gemini-3.1-flash-lite-imageは推論モードをサポートしていますか？3組の実測データでthinkingLevelの使い方を解説

“gemini-3.1-flash-lite-image はそもそも推理モードをサポートしているのか？”は、最近 API 呼び出しのコミュニティで最もよく聞かれる質問のひとつです。答えは「はい」です。しかもこれは推測ではありません。Google の公式ドキュメントを参照しつつ、APIYI のゲートウェイ経由で3組の比較実験を行い、実際の token 消費量と遅延データを取得しました。この記事では、パラメータ構造、実測データ、課金ルールの3つの観点から、thinkingLevel というスイッチをわかりやすく解説します。

核心価値: この記事を読めば、gemini-3.1-flash-lite-image の推理モードをどう有効化するのか、有効化するとどれくらい token が増えるのか、そしてどんな場面ならその遅延を払ってでも使う価値があるのかが明確になります。

gemini-3.1-flash-lite-image 推理モードの核心結論

先に結論を述べ、そのあとで細部を見ていきます。Google の公式ドキュメントには、gemini-3.1-flash-image と gemini-3.1-flash-lite-image を使うことで、モデルが使用する思考量を制御できると明記されています。つまり、flash-lite も推理能力を内蔵しており、フラッグシップモデルだけの機能ではありません。ただし、すべての画像モデルがこのパラメータをサポートしているわけではないため、下表で主要な3つの Gemini 画像モデルの対応状況を比較します。

特に注意したいのは、thinkingLevel は2段階しか選べないことです。テキストモデルのように、連続的に思考予算を調整できるわけではありません。公式原文では「minimal の思考は、モデルがまったく考えないことを意味しない」とされています。つまり、デフォルト段階でもモデル内部ではある程度の基礎推論が行われますが、high のように複数回の構図検証までは行わない、ということです。

これは業界動向としても注目に値します。以前の世代の画像生成モデルでは、nano banana であれ初期の flash-image であれ、公式 API がこうした思考レベルのパラメータを公開していませんでした。モデルは固定戦略で画像を生成するか、あるいは完全にプロンプト設計で構図の弱点を補うしかありませんでした。3.1 世代では、Google が「先に計画し、あとで生成する」という推理メカニズムを flash 系に開放しています。これは、これまでテキストモデルで検証されてきた思考のパラダイムを、画像生成シーンへ移植したものだと言えます。この背景を理解しておくと、今後ほかのベンダーの画像モデルも同じ方向へ進むのかを判断しやすくなります。

🎯 技術的な提案: APIYI apiyi.com 経由で Gemini 画像系モデルを呼び出しているなら、まずはデフォルトの minimal 段階で業務フローを動かし、実際の画像品質を見ながら high に切り替えるべきか判断するのがおすすめです。このプラットフォームでは統一 API を提供しているため、gemini-3.1-flash-image、flash-lite-image、pro-image を同じコードで切り替えられ、A/B 比較もしやすくなっています。

thinkingLevel パラメータの詳細と呼び出し方法

thinkingLevel は独立したパラメータではなく、generationConfig の下にある thinkingConfig オブジェクト内にネストされていて、includeThoughts と組み合わせて使います。includeThoughts は、モデルの思考要約を呼び出し元に返すかどうかを決めるもので、thinkingLevel は思考の「強さ」を決めます。両者は分離された2つのスイッチなので、混同しないようにしてください。

下の表は、thinkingConfig オブジェクト内の2つの重要なフィールドの型と取りうる値をまとめたものです。

実際の呼び出しでは、主要な3言語とも書き方の構造はまったく同じで、config に thinkingConfig オブジェクトを入れるだけです。Python の例を示します。

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # APIYI の統一ゲートウェイ経由で呼び出し
)

response = client.chat.completions.create(
    model="gemini-3.1-flash-lite-image",
    messages=[{"role": "user", "content": "雪山のふもとでコーヒーを飲む猫を描いて"}],
    extra_body={
        "thinkingConfig": {
            "thinkingLevel": "high",
            "includeThoughts": True
        }
    }
)
print(response.choices[0].message.content)

{
  "contents": [{"parts": [{"text": "雪山のふもとでコーヒーを飲む猫を描いて"}]}],
  "generationConfig": {
    "responseModalities": ["IMAGE"],
    "thinkingConfig": {
      "thinkingLevel": "high",
      "includeThoughts": true
    }
  }
}

おすすめ: APIYI apiyi.com で無料テスト枠を取得し、ゲートウェイ側で thinkingConfig が正しく透過されるかを直接確認すると、公式キーを別途申請してデバッグするよりずっと手軽です。

APIYI の実測データ：thinkingLevel が token と遅延に与える実際の影響

仕様書を読むだけでなく、実データを見ると理解がぐっと早くなります。同じプロンプトを使って、1K 解像度のテキストから画像生成を対象に、APIYI のゲートウェイ経由で gemini-3.1-flash-image の minimal 案、high 案、さらに gemini-3-pro-image に high パラメータを強制的に渡した場合の3パターンを測定しました。

このデータから、3つの重要な傾向が読み取れます。第一に、thinkingLevel を high にすると、thoughtsTokenCount はデフォルトの 0 から一気に 700〜800 台まで増え、総 token 消費も約50%増加します。応答遅延も 12〜13 秒から 18〜23 秒へ伸びるので、思考には実際にコストと時間がかかることが分かります。第二に、minimal でも high でも、最終出力画像の token 数は常に 1120 のままで、thinkingLevel はモデルが「どう考えるか」だけに影響し、画像の解像度や画像自体の課金には影響しません。第三に、gemini-3-pro-image に high を渡してもエラーにはならず、181〜214 の思考 token はデフォルトとほぼ同じで、これは公式ドキュメントにある「pro-image は思考挙動が固定で、外部から調整できない」という説明と一致します。

つまり、業務ロジックで thinkingConfig を共通化して flash、flash-lite、pro の3モデルにまとめて渡しても、pro-image はそのパラメータを静かに無視するだけで、エラーで処理が止まることはありません。ただし、期待どおりに思考強度が変わるわけでもありません。

補足すると、上記のデータは単発測定ではなく、同じプロンプトを各設定で複数回実行した結果から得たレンジです。そのため、high 案の thoughtsTokenCount が 700〜792 のように幅を持っています。思考系のタスクには一定のランダム性があり、モデルごとの中間推論経路が毎回完全に同じになるわけではないため、token 消費にも多少の揺れが出ます。ただし、量的な傾向と遅延の増加傾向は安定して再現できるので、high が minimal より速くなったり、思考 token が数千まで跳ね上がったりするような異常挙動は基本的に起きません。

画像モデルの思考 token と課金ルール

多くの開発者は、thoughtsTokenCount というフィールドを初めて見たとき、ついテキストモデルの思考コストと同じ感覚で捉えがちです。ですが、画像モデルの思考メカニズムは実際には2つに分かれて課金されるため、この点を理解しておくことがコスト管理ではとても重要です。

公式ドキュメントでは、includeThoughts を true にしても false にしても、思考で発生した token は通常どおり課金されると明記されています。実測でもそれを確認できました。includeThoughts を有効にしても、返却される構造や総課金額に変化はなく、デバッグ用に思考要約テキストが追加されるだけです。言い換えると、includeThoughts は「見るかどうか」のスイッチであり、「支払うかどうか」のスイッチではありません。この点はかなり誤解されやすいところです。

さらに重要なのは、画像モデルの思考コストの大部分が thoughtsTokenCount にあるわけではなく、推論中に生成される一時的な構図画像にあるということです。公式文書によると、モデルは思考段階で最大2枚の一時画像を生成し、構図や論理の妥当性を試します。これらのスケッチは通常の画像 part として返され、candidatesTokenCount に計上され、出力画像の標準単価で課金されます。つまり、high プランで推論ベースの画像生成を1回行うと、実際には「見えない」スケッチが1〜2枚分、追加で発生している可能性があります。コスト見積もりではここを見落としやすいです。

具体的に計算すると、よりイメージしやすくなります。たとえば 1K 解像度の画像生成リクエストを high プランで実行し、思考テキストが約 750 tokens 消費されたとします。さらに、モデルが推論中に実際に2枚の一時スケッチを生成し、最終生成画像も含めると、理論上は3枚の画像 part が発生します。1枚あたり 1120 tokens、約 0.0336 ドルとして計算すると、3枚分の出力コストだけで 0.1 ドル近くになり、そこに思考テキスト分の費用が加わります。全体のコストは minimal プランの 2〜3倍になる可能性があります。なお、実際に2枚のスケッチが必ず出るわけではなく、モデルがその時のプロンプトをどう判断するかに依存します。そのため、high プランを使ったときの総 token 数が 2243〜2375 のような幅を持つのも自然です。きっちり2倍になるわけではありません。

💰 コスト最適化: token コストに敏感なチームでは、まず APIYI apiyi.com の呼び出しログで実際の totalTokenCount を確認し、そのうえで high プランを恒常的に使うか判断するのがおすすめです。スケッチ課金を見落として予算超過するのを防げます。

どんな場面で high を使い、どんな場面でデフォルトの minimal を使うべきか

実測データを踏まえて、簡単な判断基準をまとめます。

要するに、high プランは「出力速度」より「一発で仕上がること」が重要な場面に向いています。もしアプリ側で何度も再試行したり、プロンプトを調整し続けてようやく納得のいく構図にたどり着くようなら、最初から high を使ったほうが、少し単価が高くても総合的には得になることが多いです。

実運用では、thinkingLevel をコードに固定値で埋め込まず、設定可能にしておくのが無難です。たとえば、API呼び出し元から渡される業務種別に応じて自動ルーティングする形です。バッチ処理はデフォルトで minimal、精密なレイアウトや複数主体の空間関係が重要なリクエストは high に切り替える、という運用なら、平均コストを抑えつつ重要な場面で品質も落としません。チームで flash、flash-lite、pro の3つのモデル呼び出しロジックを併用している場合は、パラメータのラップ層で一元的に処理し、thinkingLevel をサポートするモデルだけに渡すようにすると、pro-image に無効なパラメータを透過して調査しづらくなる問題を防げます。

🚀 すぐ始める: APIYI apiyi.com を使ってプロトタイプを素早く組むのがおすすめです。同じ base_url で minimal と high の両設定を切り替えて比較テストできるので、プランごとに認証情報を別々に設定する必要はありません。

よくある質問

まとめ

gemini-3.1-flash-lite-image が推論モードに対応していることは、公式ドキュメントと APIYI の実測データの両方で確認済みです。thinkingLevel は minimal と high の 2 段階のみ選択でき、high を有効にすると思考 token は 700 以上に増え、総所要時間も約 5〜10 秒長くなりますが、最終画像の token 消費は変わりません。一方、gemini-3-pro-image はこのパラメータを受け付けてもエラーにはなりませんが、実際には効果がありません。「思考テキストは thoughtsTokenCount、構図の下書きは candidatesTokenCount で計上される」という 2 系統の課金ロジックを理解することが、画像生成コストを抑えるうえで重要です。複数の Gemini 画像モデルを素早く切り替えて検証したい場合は、APIYI apiyi.com の統一ゲートウェイを使ってテストするのがおすすめです。モデルごとに個別の APIキーを取得したり、呼び出しコードを維持したりする手間を減らせます。

本文データは APIYI 技術チームの実測に基づいています。Gemini 画像モデルのより詳しい呼び出し方法について相談したい場合は、APIYI apiyi.com から技術サポートまでお問い合わせください。

参考資料

1. Gemini API 公式ドキュメント – 画像生成: 思考レベル（thinking levels）パラメータの説明
   • リンク： ai.google.dev/gemini-api/docs/generate-content/image-generation