. Un Gem est un prompt système packagé avec du contexte, qu'une personne non technique peut créer et partager. Avec un Gem « Brand Voice Editor », votre équipe cesse de recoller les mêmes instructions.
Dans les outils que vous utilisez déjà
Gemini dans Google Workspace intègre les modèles dans Docs, Gmail, Sheets, Slides, Meet et Drive. Rédiger dans Gmail, résumer un Doc, générer un tableau dans Sheets, obtenir un compte rendu dans Meet. Pour automatiser au-delà de l'interface, Apps Script permet d'appeler Gemini depuis une feuille de calcul ou un workflow Workspace en quelques lignes de script.
Vérification des acquis
1. Qu'est-ce que le « model routing » et pourquoi est-ce important quand on construit sur Gemini ?
2. La leçon articule la décision de routage autour d'une question centrale. Laquelle ?
3. Une équipe exécute des milliers de fois par jour une tâche à faible enjeu et gros volume : résumer des tickets de support en deux phrases pour une file que personne ne relit. Quel modèle convient le mieux, et pourquoi ?
4. Sélectionnez TOUTES les affirmations qui décrivent correctement comment la multimodalité native et la grande fenêtre de contexte de Gemini changent votre façon de construire.
Sélectionnez toutes les réponses correctes.
5. Sélectionnez TOUTES les tâches que la leçon identifie comme des charges de travail typiques de Gemini Flash.
Sélectionnez toutes les réponses correctes.
Le grounding pour que le modèle arrête de deviner
Un modèle brut répond à partir de ses données d'entraînement, qui vieillissent et inventent des faits. Le grounding avec Google Search connecte un appel à l'API Gemini aux résultats Search en temps réel, et la réponse revient avec des liens sources que vous pouvez montrer aux utilisateurs. Activez-le requête par requête quand la fraîcheur ou la vérifiabilité comptent (actualité, prix, documents récents). Laissez-le désactivé pour les tâches fermées comme « réécris ce paragraphe ».
from google import genai
from google.genai import types
client = genai.Client()
resp = client.models.generate_content(
model="gemini-3-flash-preview", # utilisez l'identifiant Flash actuel
contents="What were the headline announcements at the most recent Google I/O?",
config=types.GenerateContentConfig(
tools=[types.Tool(google_search=types.GoogleSearch())]
),
)
print(resp.text)Pour les développeurs et les agents
- L'[API Gemini](https://ai.google.dev/gemini-api/docs) est l'interface programmatique directe et le socle de tout ce que vous livrez.
- Gemini CLI est un agent open source qui tourne dans votre terminal. Pointez-le vers un repo et demandez-lui d'expliquer, de refactorer ou d'exécuter des tâches multi-étapes sur vos fichiers.
- Gemini Code Assist ajoute complétion et chat dans votre IDE et sur GitHub.
- L'Agent Development Kit (ADK) est un framework open source pour les systèmes multi-agents, avec outils, état et orchestration, qui vous évite de coder vos boucles d'agents à la main.
Pour le passage à l'échelle en production
Vertex AI est la voie entreprise sur Google Cloud. Il fait tourner les mêmes modèles Gemini avec IAM, contrôles de résidence des données, quotas plus élevés, monitoring et tuning, et il satisfait les exigences des achats. Prototypez sur l'API Gemini avec une clé AI Studio, puis passez à Vertex AI quand vous avez besoin de gouvernance et d'échelle.
Une vraie architecture de routage
Imaginez un assistant interne de « deal desk » qui revoit les contrats commerciaux.
- Réception (Flash). Un utilisateur dépose un PDF. Flash le classe : contrat, NDA ou document sans intérêt. Peu coûteux, instantané, appliqué à tout.
- Extraction (Flash, multimodal, réflexion faible). Pour les contrats, Flash lit directement le PDF (sans étape d'OCR séparée) et extrait des champs structurés : parties, montant, durée, droit applicable.
- Revue des risques (Pro, long contexte, réflexion élevée). Le contrat complet et votre PDF de playbook sont envoyés à Pro, qui signale les clauses non standard et explique chacune au regard du playbook. C'est l'étape de raisonnement : elle justifie le prix de Pro.
- Rédaction (Flash). Flash rédige l'e-mail de redline pour le commercial à partir des conclusions de Pro.
- Questions en direct (Flash + grounding). Le commercial demande « cette contrepartie fait-elle l'actualité ? » et un appel Flash avec grounding répond avec des liens appuyés sur Search.
Un workflow, cinq appels de modèle, et un seul passe par Pro. C'est un bon routage : dépenser la capacité de raisonnement coûteuse là où la décision compte, et laisser Flash absorber le volume.
Points clés
- Routez par tâche, pas par application. Le raisonnement et les forts enjeux vont à Pro ; le volume, l'extraction et la rédaction vont à Flash. Partez par défaut d'une cascade Flash d'abord et n'escaladez qu'en cas de besoin.
- Utilisez la profondeur de réflexion comme second réglage, et retestez le routage à chaque nouvelle génération. Gemini 3 Flash peut prendre en charge du travail qui nécessitait 2.5 Pro.
- Gardez les identifiants de modèles dans une seule constante et consultez la page des modèles, car les previews sont renommées et les anciennes versions retirées.
- Envoyez PDF, images et audio directement dans la même requête au lieu d'ajouter des étapes d'OCR ou de transcription.
- Traitez le long contexte comme un choix d'architecture : un seul document avec context caching vaut mieux qu'un RAG inutile, mais gardez le RAG pour les corpus volumineux ou qui évoluent vite, et combinez les deux.
- Prototypez dans AI Studio, livrez sur l'API Gemini, packagez les assistants réutilisables en Gems, passez à Vertex AI pour la gouvernance, et n'activez le grounding que lorsque la fraîcheur compte.
Questions fréquentes
Quelle est la différence entre Gemini Pro et Gemini Flash ?
Gemini Pro est le niveau dédié au raisonnement : logique en plusieurs étapes, documents denses, instructions ambiguës, tâches où une seule étape fausse ruine le résultat. Gemini Flash est optimisé pour le débit et un coût faible, et il absorbe l'essentiel du trafic de production : classification, extraction, résumé, rédaction. Les deux sont nativement multimodaux et offrent une fenêtre de contexte de l'ordre du million de tokens ; la différence porte sur la latence, le prix par token et la profondeur de raisonnement.
Comment choisir le modèle Gemini à appeler pour une tâche donnée ?
Demandez-vous si la tâche exige du raisonnement ou simplement du traitement. « Résume ce ticket de support en deux phrases » relève du traitement, donc Flash ; « lis le ticket, les trois tickets précédents et la politique de remboursement, puis décide de l'éligibilité et cite la clause » relève du raisonnement avec de l'argent en jeu, donc Pro. L'erreur consiste à choisir un seul modèle pour toute l'application : routez par tâche, pas par application.
Qu'est-ce qu'une cascade Flash-first et pourquoi l'utiliser ?
Une cascade Flash-first traite par défaut chaque requête avec Gemini Flash et ne bascule vers Pro que lorsqu'un contrôle de confiance peu coûteux échoue ou que la tâche est signalée comme critique. Elle maintient un coût et une latence faibles sur l'essentiel du trafic tout en conservant une qualité de niveau Pro sur les décisions qui comptent. Le signal d'escalade peut venir d'un classifieur Flash rapide, de métadonnées comme la valeur du ticket ou le segment client, ou de mots-clés comme « remboursement » ou « juridique ».
Quand utiliser le long contexte de Gemini plutôt que construire un pipeline RAG ?
Utilisez le long contexte quand la connaissance tient dans la fenêtre et change rarement : un contrat de 80 pages ou un petit corpus fixe interrogé de façon répétée, associé au context caching pour ne pas repayer le traitement du même document à chaque appel. Gardez le RAG pour des millions de documents ou un contenu qui change en permanence, car aucune fenêtre ne contient une base de connaissances complète. Beaucoup de systèmes en production combinent les deux : le retrieval ramène la sélection à dix documents, puis vous transmettez ces dix documents en entier plutôt que de les découper en petits chunks.
Une nouvelle génération de Gemini change-t-elle le modèle vers lequel router les tâches ?
Oui, et il vaut la peine de retester le routage à chaque sortie. Un Flash de génération actuelle égale ou dépasse souvent le Pro de la génération précédente sur les tâches courantes : un travail que vous envoyiez à Gemini 2.5 Pro peut aujourd'hui relever de Gemini 3 Flash. Centralisez les identifiants de modèles dans une seule constante de votre code et consultez la documentation des modèles Gemini, car les modèles en preview sont renommés et les anciennes versions sont retirées selon un calendrier.
Quelle est la différence entre Google AI Studio, l'API Gemini et Vertex AI ?
Google AI Studio est l'interface web en accès gratuit pour tester des prompts, comparer Flash et Pro côte à côte et exporter le code d'appel à l'API. L'API Gemini est l'interface programmatique directe sur laquelle vous mettez en production. Vertex AI exécute les mêmes modèles Gemini sur Google Cloud avec IAM, contrôles de résidence des données, quotas plus élevés, monitoring et tuning, ce qu'exigent les achats et la gouvernance à grande échelle. Le parcours habituel : prototyper dans AI Studio, mettre en production sur l'API Gemini, passer à Vertex AI quand la gouvernance devient un enjeu.
À faire, tiré de cette leçon
Ces actions sont compilées dans le plan d'action du rôle.
- Adoptez par défaut une cascade Flash-first, avec escalade vers Pro uniquement là où les décisions comptent
- Envoyez PDF, images, audio et vidéo nativement dans une seule requête
- Placer les artefacts volumineux uniques directement dans le long context, en réservant le RAG aux grands corpus
- Adaptez la surface à l'enjeu : AI Studio, API, Gems, puis Vertex AI
Articles liés
Les articles récents du blog qui s'appuient sur cette leçon.
- IAGemini Decision 1 tranche 1 000 questions d'un coup, alors arrêtez de choisir votre IA par marqueGoogle et OpenAI vendent désormais un modèle qui tranche (oui, non, choix, note) à côté de celui qui rédige. Le choix entre ChatGPT, Claude et Gemini se fait donc tâche par tâche, et la première question porte sur la forme de la réponse attendue.
- IAModèles de raisonnement : arrêtez de les utiliser par défautLes modèles de raisonnement comme o3 d'OpenAI ou Claude 3.7 Sonnet sont présentés comme la prochaine étape obligatoire pour quiconque veut des résultats sérieux avec l'IA. Cette réputation est partiellement méritée, mais elle pousse des professionnels à faire de mauvais choix d'outils au quotidien.
- IAModèles de raisonnement : comment choisir et les utiliser efficacementLes modèles de raisonnement comme o3 d'OpenAI ou Claude Sonnet 3.7 promettent des performances bien supérieures sur les tâches complexes, mais les déployer sans méthode génère des coûts élevés et des résultats décevants. Ce playbook vous donne une séquence concrète pour décider quand les utiliser et comment en tirer le meilleur parti.