Google verwendet KI-Technologie, um Inhalte in Ihre bevorzugte Sprache zu übersetzen. KI-Übersetzungen können Fehler enthalten.

Erste Schritte mit Gemini 3

Gemini 3 ist unsere bisher intelligenteste Modellfamilie, die auf modernsten Schlussfolgerungsfunktionen basiert. Es wurde entwickelt, um jede Idee zum Leben zu erwecken, indem es agentische Workflows, autonomes Coding und komplexe multimodale Aufgaben meistert.

Dieser Leitfaden bietet einen konsolidierten, praktischen Einstieg in Gemini 3 auf der Gemini Enterprise Agent Platform und hebt die wichtigsten Funktionen und Best Practices von Gemini 3 hervor.

Kurzanleitung

Bevor Sie beginnen, müssen Sie sich mit einem API-Schlüssel oder Standardanmeldedaten für Anwendungen (Application Default Credentials, ADC) bei der Gemini Enterprise Agent Platform authentifizieren. Weitere Informationen finden Sie unter Authentifizierungsmethoden.

Google Gen AI SDK installieren

Für die Gemini 3 API-Funktionen ist das Google Gen AI SDK for Python ab Version 1.51.0 erforderlich.

pip install --upgrade google-genai

Umgebungsvariablen für die Verwendung des Google Gen AI SDK mit der Gemini Enterprise Agent Platform festlegen

Ersetzen Sie den Wert GOOGLE_CLOUD_PROJECT durch Ihre Projekt-ID von Google Cloud . Das Gemini 3.1 Pro-Modell gemini-3.1-pro-preview und das Gemini 3 Flash-Modell gemini-3-flash-preview sind nur auf globalen Endpunkten verfügbar:

export GOOGLE_CLOUD_PROJECT=GOOGLE_CLOUD_PROJECT
export GOOGLE_CLOUD_LOCATION=global
export GOOGLE_GENAI_USE_ENTERPRISE=True

Erste Anfrage senden

Standardmäßig verwenden Gemini 3-Modelle und Gemini 3 Flash dynamisches Denken, um Prompts zu verarbeiten. Wenn Sie schnellere Antworten mit geringerer Latenz benötigen und keine komplexen Schlussfolgerungen erforderlich sind, können Sie die thinking_level des Modells einschränken. Niedriges Denken ist ideal für Aufgaben mit hohem Durchsatz, bei denen Geschwindigkeit im Vordergrund steht.

Für schnelle Antworten mit niedriger Latenz:

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
   model="gemini-3.6-flash",
   contents="How does AI work?",
   config=types.GenerateContentConfig(
       thinking_config=types.ThinkingConfig(
           thinking_level=types.ThinkingLevel.LOW # For fast and low latency response
       )
   ),
)
print(response.text)

Aufgaben mit komplexem logischem Denken ausprobieren

Gemini 3 zeichnet sich durch logisches Schlussfolgern aus. Für komplexe Aufgaben wie mehrstufige Planung, verifizierte Codegenerierung oder intensive Toolnutzung sollten Sie hohe Denkebenen verwenden. Verwenden Sie diese Konfigurationen für Aufgaben, für die bisher spezielle Reasoning-Modelle erforderlich waren.

Für langsamere Aufgaben, die logisches Schlussfolgern erfordern:

from google import genai
from google.genai import types

client = genai.Client()

prompt = """
You are tasked with implementing the classic Thread-Safe Double-Checked Locking (DCL) Singleton pattern in modern C++. This task is non-trivial and requires specialized concurrency knowledge to prevent memory reordering issues.

Write a complete, runnable C++ program named `dcl_singleton.cpp` that defines a class `Singleton` with a private constructor and a static `getInstance()` method.

Your solution MUST adhere to the following strict constraints:
1. The Singleton instance pointer (`static Singleton*`) must be wrapped in `std::atomic` to correctly manage memory visibility across threads.
2. The `getInstance()` method must use `std::memory_order_acquire` when reading the instance pointer in the outer check.
3. The instance creation and write-back must use `std::memory_order_release` when writing to the atomic pointer.
4. A standard `std::mutex` must be used only to protect the critical section (the actual instantiation).
5. The `main` function must demonstrate safe, concurrent access by launching at least three threads, each calling `Singleton::getInstance()`, and printing the address of the returned instance to prove all threads received the same object.
"""

response = client.models.generate_content(
  model="gemini-3.6-flash",
  contents=prompt,
  config=types.GenerateContentConfig(
      thinking_config=types.ThinkingConfig(
          thinking_level=types.ThinkingLevel.HIGH # Dynamic thinking for high reasoning tasks
      )
  ),
)
print(response.text)

Andere Denkaufwände

Gemini 3 Flash bietet zwei neue Denkmodi: MINIMAL und MEDIUM. Damit haben Sie noch mehr Kontrolle darüber, wie das Modell komplexe Logikaufgaben bewältigt.

MINIMAL bietet Optionen für ein Thinking-Budget nahe null für Aufgaben, die für Durchsatz und nicht für logisches Denken optimiert sind. MEDIUM bietet ein ausgewogenes Verhältnis zwischen Geschwindigkeit und logischem Denken. Es ermöglicht einige logische Fähigkeiten, priorisiert aber dennoch Vorgänge mit niedriger Latenz.

Neue API-Funktionen

Gemini 3 bietet leistungsstarke API-Verbesserungen und neue Parameter, mit denen Entwickler Leistung (Latenz, Kosten), Modellverhalten und multimodale Genauigkeit detailliert steuern können.

In dieser Tabelle sind die wichtigsten neuen Funktionen und Parameter zusammengefasst, einschließlich direkter Links zur ausführlichen Dokumentation:

Neue Funktion/API-Änderung	Dokumentation
Modell: `gemini-3.1-pro-preview`	Modellkarte Gemini Enterprise Agent Platform Model Garden
Denkaufwand	Antwort wird generiert
Auflösung von Medien	Bildverständnis Videoverständnis Audioverständnis Verständnis von Dokumenten
Gedankensignatur	Gedankensignaturen
Temperatur	API-Referenz
Multimodale Funktionsantworten	Funktionsaufrufe: Multimodale Funktionsantworten
Funktionsaufrufe im Streaming	Funktionsaufrufe: Funktionsaufrufe im Streaming

Denkaufwand

Mit dem Parameter thinking_level können Sie ein Thinking-Budget für die Antwortgenerierung des Modells festlegen. Wenn Sie einen der beiden Zustände auswählen, können Sie explizit die Kompromisse zwischen Antwortqualität und Reasoning-Komplexität sowie Latenz und Kosten abwägen.

MINIMAL: (Nur Gemini 3 Flash und Gemini 3.1 Flash-Lite) Schränkt das Modell ein, sodass es so wenige Tokens wie möglich für das Nachdenken verwendet. Am besten für Aufgaben mit geringer Komplexität geeignet, die nicht von umfangreichen Schlussfolgerungen profitieren würden. MINIMAL ist so nah wie möglich an einem Budget von null für Denkprozesse, erfordert aber dennoch Denksignaturen.
LOW: Schränkt das Modell ein, sodass es weniger Tokens für das Thinking verwendet. Geeignet für einfachere Aufgaben, bei denen kein umfangreiches Reasoning erforderlich ist. LOW ist ideal für Aufgaben mit hohem Durchsatz, bei denen Geschwindigkeit entscheidend ist.
MEDIUM: (nur Gemini 3 Flash, Gemini 3.1 Pro und Gemini 3.1 Flash-Lite) Bietet einen ausgewogenen Ansatz, der sich für Aufgaben mittlerer Komplexität eignet, die von logischem Denken profitieren, aber keine tiefgreifende, mehrstufige Planung erfordern. Es bietet mehr logische Fähigkeiten als LOW und hat gleichzeitig eine geringere Latenz als HIGH.
HIGH: Ermöglicht dem Modell, mehr Tokens für das Nachdenken zu verwenden, und eignet sich für komplexe Prompts, die tiefgreifendes logisches Denken erfordern, z. B. mehrstufige Planung, verifizierte Codegenerierung oder erweiterte Funktionsaufrufszenarien. Dies ist die Standardstufe für Gemini 3-Modelle und Gemini 3 Flash. Verwenden Sie diese Konfiguration, wenn Sie Aufgaben ersetzen, für die Sie zuvor möglicherweise spezielle Reasoning-Modelle verwendet haben.

Beispiel für das Google Gen AI SDK

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
   model="gemini-3.6-flash",
   contents="Find the race condition in this multi-threaded C++ snippet: [code here]",
   config=types.GenerateContentConfig(
       thinking_config=types.ThinkingConfig(
           thinking_level=types.ThinkingLevel.HIGH # Default, dynamic thinking
       )
   ),
)
print(response.text)

Beispiel für OpenAI-Kompatibilität

Für Nutzer, die die OpenAI-Kompatibilitätsebene verwenden, werden Standardparameter automatisch den Gemini 3-Äquivalenten zugeordnet:

reasoning_effort wird thinking_level zugeordnet.
none: Wird thinking_level (minimal) zugeordnet (nur Gemini 3 Flash).
medium: wird für alle Gemini 3-Modelle dem Medium thinking_level zugeordnet.

import openai
from google.auth import default
from google.auth.transport.requests import Request

credentials, _ = default(scopes=["https://www.googleapis.com/auth/cloud-platform"])

client = openai.OpenAI(
    base_url=f"https://aiplatform.googleapis.com/v1/projects/{PROJECT_ID}/locations/global/endpoints/openapi",
    api_key=credentials.token,
)

prompt = """
Write a bash script that takes a matrix represented as a string with
format '[1,2],[3,4],[5,6]' and prints the transpose in the same format.
"""

response = client.chat.completions.create(
    model="gemini-3.6-flash",
    reasoning_effort="medium", # Map to thinking_level high.
    messages=[{"role": "user", "content": prompt}],
)

print(response.choices[0].message.content)

Auflösung von Medien

Gemini 3 bietet mit dem Parameter media_resolution eine detaillierte Kontrolle über die multimodale Bildverarbeitung. Höhere Auflösungen verbessern die Fähigkeit des Modells, feinen Text zu lesen oder kleine Details zu erkennen, erhöhen aber die Tokennutzung und die Latenz. Der Parameter media_resolution bestimmt die maximale Anzahl von Tokens, die pro Eingabebild, PDF-Seite oder Videoframe zugewiesen werden.

Sie können die Auflösung global (mit generation_config) oder für einzelne Audioeinspielungen auf low, medium oder high festlegen. Die Auflösung ultra_high kann nur für einzelne Audioeinspielungen festgelegt werden. Wenn nicht angegeben, verwendet das Modell optimale Standardwerte basierend auf dem Medientyp.

Tokenanzahl

In dieser Tabelle sind die ungefähren Tokenzahlen für jeden media_resolution-Wert und Medientyp zusammengefasst.

Medienauflösung	Bild	Video	PDF
`UNSPECIFIED` (Standard)	1120	70	560
`LOW`	280	70	280 + Text
`MEDIUM`	560	70	560 + Text
`HIGH`	1120	280	1120 + Text
`ULTRA_HIGH`	2240	–	–

Empfohlene Einstellungen

Medienauflösung	Maximale Tokens	Usage Guidance
`ultra_high`	2240	Aufgaben, die eine Analyse feiner Details in Bildern erfordern, z. B. die Verarbeitung von Standbildern aus Bildschirmaufzeichnungen oder hochauflösenden Fotos.
`high`	1120	Bildanalyseaufgaben, um maximale Qualität zu gewährleisten.
`medium`	560
`low`	Bild: 280 Video: 70	Für die meisten Aufgaben ausreichend. Hinweis: Bei Videos beträgt `low` maximal 70 Tokens pro Frame.

`media_resolution` pro Einzelteil festlegen

Sie können media_resolution für jede einzelne Audioeinspielung festlegen:

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
  model="gemini-3.6-flash",
  contents=[
      types.Part(
          file_data=types.FileData(
              file_uri="gs://cloud-samples-data/generative-ai/image/a-man-and-a-dog.png",
              mime_type="image/jpeg",
          ),
          media_resolution=types.PartMediaResolution(
              level=types.PartMediaResolutionLevel.MEDIA_RESOLUTION_HIGH # High resolution
          ),
      ),
      Part(
          file_data=types.FileData(
             file_uri="gs://cloud-samples-data/generative-ai/video/behind_the_scenes_pixel.mp4",
            mime_type="video/mp4",
          ),
          media_resolution=types.PartMediaResolution(
              level=types.PartMediaResolutionLevel.MEDIA_RESOLUTION_LOW # Low resolution
          ),
      ),
      "When does the image appear in the video? What is the context?",
  ],
)
print(response.text)

`media_resolution` global festlegen

Sie können media_resolution auch global festlegen (mit GenerateContentConfig):

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
  model="gemini-3.6-flash",
  contents=[
      types.Part(
          file_data=types.FileData(
              file_uri="gs://cloud-samples-data/generative-ai/image/a-man-and-a-dog.png",
              mime_type="image/jpeg",
          ),
      ),
      "What is in the image?",
  ],
  config=types.GenerateContentConfig(
      media_resolution=types.MediaResolution.MEDIA_RESOLUTION_LOW, # Global setting
  ),
)
print(response.text)

Gedankensignaturen

Thought-Signaturen sind verschlüsselte Tokens, die den Reasoning-Status des Modells während Multi-Turn-Unterhaltungen beibehalten, insbesondere bei der Verwendung von Funktionsaufrufen.

Wenn ein Thinking-Modell ein externes Tool aufruft, wird der interne Denkprozess pausiert. Die Gedankensignatur fungiert als „Speicherstatus“, sodass das Modell seine Gedankenkette nahtlos fortsetzen kann, sobald Sie das Ergebnis der Funktion bereitstellen.

Weitere Informationen finden Sie unter Thought-Signaturen.

Warum sind Gedankensignaturen wichtig?

Ohne Gedankensignaturen „vergisst“ das Modell seine spezifischen Argumentationsschritte während der Toolausführungsphase. Die Rückgabe der Signatur bietet folgende Vorteile:

Kontextkontinuität: Das Modell behält den Grund für den Aufruf des Tools bei.
Komplexe Schlussfolgerungen: Ermöglicht mehrstufige Aufgaben, bei denen die Ausgabe eines Tools die Schlussfolgerungen für das nächste Tool liefert.

Wo werden Gedankensignaturen zurückgegeben?

Gemini 3-Modelle und Gemini 3 Flash erzwingen eine strengere Validierung und eine aktualisierte Verarbeitung von Thought-Signaturen, die ursprünglich in Gemini 2.5 eingeführt wurden. Damit das Modell den Kontext über mehrere Konversationsrunden hinweg beibehält, müssen Sie die Gedankensignaturen in Ihren nachfolgenden Anfragen zurückgeben.

Modellantworten mit einem Funktionsaufruf geben immer eine Thought-Signatur zurück, auch wenn die Denkstufe MINIMAL verwendet wird.
Bei parallelen Funktionsaufrufen hat der erste Funktionsaufruf-Teil, der von der Modellantwort zurückgegeben wird, eine Gedankensignatur.
Bei sequenziellen Funktionsaufrufen (mehrere Schritte) hat jeder Funktionsaufruf eine Signatur und Clients müssen die Signatur zurückgeben.
Modellantworten ohne Funktionsaufruf geben eine Thought-Signatur im letzten vom Modell zurückgegebenen Teil zurück.

Wie geht man mit Gedankensignaturen um?

Es gibt zwei Hauptmethoden, um mit Gedankensignaturen umzugehen: automatisch über die Google Gen AI SDKs oder die OpenAI API oder manuell, wenn Sie direkt mit der API interagieren.

Automatisierte Bearbeitung (empfohlen)

Wenn Sie die Google Gen AI SDKs (Python, Node.js, Go, Java) oder die OpenAI Chat Completions API verwenden und die Standardfunktionen für den Chatverlauf nutzen oder die vollständige Modellantwort anhängen, werden thought_signatures automatisch verarbeitet. Sie müssen keine Änderungen am Code vornehmen.

Beispiel für einen manuellen Funktionsaufruf

Wenn Sie das Google Gen AI SDK verwenden, werden Gedankensignaturen automatisch verarbeitet, indem die vollständige Modellantwort in sequenziellen Modellanfragen angehängt wird:

from google import genai
from google.genai import types

client = genai.Client()

# 1. Define your tool
get_weather_declaration = types.FunctionDeclaration(
   name="get_weather",
   description="Gets the current weather temperature for a given location.",
   parameters={
       "type": "object",
       "properties": {"location": {"type": "string"}},
       "required": ["location"],
   },
)
get_weather_tool = types.Tool(function_declarations=[get_weather_declaration])

# 2. Send a message that triggers the tool
prompt = "What's the weather like in London?"
response = client.models.generate_content(
   model="gemini-3.6-flash",
   contents=prompt,
   config=types.GenerateContentConfig(
       tools=[get_weather_tool],
       thinking_config=types.ThinkingConfig(include_thoughts=True)
   ),
)

# 4. Handle the function call
function_call = response.function_calls[0]
location = function_call.args["location"]
print(f"Model wants to call: {function_call.name}")

# Execute your tool (e.g., call an API)
# (This is a mock response for the example)
print(f"Calling external tool for: {location}")
function_response_data = {
   "location": location,
   "temperature": "30C",
}

# 5. Send the tool's result back
# Append this turn's messages to history for a final response.
# The `content` object automatically attaches the required thought_signature behind the scenes.
history = [
    types.Content(role="user", parts=[types.Part(text=prompt)]),
    response.candidates[0].content, # Signature preserved here
    types.Content(
        role="user",
        parts=[
            types.Part.from_function_response(
                name=function_call.name,
                response=function_response_data,
            )
        ],
    )
]

response_2 = client.models.generate_content(
   model="gemini-3.6-flash",
   contents=history,
   config=types.GenerateContentConfig(
        tools=[get_weather_tool],
        thinking_config=types.ThinkingConfig(include_thoughts=True)
   ),
)

# 6. Get the final, natural-language answer
print(f"\nFinal model response: {response_2.text}")

Beispiel für automatische Funktionsaufrufe

Wenn Sie das Google Gen AI SDK für automatische Funktionsaufrufe verwenden, werden Thought-Signaturen automatisch verarbeitet:


from google import genai
from google.genai import types

def get_current_temperature(location: str) -> dict:
    """Gets the current temperature for a given location.

    Args:
        location: The city and state, for example San Francisco, CA

    Returns:
        A dictionary containing the temperature and unit.
    """
    # ... (implementation) ...
    return {"temperature": 25, "unit": "Celsius"}

client = genai.Client()

response = client.models.generate_content(
    model="gemini-3.6-flash",
    contents="What's the temperature in Boston?",
    config=types.GenerateContentConfig(
            tools=[get_current_temperature],
    )
)

print(response.text) # The SDK handles the function call and thought signature, and returns the final text

Beispiel für OpenAI-Kompatibilität

Wenn Sie die OpenAI Chat Completions API verwenden, werden Gedankensignaturen automatisch verarbeitet, indem die vollständige Modellantwort in sequenziellen Modellanfragen angehängt wird:

...
# Append user prompt and assistant response including thought signatures
messages.append(response1.choices[0].message)

# Execute the tool
tool_call_1 = response1.choices[0].message.tool_calls[0]
result_1 = get_current_temperature(**json.loads(tool_call_1.function.arguments))

# Append tool response to messages
messages.append(
    {
        "role": "user",
        "tool_call_id": tool_call_1.id,
        "content": json.dumps(result_1),
    }
)

response2 = client.chat.completions.create(
    model="gemini-3.6-flash",
    messages=messages,
    tools=tools,
    extra_body={
        "extra_body": {
            "google": {
                "thinking_config": {
                    "include_thoughts": True,
                },
            },
        },
    },
)

print(response2.choices[0].message.tool_calls)

Vollständiges Codebeispiel ansehen

Manuelle Handhabung

Wenn Sie direkt mit der API interagieren oder rohe JSON-Nutzlasten verwalten, müssen Sie die thought_signature in der Antwort des Modells korrekt verarbeiten.

Sie müssen diese Signatur genau an der Stelle zurückgeben, an der sie empfangen wurde, wenn Sie den Unterhaltungsverlauf zurücksenden.

Wenn keine korrekten Signaturen zurückgegeben werden, gibt Gemini 3 den Fehler „400“ zurück: „<Function Call> im Inhaltsblock <Index des Inhaltsarrays> fehlt ein thought_signature“.

Multimodale Funktionsantworten

Multimodale Funktionsaufrufe ermöglichen es Nutzern, Funktionsantworten mit multimodalen Objekten zu erhalten, was eine bessere Nutzung der Funktionsaufruffunktionen des Modells ermöglicht. Standard-Funktionsaufrufe unterstützen nur textbasierte Funktionsantworten:

from google import genai
from google.genai import types

client = genai.Client()

# This is a manual, two turn multimodal function calling workflow:

# 1. Define the function tool
get_image_declaration = types.FunctionDeclaration(
   name="get_image",
   description="Retrieves the image file reference for a specific order item.",
   parameters={
       "type": "object",
       "properties": {
            "item_name": {
                "type": "string",
                "description": "The name or description of the item ordered (e.g., 'green shirt')."
            }
       },
       "required": ["item_name"],
   },
)
tool_config = types.Tool(function_declarations=[get_image_declaration])

# 2. Send a message that triggers the tool
prompt = "Show me the green shirt I ordered last month."
response_1 = client.models.generate_content(
    model="gemini-3.6-flash",
    contents=[prompt],
    config=types.GenerateContentConfig(
        tools=[tool_config],
    )
)

# 3. Handle the function call
function_call = response_1.function_calls[0]
requested_item = function_call.args["item_name"]
print(f"Model wants to call: {function_call.name}")

# Execute your tool (e.g., call an API)
# (This is a mock response for the example)
print(f"Calling external tool for: {requested_item}")

function_response_data = {
  "image_ref": {"$ref": "dress.jpg"},
}

function_response_multimodal_data = types.FunctionResponsePart(
   file_data=types.FunctionResponseFileData(
      mime_type="image/png",
      display_name="dress.jpg",
      file_uri="gs://cloud-samples-data/generative-ai/image/dress.jpg",
   )
)

# 4. Send the tool's result back
# Append this turn's messages to history for a final response.
history = [
  types.Content(role="user", parts=[types.Part(text=prompt)]),
  response_1.candidates[0].content,
  types.Content(
    role="user",
    parts=[
        types.Part.from_function_response(
            name=function_call.name,
            response=function_response_data,
            parts=[function_response_multimodal_data]
        )
    ],
  )
]

response_2 = client.models.generate_content(
  model="gemini-3.6-flash",
  contents=history,
  config=types.GenerateContentConfig(
      tools=[tool_config],
      thinking_config=types.ThinkingConfig(include_thoughts=True)
  ),
)

print(f"\nFinal model response: {response_2.text}")

Funktionsaufrufe im Streaming

Sie können Argumente für partielle Funktionsaufrufe im Streaming verwenden, um die Streaming-Leistung bei der Toolnutzung zu verbessern. Diese Funktion kann aktiviert werden, indem stream_function_call_arguments explizit auf true gesetzt wird:

from google import genai
from google.genai import types

client = genai.Client()

get_weather_declaration = types.FunctionDeclaration(
  name="get_weather",
  description="Gets the current weather temperature for a given location.",
  parameters={
      "type": "object",
      "properties": {"location": {"type": "string"}},
      "required": ["location"],
  },
)
get_weather_tool = types.Tool(function_declarations=[get_weather_declaration])


for chunk in client.models.generate_content_stream(
   model="gemini-3.6-flash",
   contents="What's the weather in London and New York?",
   config=types.GenerateContentConfig(
       tools=[get_weather_tool],
       tool_config = types.ToolConfig(
           function_calling_config=types.FunctionCallingConfig(
               mode=types.FunctionCallingConfigMode.AUTO,
               stream_function_call_arguments=True,
           )
       ),
   ),
):
   function_call = chunk.function_calls[0]
   if function_call and function_call.name:
       print(f"{function_call.name}")
       print(f"will_continue={function_call.will_continue}")

Beispiel für eine Modellantwort:

{
  "candidates": [
    {
      "content": {
        "role": "model",
        "parts": [
          {
            "functionCall": {
              "name": "get_weather",
              "willContinue": true
            }
          }
        ]
      }
    }
  ]
}

Temperatur

Range for Gemini 3: 0.0 - 2.0 (default: 1.0)

Für Gemini 3 wird dringend empfohlen, den Parameter temperature auf dem Standardwert 1.0 zu belassen.

Bei früheren Modellen war es oft hilfreich, die Temperatur anzupassen, um die Kreativität im Vergleich zum Determinismus zu steuern. Die Reasoning-Funktionen von Gemini 3 sind jedoch für die Standardeinstellung optimiert.

Wenn Sie die Temperatur ändern (auf weniger als 1.0 festlegen), kann dies zu unerwartetem Verhalten führen, z. B. zu Schleifen oder Leistungseinbußen, insbesondere bei komplexen mathematischen oder logischen Aufgaben.

Unterstützte Features

Gemini 3-Modelle unterstützen außerdem die folgenden Funktionen:

Best Practices für Prompts

Gemini 3 ist ein Reasoning-Modell, was sich auf die Art und Weise auswirkt, wie Sie Prompts formulieren sollten.

Präzise Anweisungen: Halten Sie Ihre Eingabeaufforderungen kurz. Gemini 3 reagiert am besten auf direkte, klare Anweisungen. Es kann sein, dass ausführliche oder übermäßig komplexe Prompt-Engineering-Techniken, die für ältere Modelle verwendet wurden, überanalysiert werden.
Ausführlichkeit der Ausgabe: Standardmäßig ist Gemini 3 weniger ausführlich und liefert bevorzugt direkte, effiziente Antworten. Wenn Ihr Anwendungsfall eine Persona erfordert, die eher gesprächig ist, müssen Sie das Modell im Prompt explizit anweisen (z. B. „Erkläre dies als freundlicher, gesprächiger Assistent“).
Fundierung: Für Fundierungsanwendungsfälle empfehlen wir die folgenden Entwickleranleitungen: You are a strictly grounded assistant limited to the information provided in the User Context. In your answers, rely **only** on the facts that are directly mentioned in that context. You must **not** access or utilize your own knowledge or common sense to answer. Do not assume or infer from the provided facts; simply report them exactly as they appear. Your answer must be factual and fully truthful to the provided text, leaving absolutely no room for speculation or interpretation. Treat the provided context as the absolute limit of truth; any facts or details that are not directly mentioned in the context must be considered **completely untruthful** and **completely unsupported**. If the exact answer is not explicitly written in the context, you must state that the information is not available.
Google-Suchtool verwenden: Wenn Sie das Google-Suchtool verwenden, kann Gemini 3 Flash manchmal das aktuelle Datum und die aktuelle Uhrzeit mit Ereignissen im Jahr 2024 verwechseln. Dies kann dazu führen, dass das Modell Suchanfragen für das falsche Jahr formuliert. Damit das Modell den richtigen Zeitraum verwendet, sollten Sie das aktuelle Datum in system instructions explizit angeben: For time-sensitive user queries that require up-to-date information, you MUST follow the provided current time (date and year) when formulating search queries in tool calls. Remember it is 2025 this year.
Wissensstichtag: Bei bestimmten Abfragen ist es hilfreich, Gemini 3 Flash explizit den Wissensstichtag mitzuteilen. Das ist der Fall, wenn das Google-Suchtool deaktiviert ist und die Abfrage explizit erfordert, dass das Modell die Stichtagsdaten im parametrischen Wissen identifizieren kann. Empfehlung: Fügen Sie system instructions die folgende Klausel hinzu: Your knowledge cutoff date is January 2025.
media_resolution verwenden: Mit dem Parameter media_resolution können Sie die maximale Anzahl von Tokens steuern, die das Modell zur Darstellung eines Bildes oder von Frames in Videos verwendet. Mit einer hohen Auflösung kann das Modell Details in einem Bild erfassen und verwendet möglicherweise mehr Tokens pro Frame. Mit einer niedrigeren Auflösung können Kosten und Latenz für Bilder mit weniger visuellen Details optimiert werden.
Videoanalyse verbessern: Verwenden Sie eine höhere Abtastrate für Bilder pro Sekunde (FPS) für Videos, die eine detaillierte zeitliche Analyse erfordern, z. B. für das Verständnis von schnellen Bewegungen oder die Bewegungserkennung bei hoher Geschwindigkeit.

Hinweise zur Migration

Beachten Sie bei der Migration die folgenden Funktionen und Einschränkungen:

Thinking-Level: Gemini 3-Modelle verwenden den Parameter thinking_level, um den Umfang der internen logischen Schlussfolgerungen des Modells (low oder high) zu steuern und ein ausgewogenes Verhältnis zwischen Antwortqualität, Komplexität der logischen Schlussfolgerungen, Latenz und Kosten zu erzielen.
Temperatureinstellungen: Wenn in Ihrem vorhandenen Code temperature explizit festgelegt ist (insbesondere auf niedrige Werte für deterministische Ausgaben), sollten Sie diesen Parameter entfernen und den Gemini 3-Standardwert 1.0 verwenden, um potenzielle Probleme mit Schleifen oder Leistungseinbußen bei komplexen Aufgaben zu vermeiden.
Thought-Signaturen: Wenn bei Gemini 3-Modellen in einem Turn eine Thought-Signatur erwartet, aber nicht bereitgestellt wird, gibt das Modell einen Fehler anstelle einer Warnung zurück.
Medienauflösung und Tokenisierung: Gemini 3-Modelle verwenden für die Medientokenisierung eine variable Sequenzlänge anstelle von Pan and Scan und haben neue Standardauflösungen und Tokenkosten für Bilder, PDFs und Videos.
Tokenzählung für multimodale Eingaben: Die Tokenanzahl für multimodale Eingaben (Bilder, Videos, Audio) ist eine Schätzung basierend auf dem ausgewählten media_resolution. Daher stimmt das Ergebnis des count_tokens-API-Aufrufs möglicherweise nicht mit den endgültig verbrauchten Tokens überein. Die genaue Nutzung für die Abrechnung ist erst nach der Ausführung in der usage_metadata der Antwort verfügbar.
Tokenverbrauch: Durch die Migration zu den Gemini 3-Standardeinstellungen kann sich die Tokennutzung für Bilder und PDFs erhöhen, für Videos jedoch verringern. Wenn Anfragen aufgrund höherer Standardauflösungen jetzt das Kontextfenster überschreiten, wird empfohlen, die Medienauflösung explizit zu reduzieren.
PDF- und Dokumentverständnis: Die Standard-OCR-Auflösung für PDFs wurde geändert. Wenn Sie sich auf ein bestimmtes Verhalten beim Parsen von dichten Dokumenten verlassen haben, testen Sie die neue Einstellung media_resolution: "high", um die Genauigkeit zu gewährleisten. Bei Gemini 3-Modellen werden PDF-Tokenzahlen in usage_metadata unter der Modalität IMAGE statt DOCUMENT gemeldet.
Bildsegmentierung: Die Bildsegmentierung wird von Gemini 3-Modellen nicht unterstützt. Für Arbeitslasten, die eine integrierte Bildsegmentierung erfordern, wird empfohlen, weiterhin Gemini 2.5 Flash mit deaktiviertem Thinking-Modus zu verwenden.
Multimodale Funktionsantworten: Bei Gemini 3-Modellen können Sie Bild- und PDF-Daten in Funktionsantworten einfügen.

FAQ

In welcher Region ist gemini-3.1-pro-preview verfügbar Google Cloud? Weltweit.
Welche Einschränkungen gelten für das Kontextfenster? Gemini 3-Modelle unterstützen ein Kontextfenster für Eingaben mit 1 Million Tokens und bis zu 64.000 Tokens für Ausgaben.
Unterstützt gemini-3.1-pro-preview die Bildausgabe? Nein.
Unterstützt gemini-3.1-pro-preview die Gemini Live API? Nein.

Nächste Schritte

Weitere Informationen zu Gemini 3.1 Pro
Probieren Sie die Notebook-Anleitung Einführung in Gemini 3 Pro aus.
Informationen zu Funktionsaufrufen
Informationen zu „Thinking“

Erste Schritte mit Gemini 3 Mit Sammlungen den Überblick behalten Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.

Kurzanleitung

Google Gen AI SDK installieren

Erste Anfrage senden

Aufgaben mit komplexem logischem Denken ausprobieren

Andere Denkaufwände

Neue API-Funktionen

Denkaufwand

Beispiel für das Google Gen AI SDK

Beispiel für OpenAI-Kompatibilität

Auflösung von Medien

Tokenanzahl

Empfohlene Einstellungen

media_resolution pro Einzelteil festlegen

media_resolution global festlegen

Gedankensignaturen

Warum sind Gedankensignaturen wichtig?

Wo werden Gedankensignaturen zurückgegeben?

Wie geht man mit Gedankensignaturen um?

Automatisierte Bearbeitung (empfohlen)

Beispiel für einen manuellen Funktionsaufruf

Beispiel für automatische Funktionsaufrufe

Beispiel für OpenAI-Kompatibilität

Manuelle Handhabung

Multimodale Funktionsantworten

Funktionsaufrufe im Streaming

Temperatur

Unterstützte Features

Best Practices für Prompts

Hinweise zur Migration

FAQ

Nächste Schritte

Erste Schritte mit Gemini 3

`media_resolution` pro Einzelteil festlegen

`media_resolution` global festlegen