使用 ML.GENERATE_TEXT 函式生成文字

本文說明如何建立代表 Vertex AI 模型的 BigQuery ML 遠端模型，然後使用該遠端模型搭配 ML.GENERATE_TEXT 函式生成文字。

支援的遠端模型類型如下：

視所選的 Vertex AI 模型而定，您可以根據物件表格的非結構化資料輸入內容，或標準表格的文字輸入內容生成文字。

必要的角色

如要建立遠端模型並生成文字，您需要下列 Identity and Access Management (IAM) 角色：

  • 建立及使用 BigQuery 資料集、資料表和模型： 專案中的 BigQuery 資料編輯者 (roles/bigquery.dataEditor)。

  • 建立、委派及使用 BigQuery 連線：專案的 BigQuery 連線管理員 (roles/bigquery.connectionsAdmin)。

    如果沒有設定預設連線，您可以在執行 CREATE MODEL 陳述式時建立並設定連線。如要這麼做，您必須具備專案的 BigQuery 管理員角色 (roles/bigquery.admin)。詳情請參閱「設定預設連線」。

  • 將權限授予連線的服務帳戶：在包含 Vertex AI 端點的專案中，授予專案 IAM 管理員 (roles/resourcemanager.projectIamAdmin) 權限。這是您透過將模型名稱指定為端點所建立遠端模型的目前專案。這是您透過指定網址做為端點所建立遠端模型網址中識別的專案。

    如果您使用遠端模型分析物件資料表中的非結構化資料，且物件資料表使用的 Cloud Storage 值區與 Vertex AI 端點位於不同專案，您也必須擁有物件資料表所用 Cloud Storage 值區的 Storage 管理員 (roles/storage.admin) 權限。

  • 建立 BigQuery 工作：專案中的 BigQuery 工作使用者 (roles/bigquery.jobUser)。

這些預先定義的角色具備執行本文中工作所需的權限。如要查看確切的必要權限，請展開「必要權限」部分：

所需權限

  • 建立資料集：bigquery.datasets.create
  • 建立、委派及使用連線： bigquery.connections.*
  • 設定服務帳戶權限： resourcemanager.projects.getIamPolicy 和 resourcemanager.projects.setIamPolicy
  • 建立模型並執行推論：
    • bigquery.jobs.create
    • bigquery.models.create
    • bigquery.models.getData
    • bigquery.models.updateData
    • bigquery.models.updateMetadata

您或許還可透過自訂角色或其他預先定義的角色取得這些權限。

事前準備

  1. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  2. Verify that billing is enabled for your Google Cloud project.

  3. Enable the BigQuery, BigQuery Connection, and Vertex AI APIs.

    Roles required to enable APIs

    To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

    Enable the APIs

建立資料集

建立 BigQuery 資料集來存放資源：

控制台

  1. 前往 Google Cloud 控制台的「BigQuery」頁面。

    前往「BigQuery」

  2. 在左側窗格中，按一下「Explorer」：

    醒目顯示的「Explorer」窗格按鈕。

    如果沒有看到左側窗格，請按一下「展開左側窗格」圖示 開啟窗格。

  3. 在「Explorer」窗格中，按一下專案名稱。

  4. 依序點按 「View actions」(查看動作) >「Create dataset」(建立資料集)。

  5. 在「建立資料集」頁面中，執行下列操作：

    1. 在「Dataset ID」(資料集 ID) 部分，輸入資料集的名稱。

    2. 在「位置類型」部分，選取「區域」或「多區域」。

      • 如果選取「區域」，請從「區域」清單中選取位置。
      • 如果選取「多區域」，請從「多區域」清單中選取「美國」或「歐洲」。

    3. 點選「建立資料集」。

bq

  1. 如要建立新的資料集，請使用 bq mk 指令搭配 --location 旗標：

    bq --location=LOCATION mk -d DATASET_ID

    更改下列內容：

    • LOCATION：資料集的位置。
    • DATASET_ID 是您要建立的資料集 ID。

  2. 確認資料集已建立完成：

    bq ls

建立連線

如果您已設定預設連線，或具備 BigQuery 管理員角色，可以略過這個步驟。

建立供遠端模型使用的 Cloud 資源連線，並取得連線的服務帳戶。在與上一步建立的資料集相同的位置中建立連線。

選取下列選項之一：

主控台

  1. 前往「BigQuery」頁面

    前往「BigQuery」

  2. 在「Explorer」窗格中，按一下 「新增資料」：

    「新增資料」UI 元素。

    「新增資料」對話方塊隨即開啟。

  3. 在「Filter By」(篩選依據) 窗格的「Data Source Type」(資料來源類型) 區段中，選取「Business Applications」(商務應用程式)。

    或者，您也可以在「Search for data sources」(搜尋資料來源) 欄位中輸入 Vertex AI。

  4. 在「精選資料來源」部分，點選「Vertex AI」。

  5. 按一下「Vertex AI Models: BigQuery Federation」解決方案資訊卡。

  6. 在「連線類型」清單中，選取「Vertex AI 遠端模型、遠端函式、BigLake 和 Spanner (Cloud 資源)」。

  7. 在「連線 ID」欄位中，輸入連線名稱。

  8. 點選「建立連線」。

  9. 點選「前往連線」。

  10. 在「連線資訊」窗格中，複製服務帳戶 ID，以供後續步驟使用。

bq

  1. 在指令列環境中建立連線：

    bq mk --connection --location=REGION --project_id=PROJECT_ID \
    --connection_type=CLOUD_RESOURCE CONNECTION_ID

    --project_id 參數會覆寫預設專案。

    更改下列內容：

    • REGION：您的連線區域
    • PROJECT_ID：您的 Google Cloud 專案 ID
    • CONNECTION_ID：連線的 ID

    建立連線資源時，BigQuery 會建立專屬的系統服務帳戶，並將其與連線建立關聯。

    疑難排解：如果收到下列連線錯誤訊息，請更新 Google Cloud SDK：

    Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...

  2. 擷取並複製服務帳戶 ID，以供後續步驟使用：

    bq show --connection PROJECT_ID.REGION.CONNECTION_ID

    輸出結果會與下列內容相似：

    name                          properties
1234.REGION.CONNECTION_ID     {"serviceAccountId": "connection-1234-9u56h9@gcp-sa-bigquery-condel.iam.gserviceaccount.com"}

Terraform

使用 google_bigquery_connection 資源。

如要向 BigQuery 進行驗證，請設定應用程式預設憑證。詳情請參閱「設定用戶端程式庫的驗證機制」。

下列範例會在 US 地區中建立名為 my_cloud_resource_connection 的 Cloud 資源連線：


# This queries the provider for project information.
data "google_project" "default" {}

# This creates a cloud resource connection in the US region named my_cloud_resource_connection.
# Note: The cloud resource nested object has only one output field - serviceAccountId.
resource "google_bigquery_connection" "default" {
  connection_id = "my_cloud_resource_connection"
  project       = data.google_project.default.project_id
  location      = "US"
  cloud_resource {}
}

如要在 Google Cloud 專案中套用 Terraform 設定，請完成下列各節的步驟。

準備 Cloud Shell

  1. 啟動 Cloud Shell。

  2. 設定要套用 Terraform 設定的預設 Google Cloud 專案。

    每項專案只需要執行一次這個指令，且可以在任何目錄中執行。

    export GOOGLE_CLOUD_PROJECT=PROJECT_ID

    如果您在 Terraform 設定檔中設定明確值，環境變數就會遭到覆寫。

準備目錄

每個 Terraform 設定檔都必須有自己的目錄 (也稱為根模組)。

  1. 在 Cloud Shell 中建立目錄，並在該目錄中建立新檔案。檔案名稱的副檔名必須是 .tf，例如 main.tf。在本教學課程中，這個檔案稱為 main.tf。
    mkdir DIRECTORY && cd DIRECTORY && touch main.tf

  2. 如果您正在學習教學課程，可以複製每個章節或步驟中的範例程式碼。

    將範例程式碼複製到新建立的 main.tf。

    視需要從 GitHub 複製程式碼。如果 Terraform 代码片段是端對端解決方案的一部分，建議使用這個方法。

  3. 查看並修改範例參數，套用至您的環境。
  4. 儲存變更。
  5. 初始化 Terraform。每個目錄只需執行一次這項操作。 
    terraform init

    如要使用最新版 Google 供應商，請加入 -upgrade 選項： 

    terraform init -upgrade

套用變更

  1. 檢查設定，確認 Terraform 即將建立或更新的資源符合您的預期：
    terraform plan

    視需要修正設定。

  2. 執行下列指令並在提示中輸入 yes，即可套用 Terraform 設定： 
    terraform apply

    等待 Terraform 顯示「Apply complete!」訊息。

  3. 開啟 Google Cloud 專案即可查看結果。在 Google Cloud 控制台中，前往 UI 中的資源，確認 Terraform 已建立或更新這些資源。

將角色指派給遠端模型連線的服務帳戶

您必須為遠端模型使用的連線服務帳戶授予 Vertex AI 使用者角色。

如果您打算將遠端模型的端點指定為網址 (例如 endpoint = 'https://us-central1-aiplatform.googleapis.com/v1/projects/myproject/locations/us-central1/publishers/google/models/gemini-2.0-flash')，請在您於網址中指定的專案中授予這個角色。

如果打算使用模型名稱 (例如 endpoint = 'gemini-2.0-flash') 指定遠端模型的端點，請在您打算建立遠端模型的專案中授予這個角色。

在其他專案中授予角色會導致錯誤 bqcx-1234567890-wxyz@gcp-sa-bigquery-condel.iam.gserviceaccount.com does not have the permission to access resource。

如要授予 Vertex AI 使用者角色，請按照下列步驟操作：

主控台

  1. 前往「IAM & Admin」(IAM 與管理) 頁面。

    前往「IAM & Admin」(IAM 與管理)

  2. 按一下「新增」。

    「新增主體」對話方塊隨即開啟。

  3. 在「新增主體」欄位，輸入先前複製的服務帳戶 ID。

  4. 在「請選擇角色」欄位中，依序選取「Vertex AI」和「Vertex AI 使用者」。

  5. 按一下 [儲存]。

gcloud

使用 gcloud projects add-iam-policy-binding 指令。

gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/aiplatform.user' --condition=None

請替換下列項目：

  • PROJECT_NUMBER：您的專案編號
  • MEMBER：您先前複製的服務帳戶 ID

將角色授予物件資料表連線的服務帳戶

如果您要使用遠端模型從物件表格資料生成文字，請在您打算建立遠端模型的專案中，為物件表格連線的服務帳戶授予 Vertex AI 使用者角色。您也可以略過這個步驟。

如要找出物件資料表連線的服務帳戶，請按照下列步驟操作：

  1. 前往「BigQuery」頁面

    前往「BigQuery」

  2. 在左側窗格中，按一下「Explorer」：

    醒目顯示的「Explorer」窗格按鈕。

    如果沒有看到左側窗格，請按一下「展開左側窗格」圖示 開啟窗格。

  3. 在「Explorer」窗格中，按一下「資料集」，然後選取包含物件資料表的資料集。

  4. 依序按一下「總覽」>「表格」，然後選取物件表格。

  5. 在編輯器窗格中，按一下「詳細資料」分頁標籤。

  6. 記下「連線 ID」欄位中的連線名稱。

  7. 在「Explorer」窗格中，按一下「Connections」。

  8. 選取與物件表格「連線 ID」欄位相符的連線。

  9. 複製「服務帳戶 ID」欄位中的值。

如要授予角色，請按照下列步驟操作：

主控台

  1. 前往「IAM & Admin」(IAM 與管理) 頁面。

    前往「IAM & Admin」(IAM 與管理)

  2. 按一下「新增」。

    「新增主體」對話方塊隨即開啟。

  3. 在「新增主體」欄位，輸入先前複製的服務帳戶 ID。

  4. 在「請選擇角色」欄位中，依序選取「Vertex AI」和「Vertex AI 使用者」。

  5. 按一下 [儲存]。

gcloud

使用 gcloud projects add-iam-policy-binding 指令。

gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/aiplatform.user' --condition=None

請替換下列項目：

  • PROJECT_NUMBER：您的專案編號
  • MEMBER：您先前複製的服務帳戶 ID

啟用合作夥伴模型

如要使用 Anthropic Claude、Llama 或 Mistral AI 模型，才需要執行這個步驟。

  1. 前往 Google Cloud 控制台的 Vertex AI Model Garden 頁面。

    前往 Model Garden

  2. 搜尋或瀏覽要使用的合作夥伴模型。

  3. 按一下模型資訊卡。

  4. 在模型頁面中，按一下「啟用」。

  5. 填寫要求的啟用資訊，然後按一下「下一步」。

  6. 在「條款及細則」部分中，勾選核取方塊。

  7. 按一下「同意」，同意條款及細則並啟用模型。

選擇開放模型部署方式

如果您要透過支援的開放式模型建立遠端模型，可以在 CREATE MODEL 陳述式中指定 Vertex AI Model Garden 或 Hugging Face 模型 ID，在建立遠端模型的同時自動部署開放式模型。或者，您也可以先手動部署開放模型，然後在 CREATE MODEL 陳述式中指定模型端點，將該開放模型與遠端模型搭配使用。詳情請參閱「部署開放模型」。

建立 BigQuery ML 遠端模型

建立遠端模型：

全新開放式模型

  1. 前往 Google Cloud 控制台的「BigQuery」頁面。

    前往「BigQuery」

  2. 使用 SQL 編輯器建立遠端模型：

    CREATE OR REPLACE MODEL
`PROJECT_ID.DATASET_ID.MODEL_NAME`
REMOTE WITH CONNECTION {DEFAULT | `PROJECT_ID.REGION.CONNECTION_ID`}
OPTIONS (
  {HUGGING_FACE_MODEL_ID = 'HUGGING_FACE_MODEL_ID' |
     MODEL_GARDEN_MODEL_NAME = 'MODEL_GARDEN_MODEL_NAME'}
  [, HUGGING_FACE_TOKEN = 'HUGGING_FACE_TOKEN' ]
  [, MACHINE_TYPE = 'MACHINE_TYPE' ]
  [, MIN_REPLICA_COUNT = MIN_REPLICA_COUNT ]
  [, MAX_REPLICA_COUNT = MAX_REPLICA_COUNT ]
  [, RESERVATION_AFFINITY_TYPE = {'NO_RESERVATION' | 'ANY_RESERVATION' | 'SPECIFIC_RESERVATION'} ]
  [, RESERVATION_AFFINITY_KEY = 'compute.googleapis.com/reservation-name' ]
  [, RESERVATION_AFFINITY_VALUES = RESERVATION_AFFINITY_VALUES ]
  [, ENDPOINT_IDLE_TTL = ENDPOINT_IDLE_TTL ]
);

    請替換下列項目：

    • PROJECT_ID：您的專案 ID。
    • DATASET_ID：要包含模型的資料集 ID。這個資料集必須與您使用的連線位於相同的位置。
    • MODEL_NAME：模型名稱。
    • REGION：連線使用的區域。
    • CONNECTION_ID：BigQuery 連線的 ID。

      如要取得這個值，請在 Google Cloud 控制台中查看連線詳細資料，然後複製「連線 ID」中顯示的完整連線 ID 最後一個部分的值。例如：projects/myproject/locations/connection_location/connections/myconnection。

    • HUGGING_FACE_MODEL_ID： STRING 值，指定支援的 Hugging Face 模型的 ID， 格式為 provider_name/model_name。例如 deepseek-ai/DeepSeek-R1。如要取得模型 ID，請在 Hugging Face Model Hub 中按一下模型名稱，然後從模型資訊卡的頂端複製模型 ID。
    • MODEL_GARDEN_MODEL_NAME：STRING 值，指定支援的 Vertex AI Model Garden 模型的模型 ID 和模型版本，格式為 publishers/publisher/models/model_name@model_version。例如：publishers/openai/models/gpt-oss@gpt-oss-120b。如要取得模型 ID，請在 Vertex AI Model Garden 中點選模型資訊卡，然後從「模型 ID」欄位複製模型 ID。如要取得預設模型版本，請從模型資訊卡上的「版本」欄位複製。如要查看其他可用的模型版本，請按一下「部署模型」，然後點選「資源 ID」欄位。
    • HUGGING_FACE_TOKEN：指定要使用的 Hugging Face User Access Token 的 STRING 值。只有在同時指定 HUGGING_FACE_MODEL_ID 選項的值時，才能為這個選項指定值。

      權杖至少須具備 read 角色，但範圍較廣的權杖也適用。如果 HUGGING_FACE_MODEL_ID 值所識別的模型是 Hugging Face 封閉式或私人模型，則必須使用這個選項。

      部分受限模型需要明確同意服務條款，才能取得存取權。如要同意這些條款，請按照下列步驟操作：

      1. 前往 Hugging Face 網站上的模型頁面。
      2. 找出並詳閱模型服務條款。服務協議的連結通常會顯示在模型資訊卡上。
      3. 按照頁面上的提示接受條款。
    • MACHINE_TYPE：STRING 值，用於指定將模型部署至 Vertex AI 時要使用的機器類型。如要瞭解支援的機器類型，請參閱「機器類型」。如果未指定 MACHINE_TYPE 選項的值，系統會使用模型的 Vertex AI Model Garden 預設機器類型。
    • MIN_REPLICA_COUNT：INT64 值，用於指定在 Vertex AI 端點上部署模型時使用的最少機器副本數。服務會視端點的推論負載，增加或減少副本數量。使用的副本數量絕不會低於 MIN_REPLICA_COUNT 值，也不會高於 MAX_REPLICA_COUNT 值。MIN_REPLICA_COUNT 值必須介於 [1, 4096] 之間。預設值為 1。
    • MAX_REPLICA_COUNT：INT64 值，用於指定在 Vertex AI 端點上部署模型時使用的機器副本數量上限。服務會視端點的推論負載，增加或減少副本數量。使用的副本數量絕不會低於 MIN_REPLICA_COUNT 值，也不會高於 MAX_REPLICA_COUNT 值。MAX_REPLICA_COUNT 值必須介於 [1, 4096] 之間。預設值為 MIN_REPLICA_COUNT 值。
    • RESERVATION_AFFINITY_TYPE：判斷已部署的模型是否使用 Compute Engine 預留項目，確保在提供預測時虛擬機器 (VM) 可用性，並指定模型是否使用所有可用預留項目的 VM，或僅使用特定預留項目的 VM。詳情請參閱「Compute Engine 預留資源親和性」。

      您只能使用與 Vertex AI 共用的 Compute Engine 預留項目。詳情請參閱「允許使用預留項目」。

      支援的值如下：

      • NO_RESERVATION：將模型部署至 Vertex AI 端點時，不會消耗任何預留項目。指定 NO_RESERVATION 的效果等同於未指定預訂項目親和性。
      • ANY_RESERVATION：Vertex AI 模型部署會從目前專案中或與專案共用的 Compute Engine 預留項目，取用虛擬機器 (VM)，且這些預留項目已設定為自動取用。只有符合下列資格的 VM 才會使用：
        • 並使用 MACHINE_TYPE 值指定的機器類型。
        • 如果您要在單一區域的 BigQuery 資料集中建立遠端模型，保留項目必須位於相同區域。如果資料集位於US多區域，預留位置就必須位於us-central1區域。如果資料集位於EU多區域，預留位置必須位於europe-west4區域。

        如果可用預留容量不足，或找不到合適的預留項目，系統會佈建隨選 Compute Engine VM，以滿足資源需求。

      • SPECIFIC_RESERVATION：Vertex AI 模型部署作業只會使用您在 RESERVATION_AFFINITY_VALUES 值中指定的預留項目 VM。這項預留項目必須設定為明確指定的用量。如果指定的預留項目容量不足，部署作業就會失敗。
    • RESERVATION_AFFINITY_KEY：字串 compute.googleapis.com/reservation-name。當 RESERVATION_AFFINITY_TYPE 值為 SPECIFIC_RESERVATION 時，您必須指定這個選項。
    • RESERVATION_AFFINITY_VALUES：ARRAY<STRING> 值，指定 Compute Engine 預留項目的完整資源名稱，格式如下：

      projects/myproject/zones/reservation_zone/reservations/reservation_name

      例如：RESERVATION_AFFINITY_values = ['projects/myProject/zones/us-central1-a/reservations/myReservationName']。

      您可以從 Google Cloud 控制台的「預留項目」頁面取得預留項目名稱和區域。詳情請參閱「查看預留項目」。

      當 RESERVATION_AFFINITY_TYPE 值為 SPECIFIC_RESERVATION 時，您必須指定這個選項。

    • ENDPOINT_IDLE_TTL：INTERVAL 值，指定開放模型在閒置多久後，會自動從 Vertex AI 端點取消部署。

      如要啟用自動取消部署，請指定介於 390 分鐘 (6.5 小時) 至 7 天之間的間隔常值值。舉例來說，指定 INTERVAL 8 HOUR 可讓模型在閒置 8 小時後解除部署。預設值為 390 分鐘 (6.5 小時)。

      模型閒置時間是指自對模型執行下列任一項操作後經過的時間：

      這些作業都會將閒置計時器重設為零。在執行作業的 BigQuery 工作開始時，系統會觸發重設作業。

      取消部署模型後，傳送至模型的推論要求會傳回錯誤。BigQuery 模型物件維持不變，包括模型中繼資料。如要再次使用模型進行推論，請對模型執行 ALTER MODEL 陳述式，並將 DEPLOY_MODEL 選項設為 TRUE，重新部署模型。

已部署的開放式模型

  1. 前往 Google Cloud 控制台的「BigQuery」頁面。

    前往「BigQuery」

  2. 使用 SQL 編輯器建立遠端模型：

    CREATE OR REPLACE MODEL
`PROJECT_ID.DATASET_ID.MODEL_NAME`
REMOTE WITH CONNECTION {DEFAULT | `PROJECT_ID.REGION.CONNECTION_ID`}
OPTIONS (
  ENDPOINT = 'https://ENDPOINT_REGION-aiplatform.googleapis.com/v1/projects/ENDPOINT_PROJECT_ID/locations/ENDPOINT_REGION/endpoints/ENDPOINT_ID'
);

    請替換下列項目：

    • PROJECT_ID：您的專案 ID。
    • DATASET_ID：要包含模型的資料集 ID。這個資料集必須與您使用的連線位於相同的位置。
    • MODEL_NAME：模型名稱。
    • REGION：連線使用的區域。
    • CONNECTION_ID：BigQuery 連線的 ID。

      如要取得這個值，請在 Google Cloud 控制台中查看連線詳細資料，然後複製「連線 ID」中顯示的完整連線 ID 最後一個部分的值。例如：projects/myproject/locations/connection_location/connections/myconnection。

    • ENDPOINT_REGION：部署開放式模型的區域。
    • ENDPOINT_PROJECT_ID：部署開放式模型的專案。
    • ENDPOINT_ID：開放式模型使用的 HTTPS 端點 ID。如要取得端點 ID，請在「線上預測」頁面中找到開啟的模型，然後複製「ID」欄位中的值。

所有其他型號

  1. 前往 Google Cloud 控制台的「BigQuery」頁面。

    前往「BigQuery」

  2. 使用 SQL 編輯器建立遠端模型：

    CREATE OR REPLACE MODEL
`PROJECT_ID.DATASET_ID.MODEL_NAME`
REMOTE WITH CONNECTION {DEFAULT | `PROJECT_ID.REGION.CONNECTION_ID`}
OPTIONS (ENDPOINT = 'ENDPOINT');

    請替換下列項目：

    • PROJECT_ID：您的專案 ID。
    • DATASET_ID：要包含模型的資料集 ID。這個資料集必須與您使用的連線位於相同的位置。
    • MODEL_NAME：模型名稱。
    • REGION：連線使用的區域。
    • CONNECTION_ID：BigQuery 連線的 ID。

      如要取得這個值，請在 Google Cloud 控制台中查看連線詳細資料，然後複製「連線 ID」中顯示的完整連線 ID 最後一個部分的值。例如：projects/myproject/locations/connection_location/connections/myconnection。

    • ENDPOINT：要使用的 Vertex AI 模型端點。

      如果是預先訓練的 Vertex AI 模型、Claude 模型和 Mistral AI 模型，請指定模型名稱。對於部分模型，您可以在名稱中指定特定版本。對於支援的 Gemini 模型，您可以指定全域端點，以提高可用性。

      如果是 Llama 模型，請以 openapi/<publisher_name>/<model_name> 格式指定 OpenAI API 端點。例如：openapi/meta/llama-3.1-405b-instruct-maas。

      如要瞭解支援的模型名稱和版本，請參閱 ENDPOINT。

      您指定的 Vertex AI 模型必須位於建立遠端模型的位置。詳情請參閱位置。

從標準表格資料生成文字

使用 ML.GENERATE_TEXT 函式和標準資料表的提示資料生成文字：

Gemini 

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output,
  STOP_SEQUENCES AS stop_sequences,
  GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search,
  SAFETY_SETTINGS AS safety_settings,
  REQUEST_TYPE AS request_type)
);

請替換下列項目：

  • PROJECT_ID：您的專案 ID。
  • DATASET_ID：包含模型的資料集 ID。
  • MODEL_NAME：模型名稱。
  • TABLE_NAME：包含提示的資料表名稱。這個資料表必須有名為 prompt 的資料欄，您也可以使用別名來使用名稱不同的資料欄。
  • PROMPT_QUERY：提供提示資料的查詢。這項查詢必須產生名為 prompt 的資料欄。
  • TOKENS：INT64 值，用於設定回覆中可生成的詞元數量上限。 這個值必須介於 [1,8192] 的範圍之間。 如要取得較短的回覆，請指定較低的值；如要取得較長的回覆，請調高此值。預設值為 128。
  • TEMPERATURE： 介於 [0.0,1.0] 之間的 FLOAT64 值， 可控制選取詞元時的隨機程度。 預設值為 0。

    如果您想藉由提示生成更具確定性、較不具開放性和創意性的回覆，建議調低 temperature。另一方面，如果 temperature 較高，則可能產生較多元或有創意的結果。如果值為 0，則 temperature具有確定性，即模型一律會選取可能性最高的回覆。

  • TOP_P：[0.0,1.0] 範圍內的 FLOAT64 值有助於判斷所選符記的機率。如要取得較不隨機的回覆，請指定較低的值；如要取得較隨機的回覆，請調高此值。預設值為 0.95。
  • FLATTEN_JSON：BOOL 值，用於判斷是否要將生成的文字和安全性屬性分別傳回至不同資料欄。預設值為 FALSE。
  • STOP_SEQUENCES：ARRAY<STRING> 值，可移除模型回應中包含的指定字串。字串必須完全相符，包括大小寫。預設值為空陣列。
  • GROUND_WITH_GOOGLE_SEARCH：這個 BOOL 值會決定 Vertex AI 模型在生成回覆時，是否要使用 [以 Google 搜尋為依據](/vertex-ai/generative-ai/docs/grounding/overview#ground-public)。建立基準後，模型就能在生成回覆時使用網路上其他資訊，讓回覆內容更具體且符合事實。如果 flatten_json_output 和這個欄位都設為 True，結果中會包含額外的 ml_generate_text_grounding_result 欄，提供模型用來收集額外資訊的來源。預設值為 FALSE。
  • SAFETY_SETTINGS：ARRAY<STRUCT<STRING AS category, STRING AS threshold>> 值，可設定內容安全門檻來篩選回應。結構體中的第一個元素會指定有害類別，第二個元素則會指定對應的封鎖門檻。模型會篩除違反這些設定的內容。每個類別只能指定一次。舉例來說，您無法同時指定 STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold) 和 STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold)。如果特定類別沒有安全設定，系統會使用 BLOCK_MEDIUM_AND_ABOVE 安全設定。 支援的類別如下：
    • HARM_CATEGORY_HATE_SPEECH
    • HARM_CATEGORY_DANGEROUS_CONTENT
    • HARM_CATEGORY_HARASSMENT
    • HARM_CATEGORY_SEXUALLY_EXPLICIT
    支援的門檻如下：
    • BLOCK_NONE (受限)
    • BLOCK_LOW_AND_ABOVE
    • BLOCK_MEDIUM_AND_ABOVE (預設)
    • BLOCK_ONLY_HIGH
    • HARM_BLOCK_THRESHOLD_UNSPECIFIED
    詳情請參閱安全類別和封鎖門檻的定義。
  • REQUEST_TYPE：STRING 值，指定要傳送至 Gemini 模型的推論要求類型。要求類型會決定要求使用的配額。有效值如下：
    • DEDICATED：ML.GENERATE_TEXT 函式只會使用佈建輸送量配額。如果沒有可用的佈建輸送量配額，ML.GENERATE_TEXT 函式會傳回 Provisioned throughput is not purchased or is not active 錯誤。
    • SHARED：即使您已購買佈建輸送量配額，ML.GENERATE_TEXT 函式也只會使用動態共用配額 (DSQ)。
    • UNSPECIFIED：ML.GENERATE_TEXT 函式會依下列方式使用配額：
      • 如果您尚未購買佈建傳輸量配額，ML.GENERATE_TEXT 函式會使用 DSQ 配額。
      • 如果您已購買佈建傳輸量配額，ML.GENERATE_TEXT 函式會優先使用該配額。如果要求超出佈建處理量配額，溢出的流量會使用 DSQ 配額。

      • 預設值為 UNSPECIFIED。

      詳情請參閱「使用 Vertex AI 佈建輸送量」。

    範例 1

    以下範例顯示具有這些特性的要求：

    • 提示：要求提供 articles 表格中 body 欄的文字摘要。
    • 將模型傳回的 JSON 回應剖析為個別欄位。
    SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(TRUE AS flatten_json_output));

    示例 2

    以下範例顯示具有這些特性的要求：

    • 使用查詢串連提供提示前置字元的字串和資料表欄，藉此建立提示資料。
    • 傳回簡短回覆。
    • 不會將模型傳回的 JSON 回應剖析為個別欄位。
    SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens,
      FALSE AS flatten_json_output));

    範例 3

    以下範例顯示具有這些特性的要求：

    • 使用 prompts 資料表的 prompt 資料欄做為提示。
    • 將模型傳回的 JSON 回應剖析為個別欄位。
    SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

    示例 4

    以下範例顯示具有這些特性的要求：

    • 使用 prompts 資料表的 prompt 資料欄做為提示。
    • 傳回簡短回覆。
    • 將 JSON 回應攤平至不同資料欄。
    • 擷取並傳回公開網路資料，做為回覆的依據。
    • 使用兩項安全設定，篩除不安全的回覆。
    SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(
      100 AS max_output_tokens, 0.5 AS top_p,
      TRUE AS flatten_json_output,
      TRUE AS ground_with_google_search,
      [STRUCT('HARM_CATEGORY_HATE_SPEECH' AS category,
        'BLOCK_LOW_AND_ABOVE' AS threshold),
      STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category,
        'BLOCK_MEDIUM_AND_ABOVE' AS threshold)] AS safety_settings));

    範例 5

    以下範例顯示具有這些特性的要求：

    • 使用 prompts 資料表的 prompt 資料欄做為提示。
    • 傳回較長的回覆。
    • 將 JSON 回應攤平至不同資料欄。
    SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.flash_2_model`,
    TABLE mydataset.prompts,
    STRUCT(
      0.4 AS temperature, 8192 AS max_output_tokens,
      TRUE AS flatten_json_output));

    示例 6

    以下範例顯示具有這些特性的要求：

    • 提示：要求提供 articles 表格中 body 欄的文字摘要。
    • 將 JSON 回應攤平至不同資料欄。
    • 擷取並傳回公開網路資料，做為回覆的依據。
    • 使用兩項安全設定，篩除不安全的回覆。
    SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(
      .1 AS TEMPERATURE,
      TRUE AS flatten_json_output, TRUE AS ground_with_google_search,
      [STRUCT('HARM_CATEGORY_HATE_SPEECH' AS category,
        'BLOCK_LOW_AND_ABOVE' AS threshold),
      STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category,
        'BLOCK_MEDIUM_AND_ABOVE' AS threshold)] AS safety_settings));

Claude 

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(TOKENS AS max_output_tokens, TOP_K AS top_k,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output)
);

請替換下列項目：

  • PROJECT_ID：您的專案 ID。
  • DATASET_ID：包含模型的資料集 ID。
  • MODEL_NAME：模型名稱。
  • TABLE_NAME：包含提示的資料表名稱。這個資料表必須有名為 prompt 的資料欄，您也可以使用別名來使用名稱不同的資料欄。
  • PROMPT_QUERY：提供提示資料的查詢。這項查詢必須產生名為 prompt 的資料欄。
  • TOKENS：INT64 值，用於設定回覆中可生成的詞元數量上限。這個值必須介於 [1,4096] 的範圍之間。 如要取得較短的回覆，請指定較低的值；如要取得較長的回覆，請調高此值。預設值為 128。
  • TOP_K：介於 [1,40] 之間的 INT64 值，用於決定模型選取時考量的初始詞元集區。如要取得較不隨機的回覆，請指定較低的值；如要取得較隨機的回覆，請調高此值。如未指定值，模型會判斷適當的值。
  • TOP_P：[0.0,1.0] 範圍內的 FLOAT64 值有助於判斷所選符記的機率。如要取得較不隨機的回覆，請指定較低的值；如要取得較隨機的回覆，請調高此值。如未指定值，模型會判斷適當的值。
  • FLATTEN_JSON：BOOL 值，用於判斷是否要將生成的文字和安全性屬性分別傳回至不同資料欄。預設值為 FALSE。

範例 1

以下範例顯示具有這些特性的要求：

  • 提示：要求提供 articles 表格中 body 欄的文字摘要。
  • 將模型傳回的 JSON 回應剖析為個別欄位。
SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(TRUE AS flatten_json_output));

示例 2

以下範例顯示具有這些特性的要求：

  • 使用查詢串連提供提示前置字元的字串和資料表欄，藉此建立提示資料。
  • 傳回簡短回覆。
  • 不會將模型傳回的 JSON 回應剖析為個別欄位。
SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens,
      FALSE AS flatten_json_output));

範例 3

以下範例顯示具有這些特性的要求：

  • 使用 prompts 資料表的 prompt 資料欄做為提示。
  • 將模型傳回的 JSON 回應剖析為個別欄位。
SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

Llama 

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output,
  STOP_SEQUENCES AS stop_sequences)
);

請替換下列項目：

  • PROJECT_ID：您的專案 ID。
  • DATASET_ID：包含模型的資料集 ID。
  • MODEL_NAME：模型名稱。
  • TABLE_NAME：包含提示的資料表名稱。這個資料表必須有名為 prompt 的資料欄，您也可以使用別名來使用名稱不同的資料欄。
  • PROMPT_QUERY：提供提示資料的查詢。這項查詢必須產生名為 prompt 的資料欄。
  • TOKENS：INT64 值，用於設定回覆中可生成的詞元數量上限。這個值必須介於 [1,4096] 的範圍之間。 如要取得較短的回覆，請指定較低的值；如要取得較長的回覆，請調高此值。預設值為 128。
  • TEMPERATURE： 介於 [0.0,1.0] 之間的 FLOAT64 值， 可控制選取詞元時的隨機程度。 預設值為 0。

    如果您想藉由提示生成更具確定性、較不具開放性和創意性的回覆，建議調低 temperature。另一方面，如果 temperature 較高，則可能產生較多元或有創意的結果。如果值為 0，則 temperature具有確定性，即模型一律會選取可能性最高的回覆。

  • TOP_P：[0.0,1.0] 範圍內的 FLOAT64 值有助於判斷所選符記的機率。如要取得較不隨機的回覆，請指定較低的值；如要取得較隨機的回覆，請調高此值。預設值為 0.95。
  • FLATTEN_JSON：BOOL 值，用於判斷是否要將生成的文字和安全性屬性分別傳回至不同資料欄。預設值為 FALSE。
  • STOP_SEQUENCES：ARRAY<STRING> 值，可移除模型回應中包含的指定字串。字串必須完全相符，包括大小寫。預設值為空陣列。

範例 1

以下範例顯示具有這些特性的要求：

  • 提示：要求提供 articles 表格中 body 欄的文字摘要。
  • 將模型傳回的 JSON 回應剖析為個別欄位。
SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(TRUE AS flatten_json_output));

示例 2

以下範例顯示具有這些特性的要求：

  • 使用查詢串連提供提示前置字元的字串和資料表欄，藉此建立提示資料。
  • 傳回簡短回覆。
  • 不會將模型傳回的 JSON 回應剖析為個別欄位。
SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens,
      FALSE AS flatten_json_output));

範例 3

以下範例顯示具有這些特性的要求：

  • 使用 prompts 資料表的 prompt 資料欄做為提示。
  • 將模型傳回的 JSON 回應剖析為個別欄位。
SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

Mistral AI 

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output,
  STOP_SEQUENCES AS stop_sequences)
);

請替換下列項目：

  • PROJECT_ID：您的專案 ID。
  • DATASET_ID：包含模型的資料集 ID。
  • MODEL_NAME：模型名稱。
  • TABLE_NAME：包含提示的資料表名稱。這個資料表必須有名為 prompt 的資料欄，您也可以使用別名來使用名稱不同的資料欄。
  • PROMPT_QUERY：提供提示資料的查詢。這項查詢必須產生名為 prompt 的資料欄。
  • TOKENS：INT64 值，用於設定回覆中可生成的詞元數量上限。這個值必須介於 [1,4096] 的範圍之間。 如要取得較短的回覆，請指定較低的值；如要取得較長的回覆，請調高此值。預設值為 128。
  • TEMPERATURE： 介於 [0.0,1.0] 之間的 FLOAT64 值， 可控制選取詞元時的隨機程度。 預設值為 0。

    如果您想藉由提示生成更具確定性、較不具開放性和創意性的回覆，建議調低 temperature。另一方面，如果 temperature 較高，則可能產生較多元或有創意的結果。如果值為 0，則 temperature具有確定性，即模型一律會選取可能性最高的回覆。

  • TOP_P：[0.0,1.0] 範圍內的 FLOAT64 值有助於判斷所選符記的機率。如要取得較不隨機的回覆，請指定較低的值；如要取得較隨機的回覆，請調高此值。預設值為 0.95。
  • FLATTEN_JSON：BOOL 值，用於判斷是否要將生成的文字和安全性屬性分別傳回至不同資料欄。預設值為 FALSE。
  • STOP_SEQUENCES：ARRAY<STRING> 值，可移除模型回應中包含的指定字串。字串必須完全相符，包括大小寫。預設值為空陣列。

範例 1

以下範例顯示具有這些特性的要求：

  • 提示：要求提供 articles 表格中 body 欄的文字摘要。
  • 將模型傳回的 JSON 回應剖析為個別欄位。
SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(TRUE AS flatten_json_output));

示例 2

以下範例顯示具有這些特性的要求：

  • 使用查詢串連提供提示前置字元的字串和資料表欄，藉此建立提示資料。
  • 傳回簡短回覆。
  • 不會將模型傳回的 JSON 回應剖析為個別欄位。
SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens,
      FALSE AS flatten_json_output));

範例 3

以下範例顯示具有這些特性的要求：

  • 使用 prompts 資料表的 prompt 資料欄做為提示。
  • 將模型傳回的 JSON 回應剖析為個別欄位。
SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

開放式模型

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  {TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (PROMPT_QUERY)},
  STRUCT(TOKENS AS max_output_tokens,
   TEMPERATURE AS temperature, TOP_K AS top_k,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output)
);

請替換下列項目：

  • PROJECT_ID：您的專案 ID。
  • DATASET_ID：包含模型的資料集 ID。
  • MODEL_NAME：模型名稱。
  • TABLE_NAME：包含提示的資料表名稱。這個資料表必須有名為 prompt 的資料欄，您也可以使用別名來使用名稱不同的資料欄。
  • PROMPT_QUERY：提供提示資料的查詢。這項查詢必須產生名為 prompt 的資料欄。
  • TOKENS：INT64 值，用於設定回覆中可生成的詞元數量上限。這個值必須介於 [1,4096] 的範圍之間。 如要取得較短的回覆，請指定較低的值；如要取得較長的回覆，請調高此值。如未指定值，模型會判斷適當的值。
  • TEMPERATURE： 介於 [0.0,1.0] 範圍內的 FLOAT64 值， 可控制選取詞元時的隨機程度。 如未指定值，模型會判斷適當的值。

    如果您想藉由提示生成更具確定性、較不具開放性和創意性的回覆，建議調低 temperature。另一方面，如果 temperature 較高，則可能產生較多元或有創意的結果。如果值為 0，則 temperature具有確定性，即模型一律會選取可能性最高的回覆。

  • TOP_K：介於 [1,40] 之間的 INT64 值，用於決定模型選取時考量的初始詞元集區。如要取得較不隨機的回覆，請指定較低的值；如要取得較隨機的回覆，請調高此值。如未指定值，模型會判斷適當的值。
  • TOP_P：[0.0,1.0] 範圍內的 FLOAT64 值有助於判斷所選符記的機率。如要取得較不隨機的回覆，請指定較低的值；如要取得較隨機的回覆，請調高此值。如未指定值，模型會判斷適當的值。
  • FLATTEN_JSON：BOOL 值，用於判斷是否要將生成的文字和安全性屬性分別傳回至不同資料欄。預設值為 FALSE。

範例 1

以下範例顯示具有這些特性的要求：

  • 提示：要求提供 articles 表格中 body 欄的文字摘要。
  • 將模型傳回的 JSON 回應剖析為個別欄位。
SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(TRUE AS flatten_json_output));

示例 2

以下範例顯示具有這些特性的要求：

  • 使用查詢串連提供提示前置字元的字串和資料表欄，藉此建立提示資料。
  • 傳回簡短回覆。
  • 不會將模型傳回的 JSON 回應剖析為個別欄位。
SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      100 AS max_output_tokens,
      FALSE AS flatten_json_output));

範例 3

以下範例顯示具有這些特性的要求：

  • 使用 prompts 資料表的 prompt 資料欄做為提示。
  • 將模型傳回的 JSON 回應剖析為個別欄位。
SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

根據物件資料表資料生成文字

使用 ML.GENERATE_TEXT 函式和 Gemini 模型生成文字，分析物件資料表中的非結構化資料。您可以在 prompt 參數中提供提示資料。

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  TABLE PROJECT_ID.DATASET_ID.TABLE_NAME,
  STRUCT(PROMPT AS prompt, TOKENS AS max_output_tokens,
  TEMPERATURE AS temperature, TOP_P AS top_p,
  FLATTEN_JSON AS flatten_json_output,
  STOP_SEQUENCES AS stop_sequences,
  SAFETY_SETTINGS AS safety_settings)
);

請替換下列項目：

  • PROJECT_ID：您的專案 ID。
  • DATASET_ID：包含模型的資料集 ID。
  • MODEL_NAME：模型名稱。這必須是 Gemini 模型。
  • TABLE_NAME：物件表格的名稱，其中包含要分析的內容。如要進一步瞭解可分析的內容類型，請參閱「輸入」。

    物件資料表使用的 Cloud Storage 值區，應與您建立模型和呼叫 ML.GENERATE_TEXT 函式的專案相同。如要呼叫的 ML.GENERATE_TEXT 函式與物件表格使用的 Cloud Storage 值區所在專案不同，則必須在值區層級授予 service-A@gcp-sa-aiplatform.iam.gserviceaccount.com 服務帳戶「Storage 管理員」角色。

  • PROMPT：用於分析內容的提示。
  • TOKENS：INT64 值，用於設定回覆中可生成的詞元數量上限。這個值必須介於 [1,4096] 的範圍之間。 如要取得較短的回覆，請指定較低的值；如要取得較長的回覆，請調高此值。如未指定值，模型會判斷適當的值。
  • TEMPERATURE： 介於 [0.0,1.0] 範圍內的 FLOAT64 值， 可控制選取詞元時的隨機程度。 如未指定值，模型會判斷適當的值。

    如果您想藉由提示生成更具確定性、較不具開放性和創意性的回覆，建議調低 temperature。另一方面，如果 temperature 較高，則可能產生較多元或有創意的結果。如果值為 0，則 temperature具有確定性，即模型一律會選取可能性最高的回覆。

  • TOP_K：介於 [1,40] 之間的 INT64 值，用於決定模型選取時考量的初始詞元集區。如要取得較不隨機的回覆，請指定較低的值；如要取得較隨機的回覆，請調高此值。如未指定值，模型會判斷適當的值。
  • TOP_P：[0.0,1.0] 範圍內的 FLOAT64 值有助於判斷所選符記的機率。如要取得較不隨機的回覆，請指定較低的值；如要取得較隨機的回覆，請調高此值。如未指定值，模型會判斷適當的值。
  • FLATTEN_JSON：BOOL 值，用於判斷是否要將生成的文字和安全性屬性分別傳回至不同資料欄。預設值為 FALSE。

範例

這個範例會翻譯並轉錄名為 feedback 的物件資料表中的音訊內容：

SELECT * FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.audio_model`,
    TABLE `mydataset.feedback`,
      STRUCT('What is the content of this audio clip, translated into Spanish?' AS PROMPT,
      TRUE AS FLATTEN_JSON_OUTPUT));

這個範例會分類名為 invoices 的物件資料表中的 PDF 內容：

SELECT * FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.classify_model`,
    TABLE `mydataset.invoices`,
      STRUCT('Classify this document based on the invoice total, using the following categories: 0 to 100, 101 to 200, greater than 200' AS PROMPT,
      TRUE AS FLATTEN_JSON_OUTPUT));