Anfragen und Antworten protokollieren und teilen

Auf der Gemini Enterprise Agent Platform können Stichproben von Anfragen und Antworten für Gemini und unterstützte Partnermodelle protokolliert werden. Die Logs werden in einer BigQuery-Tabelle gespeichert, damit Sie sie ansehen und analysieren können. Außerdem kann die Agent Platform Protokolle für Anfragen und Antworten für bestimmte Advanced AI-Modelle an bestimmte MaaS-Partner weitergeben, damit Sie Ihre Verpflichtungen gegenüber diesen MaaS-Partnern erfüllen können.

Auf dieser Seite wird beschrieben, wie Sie Anfrage-Antwort-Logs für Foundation-Basismodelle und feinabgestimmte Modelle konfigurieren.

Unterstützte API-Methoden für die Protokollierung

Anfrage-Antwort-Logs werden für alle Gemini-Modelle unterstützt, die generateContent oder streamGenerateContent verwenden.

Die folgenden Partnermodelle, die rawPredict oder streamrawPredict verwenden, werden ebenfalls unterstützt:

  • Anthropic Claude

Anfrage-/Antwort-Logs für Basis-Foundation Models

Sie können Anfrage-/Antwortlogs für Foundation-Basismodelle mit der REST API oder dem Python SDK konfigurieren. Es kann einige Minuten dauern, bis Protokollierungskonfigurationen wirksam werden.

Anfrage-/Antwort-Logging aktivieren

Wählen Sie einen der folgenden Tabs aus, um eine Anleitung zum Aktivieren von Protokollen für Anfragen und Antworten für ein Basis-Grundlagenmodell aufzurufen.

Für Anthropic-Modelle wird nur REST für die Protokollierungskonfiguration unterstützt. Aktivieren Sie die Protokollierungskonfiguration über die REST API, indem Sie den Publisher auf anthropic und den Modellnamen auf eines der unterstützten Claude-Modelle festlegen.

Wenn Sie das Anfrage-/Antwort-Logging für Anthropic-Modelle verwenden möchten, müssen Sie einen regionalen Endpunkt verwenden. Diese Funktion wird vom globalen Endpunkt und von multiregionalen Endpunkten nicht unterstützt.

Python SDK

Mit dieser Methode kann ein PublisherModelConfig erstellt oder aktualisiert werden.

# Specify the preview version of GenerativeModel
import vertexai
from vertexai.preview.generative_models import(
    GenerativeModel,
    )

PROJECT_ID = "PROJECT_ID"
LOCATION = "LOCATION"

vertexai.init(project=PROJECT_ID, location=LOCATION)

publisher_model = GenerativeModel("gemini-2.5-flash")

# Set logging configuration
publisher_model.set_request_response_logging_config(
    enabled=True,
    sampling_rate=1.0,
    bigquery_destination="bq://PROJECT_ID.DATASET_NAME.TABLE_NAME",
    enable_otel_logging=True
    )

REST API

So erstellen oder aktualisieren Sie PublisherModelConfig mit setPublisherModelConfig:

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • ENDPOINT_PREFIX: Die Region der Modellressource, gefolgt von -. Beispiel: us-central1- Lassen Sie das Feld leer, wenn Sie den globalen Endpunkt verwenden. Das Anfrage-Antwort-Logging wird für alle vom Modell unterstützten Regionen unterstützt.
  • PROJECT_ID: Ihre Projekt-ID.
  • LOCATION: Die Region der Modellressource. Wenn Sie den globalen Endpunkt verwenden, geben Sie global ein.
  • PUBLISHER: Der Name des Verlags. Beispiel: google.
  • MODEL: Der Name des Foundation Models. Beispiel: gemini-2.0-flash-001.
  • SAMPLING_RATE: Um die Speicherkosten zu senken, können Sie eine Zahl zwischen 0 und 1 festlegen, um den Anteil der zu protokollierenden Anfragen zu definieren. Ein Wert von 1 protokolliert beispielsweise alle Anfragen und ein Wert von 0,1 protokolliert 10% der Anfragen.
  • BQ_URI: Die URI der BigQuery-Tabelle, die für das Logging verwendet werden soll. Beispiel: bq://PROJECT_ID.DATASET_NAME.TABLE_NAME. Wenn Sie nur einen Projektnamen angeben, wird ein neues Dataset mit dem Namen logging_ENDPOINT_DISPLAY_NAME\_ENDPOINT_ID erstellt, wobei ENDPOINT_DISPLAY_NAME den BigQuery-Benennungsregeln folgt. Wenn Sie keinen Tabellennamen angeben, wird eine neue Tabelle mit dem Namen request_response_logging erstellt.

HTTP-Methode und URL: 

POST https://ENDPOINT_PREFIXaiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig

JSON-Text der Anfrage:

{
  "publisherModelConfig": {
     "loggingConfig": {
       "enabled": true,
       "samplingRate": SAMPLING_RATE,
       "bigqueryDestination": {
         "outputUri": "BQ_URI"
       },
       "enableOtelLogging": true
     }
   }
 }

Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:

curl

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://ENDPOINT_PREFIXaiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig"

PowerShell

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://ENDPOINT_PREFIXaiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig" | Select-Object -Expand Content

Sie sollten eine JSON-Antwort ähnlich wie diese erhalten:

Logging-Konfiguration abrufen

Rufen Sie die Konfiguration für das Anfrage-/Antwort-Logging für das Fundamentmodell über die REST API ab.

REST API

Rufen Sie die Konfiguration für das Anfrage-/Antwort-Logging mit fetchPublisherModelConfig ab:

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • PROJECT_ID: Ihre Projekt-ID.
  • LOCATION: Der Speicherort der Modellressource.
  • PUBLISHER: Der Name des Verlags. Beispiel: google.
  • MODEL: Der Name des Foundation Models. Beispiel: gemini-2.0-flash-001.

HTTP-Methode und URL:

GET https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:fetchPublisherModelConfig

Senden Sie die Anfrage mithilfe einer der folgenden Optionen:

curl

Führen Sie folgenden Befehl aus: 

curl -X GET \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:fetchPublisherModelConfig"

PowerShell

Führen Sie folgenden Befehl aus: 

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method GET `
    -Headers $headers `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:fetchPublisherModelConfig" | Select-Object -Expand Content

Sie sollten eine JSON-Antwort erhalten, die in etwa so aussieht:

Logging deaktivieren

Deaktivieren Sie das Anfrage-/Antwort-Logging für das Fundamentmodell mit der REST API oder dem Python SDK.

Python SDK

# Specify the preview version of GenerativeModel
import vertexai
from vertexai.preview.generative_models import(
    GenerativeModel,
    )

PROJECT_ID = "PROJECT_ID"
LOCATION = "LOCATION"

vertexai.init(project=PROJECT_ID, location=LOCATION)

publisher_model = GenerativeModel("gemini-2.5-flash")

# Disable logging
publisher_model.set_request_response_logging_config(
    enabled=False,
    sampling_rate=1.0,
    bigquery_destination="bq://PROJECT_ID.DATASET_NAME.TABLE_NAME"
    )

REST API

So deaktivieren Sie das Logging:setPublisherModelConfig

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • PROJECT_ID: Ihre Projekt-ID.
  • LOCATION: Der Speicherort der Modellressource.
  • PUBLISHER: Der Name des Verlags. Beispiel: google.
  • MODEL: Der Name des Foundation Models. Beispiel: gemini-2.0-flash-001.

HTTP-Methode und URL:

POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig

JSON-Text der Anfrage:

{
  "publisherModelConfig": {
     "loggingConfig": {
       "enabled": false
     }
  }
}

Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:

curl

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig"

PowerShell

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig" | Select-Object -Expand Content

Sie sollten eine JSON-Antwort ähnlich wie diese erhalten:

Anfrage-/Antwort-Logs für feinabgestimmte Modelle

Sie können Anfrage-/Antwortprotokolle für feinabgestimmte Modelle mit der REST API oder dem Python SDK konfigurieren.

Anfrage-/Antwort-Logs aktivieren

Wählen Sie einen der folgenden Tabs aus, um eine Anleitung zum Aktivieren von Anfrage-Antwort-Logs für ein feinabgestimmtes Modell aufzurufen.

Python SDK

Mit dieser Methode können Sie die Konfiguration des Anfrage-/Antwort-Loggings für einen Endpunkt aktualisieren.

# Specify the preview version of GenerativeModel
import vertexai
from vertexai.preview.generative_models import(
    GenerativeModel,
    )

PROJECT_ID = "PROJECT_ID"
LOCATION = "LOCATION"

vertexai.init(project=PROJECT_ID, location=LOCATION)

tuned_model = GenerativeModel(f"projects/{PROJECT_ID}/locations/{LOCATION}/endpoints/ENDPOINT_ID")

# Set logging configuration
publisher_model.set_request_response_logging_config(
    enabled=True,
    sampling_rate=1.0,
    bigquery_destination=f"bq://{PROJECT_ID}.DATASET_NAME.TABLE_NAME",
    enable_otel_logging=True,
    )

REST API

Sie können das Anfrage-/Antwort-Logging nur aktivieren, wenn Sie mit projects.locations.endpoints.create einen Endpunkt erstellen oder mit projects.locations.endpoints.patch einen vorhandenen Endpunkt patchen.

Anfragen und Antworten werden auf Endpunktebene protokolliert. Anfragen, die an alle bereitgestellten Modelle unter demselben Endpunkt gesendet werden, werden also protokolliert.

Wenn Sie einen Endpunkt erstellen oder patchen, füllen Sie das Feld predictRequestResponseLoggingConfig der Endpunktressource mit den folgenden Einträgen aus:

  • enabled: Wird auf True gesetzt, um das Anfrage-/Antwort-Logging zu aktivieren.

  • samplingRate: Um die Speicherkosten zu senken, können Sie eine Zahl zwischen 0 und 1 festlegen, um den Anteil der zu protokollierenden Anfragen zu definieren. Bei einem Wert von 1 werden beispielsweise alle Anfragen protokolliert, bei einem Wert von 0, 1 werden 10% der Anfragen protokolliert.

  • BigQueryDestination: Die BigQuery-Tabelle, die für das Logging verwendet werden soll. Wenn Sie nur einen Projektnamen angeben, wird ein neues Dataset mit dem Namen logging_ENDPOINT_DISPLAY_NAME_ENDPOINT_ID erstellt, wobei ENDPOINT_DISPLAY_NAME den BigQuery-Benennungsregeln folgt. Wenn Sie keinen Tabellennamen angeben, wird eine neue Tabelle mit dem Namen request_response_logging erstellt.

  • enableOtelLogging: Auf true festgelegt, um zusätzlich zum standardmäßigen Anfrage-/Antwort-Logging das OpenTelemetry (OTEL)-Logging zu aktivieren.

Informationen zum BigQuery-Tabellenschema finden Sie unter Tabellenschema für Logging.

Hier sehen Sie eine Beispielkonfiguration:

{
  "predictRequestResponseLoggingConfig": {
    "enabled": true,
    "samplingRate": 0.5,
    "bigqueryDestination": {
      "outputUri": "bq://PROJECT_ID.DATASET_NAME.TABLE_NAME"
    },
    "enableOtelLogging": true
  }
}

Logging-Konfiguration abrufen

Rufen Sie die Konfiguration für das Anfrage-/Antwort-Logging für das feinabgestimmte Modell über die REST API ab.

REST API

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • PROJECT_ID: Ihre Projekt-ID.
  • LOCATION: Der Speicherort der Endpunktressource.
  • MODEL: Der Name des Foundation Models. Beispiel: gemini-2.0-flash-001.
  • ENDPOINT_ID: Die ID des Endpunkts.

HTTP-Methode und URL: 

GET https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID

Senden Sie die Anfrage mithilfe einer der folgenden Optionen:

curl

Führen Sie folgenden Befehl aus: 

curl -X GET \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID"

PowerShell

Führen Sie folgenden Befehl aus: 

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method GET `
    -Headers $headers `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID" | Select-Object -Expand Content

Sie sollten eine JSON-Antwort erhalten, die in etwa so aussieht:

Logging-Konfiguration deaktivieren

Deaktivieren Sie die Konfiguration des Anfrage-/Antwort-Loggings für den Endpunkt.

Python SDK

# Specify the preview version of GenerativeModel
import vertexai
from vertexai.preview.generative_models import(
    GenerativeModel,
    )

PROJECT_ID = "PROJECT_ID"
LOCATION = "LOCATION"

vertexai.init(project=PROJECT_ID, location=LOCATION)

tuned_model = GenerativeModel(f"projects/{PROJECT_ID}/locations/{LOCATION}/endpoints/ENDPOINT_ID")

# Disable logging
tuned_model.set_request_response_logging_config(
    enabled=False,
    sampling_rate=1.0,
    bigquery_destination="bq://PROJECT_ID.DATASET_NAME.TABLE_NAME"
    )

REST API

{
"predictRequestResponseLoggingConfig": {
  "enabled": false
}
}

Schema der Logging-Tabelle

In BigQuery werden die Logs mit dem folgenden Schema aufgezeichnet:

Feldname Typ Hinweise
endpoint STRING Der Ressourcenname des Endpunkts, auf dem das feinabgestimmte Modell bereitgestellt wird.
deployed_model_id STRING ID des bereitgestellten Modells für ein abgestimmtes Modell, das auf einem Endpunkt bereitgestellt wird.
logging_time TIMESTAMP Der Zeitpunkt, zu dem die Protokollierung erfolgt. Das ist ungefähr die Zeit, zu der die Antwort zurückgegeben wird.
request_id NUMERIC Die automatisch generierte ID der Anfrage als Ganzzahl, die auf der API-Anfrage basiert.
request_payload STRING Für das Partnermodell-Logging und die Abwärtskompatibilität mit dem Anfrage-/Antwort-Log des Agent Platform-Endpunkts.
response_payload STRING Für das Partnermodell-Logging und die Abwärtskompatibilität mit dem Anfrage-/Antwort-Log des Agent Platform-Endpunkts.
Modell STRING Modellressourcenname.
model_version STRING Die Modellversion. Bei Gemini-Modellen ist dies oft „default“.
api_method STRING generateContent, streamGenerateContent, rawPredict, streamRawPredict
full_request JSON Die vollständige GenerateContentRequest.
full_response JSON Die vollständige GenerateContentResponse.
Metadaten JSON Alle Metadaten des Aufrufs, einschließlich der Anfragelatenz.
otel_log JSON Logs im OpenTelemetry-Schemaformat. Nur verfügbar, wenn otel_logging in der Logging-Konfiguration aktiviert ist.

Anfrage-Antwort-Paare, die größer als das Zeilenlimit von 10 MB der BigQuery Write API sind, werden nicht aufgezeichnet.

Anfragen und Antworten für MaaS-Partner freigeben

Bei bestimmten Advanced AI-Modellen verlangen einige MaaS-Partner, dass ein Protokoll der Prompts und Antworten manipulationssicher an ihre Trust & Safety-Teams weitergegeben wird, damit diese potenziellen Missbrauch erkennen können. Die Nutzung von Anthropic Advanced AI unterliegt beispielsweise Abschnitt F der dienstspezifischen Nutzungsbedingungen von Anthropic. Wenn die dataSharingEnabledProvider-Funktion aktiv ist, werden protokollierte Anfragen und Antworten gemäß dem Advanced AI Safety Addendum in Echtzeit an den MaaS-Partner weitergegeben.

Das manipulationssichere Teilen von Anfrage-/Antwort-Logs kann mit der setPublisherModelConfig API aktiviert werden, wie in den folgenden Abschnitten beschrieben.

Unterstützte Modelle

In der folgenden Tabelle sind MaaS-Partner und Modelle aufgeführt, die das Teilen von Anfragen und Antworten unterstützen:

Unterstützter MaaS-Partner Unterstützte Modelle
Anthropic
  • Claude Mythos Preview
  • Claude Mythos 5
  • Claude Fable 5 in Google Cloud

Der MaaS-Partner und das Modell müssen übereinstimmen. Das Anfrage-/Antwort-Log kann nur mit dem MaaS-Partner geteilt werden, der das Modell veröffentlicht hat.

Vorbereitung

Google muss die Einwilligung zum Zusatz zur Sicherheit fortschrittlicher KI-Funktionen in diesem Projekt erhalten, bevor die Datenfreigabe aktiviert werden kann. Weitere Informationen zum Nachtrag finden Sie unter Erweiterte KI-Sicherheit.

Sie müssen das Anfrage-/Antwort-Logging für BigQuery nicht aktivieren, um die gemeinsame Nutzung von Anfrage-/Antwort-Logs zu verwenden.

Beschränkungen

In Projekten, die durch VPC Service Controls geschützt sind, ist das Teilen von Daten mit MaaS-Partnern standardmäßig nicht möglich. Das Konfigurieren einer VPC Service Controls-Regel für ausgehenden Traffic wird nicht unterstützt. Wenn Sie die Datenfreigabe für ein durch VPC Service Controls geschütztes Projekt aktivieren möchten, erstellen Sie ein Support-Ticket.

Daten aktivieren

Gehen Sie dazu so vor:

REST API

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • ENDPOINT_PREFIX: Das entsprechende Präfix für den Speicherort des Modellendpunkts. Verwenden Sie die folgenden Werte:
    • Verwenden Sie für den global-Endpunkt aiplatform.
    • Verwenden Sie für multiregionale Endpunkte wie us oder eu aiplatform.LOCATION.rep.
    • Verwenden Sie für regionale Endpunkte wie us-central1 LOCATION-aiplatform.
  • PROJECT_ID: Ihre Projekt-ID.
  • LOCATION: Der Speicherort des Modellendpunkts. Beispiel: global, us, eu oder us-central1.
  • PUBLISHER: Der Name des Modellverlags in Kleinbuchstaben. Beispiel: anthropic.
  • MODEL: Der Name des Foundation Models. Beispiel: claude-fable-5.
  • MAAS_PARTNER: Der Name des Modell-Publishers in Großbuchstaben. Der MaaS-Partner muss die oben beschriebene Version von MODEL in Großbuchstaben sein. Beispiel: ANTHROPIC.

HTTP-Methode und URL:

POST https://ENDPOINT_PREFIX.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig

JSON-Text der Anfrage:

{
  "publisherModelConfig": {
    "dataSharingEnabledProvider": "ANTHROPIC"
  }
}

Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:

curl

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

curl -X POST \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://ENDPOINT_PREFIX.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig"

PowerShell

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

$headers = @{  }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://ENDPOINT_PREFIX.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig" | Select-Object -Expand Content

Sie sollten einen erfolgreichen Statuscode (2xx) und eine leere Antwort als Ausgabe erhalten.

Freigabekonfiguration abrufen

Gehen Sie dazu so vor:

REST API

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • ENDPOINT_PREFIX: Das entsprechende Präfix für den Speicherort des Modellendpunkts. Verwenden Sie die folgenden Werte:
    • Verwenden Sie für den global-Endpunkt aiplatform.
    • Verwenden Sie für multiregionale Endpunkte wie us oder eu aiplatform.LOCATION.rep.
    • Verwenden Sie für regionale Endpunkte wie us-central1 LOCATION-aiplatform.
  • PROJECT_ID: Ihre Projekt-ID.
  • LOCATION: Der Speicherort des Modellendpunkts. Beispiel: global, us, eu oder us-central1.
  • PUBLISHER: Der Name des Modellverlags in Kleinbuchstaben. Beispiel: anthropic.
  • MODEL: Der Name des Foundation Models. Beispiel: claude-fable-5.

HTTP-Methode und URL: 

 https://ENDPOINT_PREFIX.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig

Senden Sie die Anfrage mithilfe einer der folgenden Optionen:

curl

Führen Sie folgenden Befehl aus:

curl -X  \
     -H "Authorization: Bearer TOKEN" \
     "https://ENDPOINT_PREFIX.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig"

PowerShell

Führen Sie folgenden Befehl aus:

$headers = @{ "Authorization" = "Bearer TOKEN" }

Invoke-WebRequest `
    -Method  `
    -Headers $headers `
    -Uri "https://ENDPOINT_PREFIX.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig" | Select-Object -Expand Content

Sie sollten eine JSON-Antwort ähnlich wie diese erhalten:

{
  "loggingConfig": {},
  "dataSharingEnabledProvider": "ANTHROPIC"
}

Datenweitergabe deaktivieren

Gehen Sie dazu so vor:

REST API

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • ENDPOINT_PREFIX: Das entsprechende Präfix für den Speicherort des Modellendpunkts. Verwenden Sie die folgenden Werte:
    • Verwenden Sie für den global-Endpunkt aiplatform.
    • Verwenden Sie für multiregionale Endpunkte wie us oder eu aiplatform.LOCATION.rep.
    • Verwenden Sie für regionale Endpunkte wie us-central1 LOCATION-aiplatform.
  • PROJECT_ID: Ihre Projekt-ID.
  • LOCATION: Der Speicherort des Modellendpunkts. Beispiel: global, us, eu oder us-central1.
  • PUBLISHER: Der Name des Modellverlags in Kleinbuchstaben. Beispiel: anthropic.
  • MODEL: Der Name des Foundation Models. Beispiel: claude-fable-5.

HTTP-Methode und URL: 

POST https://ENDPOINT_PREFIX.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig

JSON-Text der Anfrage:

{
  "publisherModelConfig": {
    "dataSharingEnabledProvider": "MODEL_PROVIDER_UNSPECIFIED"
  }
}

Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:

curl

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

curl -X POST \
     -H "Authorization: Bearer TOKEN" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://ENDPOINT_PREFIX.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig"

PowerShell

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

$headers = @{ "Authorization" = "Bearer TOKEN" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://ENDPOINT_PREFIX.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig" | Select-Object -Expand Content

Sie sollten einen erfolgreichen Statuscode (2xx) und eine leere Antwort als Ausgabe erhalten.

Datenfreigabeanfragen verhindern

Um zu verhindern, dass Anfrage- und Antwortprotokolle mit MaaS-Partnern geteilt werden, kann der Projektadministrator Folgendes tun:

  • Erstellen Sie einen VPC Service Controls-Dienstperimeter, der das Projekt und aiplatform.googleapis.com als eingeschränkten Dienst enthält.

  • Zugriff auf Model Garden-Modelle deaktivieren, die die Datenweitergabe unterstützen.

  • Erzwingen Sie die geringsten Berechtigungen für die Berechtigung aiplatform.endpoints.setPublisherModelConfig, um zu verhindern, dass das Logging oder die Logfreigabe aktiviert wird.

Nächste Schritte