Google utiliza tecnología de IA para traducir contenido a tu idioma preferido. Las traducciones realizadas con IA pueden contener errores.

Comienza a usar Gemini 3

Gemini 3 es nuestra familia de modelos más inteligente hasta la fecha, basada en un razonamiento de estado del arte. Está diseñado para dar vida a cualquier idea dominando los flujos de trabajo de agentes, la programación autónoma y las tareas multimodales complejas.

En esta guía, se proporciona una ruta consolidada y práctica para comenzar a usar Gemini 3 en Gemini Enterprise Agent Platform, en la que se destacan las funciones clave y las prácticas recomendadas de Gemini 3.

Guía de inicio rápido

Antes de comenzar, debes autenticarte en Gemini Enterprise Agent Platform con una clave de API o las credenciales predeterminadas de la aplicación (ADC). Consulta métodos de autenticación para obtener más información.

Instala el SDK de IA generativa de Google

Las funciones de la API de Gemini 3 requieren el SDK de IA generativa de Google para Python, versión 1.51.0 o posterior.

pip install --upgrade google-genai

Establece variables de entorno para usar el SDK de IA generativa de Google con Gemini Enterprise Agent Platform

Reemplaza el valor GOOGLE_CLOUD_PROJECT por el ID del proyecto de Google Cloud . El modelo Gemini 3.1 Pro gemini-3.1-pro-preview y el modelo Gemini 3 Flash gemini-3-flash-preview solo están disponibles en extremos globales:

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

Realiza tu primera solicitud

De forma predeterminada, los modelos Gemini 3 y Gemini 3 Flash usan el pensamiento dinámico para razonar las instrucciones. Para obtener respuestas más rápidas y con menor latencia cuando no se requiere un razonamiento complejo, puedes restringir el thinking_level del modelo. El pensamiento bajo es ideal para tareas de alta capacidad de procesamiento en las que la velocidad es primordial.

Para obtener respuestas rápidas y de baja latencia, haz lo siguiente:

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)

Prueba tareas de razonamiento complejo

Gemini 3 se destaca en el razonamiento avanzado. Para tareas complejas, como la planificación de varios pasos, la generación de código verificado o el uso de herramientas profundas, usa niveles de pensamiento altos. Usa estos parámetros de configuración para tareas que antes requerían modelos de razonamiento especializados.

Para tareas más lentas y de razonamiento avanzado:

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)

Otros niveles de razonamiento

Gemini 3 Flash presenta dos nuevos niveles de pensamiento: MINIMAL y MEDIUM para darte aún más control sobre cómo el modelo maneja las tareas de razonamiento complejas.

MINIMAL ofrece opciones de presupuesto de razonamiento cercanas a cero para tareas optimizadas para la capacidad de procesamiento, en lugar del razonamiento. MEDIUM permite un equilibrio entre la velocidad y el razonamiento que permite cierta capacidad de razonamiento, pero prioriza las operaciones de baja latencia.

Nuevas funciones de la API

Gemini 3 presenta mejoras potentes en la API y parámetros nuevos diseñados para brindarles a los desarrolladores un control detallado sobre el rendimiento (latencia, costo), el comportamiento del modelo y la fidelidad multimodal.

En esta tabla, se resumen las nuevas funciones y los parámetros principales disponibles, junto con vínculos directos a su documentación detallada:

Nueva función o cambio en la API	Documentación
Modelo: `gemini-3.1-pro-preview`	Tarjeta de modelo Model Garden de Gemini Enterprise Agent Platform
Nivel de pensamiento	Pensamiento
Resolución de contenido multimedia	Comprensión de imágenes Comprensión de videos Comprensión de audio Comprensión de documentos
Firma de razonamiento	Firmas de razonamiento
Temperatura	Referencia de la API
Respuestas de funciones multimodales	Llamada a funciones: Respuestas de funciones multimodales
Llamada a funciones de transmisión	Llamada a funciones: Llamada a funciones de transmisión

Nivel de pensamiento

El parámetro thinking_level te permite especificar un presupuesto de pensamiento para la generación de respuestas del modelo. Si seleccionas uno de los dos estados, puedes equilibrar de forma explícita las compensaciones entre la calidad de la respuesta y la complejidad del razonamiento, y la latencia y el costo.

MINIMAL: (Solo para Gemini 3 Flash y Gemini 3.1 Flash-Lite) Restringe el modelo para que use la menor cantidad posible de tokens para pensar y es más adecuado para tareas de baja complejidad que no se beneficiarían de un razonamiento extenso. MINIMAL es lo más cercano posible a un presupuesto cero para el pensamiento, pero aún requiere firmas de pensamiento.
LOW: Restringe el modelo para que use menos tokens para el razonamiento y es adecuado para tareas más simples en las que no se requiere un razonamiento extenso. LOW es ideal para tareas de alta capacidad de procesamiento en las que la velocidad es esencial.
MEDIUM: (solo para Gemini 3 Flash, Gemini 3.1 Pro y Gemini 3.1 Flash-Lite) Ofrece un enfoque equilibrado adecuado para tareas de complejidad moderada que se benefician del razonamiento, pero no requieren una planificación profunda de varios pasos. Proporciona más capacidad de razonamiento que LOW, a la vez que mantiene una latencia más baja que HIGH.
HIGH: Permite que el modelo use más tokens para pensar y es adecuado para instrucciones complejas que requieren un razonamiento profundo, como la planificación de varios pasos, la generación de código verificado o situaciones avanzadas de llamadas a funciones. Este es el nivel predeterminado para los modelos Gemini 3 y Gemini 3 Flash. Usa esta configuración cuando reemplaces tareas para las que podrías haber confiado antes en modelos de razonamiento especializados.

Ejemplo del SDK de IA generativa de Google

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)

Ejemplo de compatibilidad con OpenAI

Para los usuarios que utilizan la capa de compatibilidad con OpenAI, los parámetros estándar se asignan automáticamente a los equivalentes de Gemini 3:

reasoning_effort se asigna a thinking_level.
none: Se asigna a thinking_level mínimo (solo Gemini 3 Flash).
medium: Se asigna al tamaño thinking_level para todos los modelos de Gemini 3.

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)

Resolución de contenido multimedia

Gemini 3 introduce un control detallado sobre el procesamiento de visión multimodal con el parámetro media_resolution. Las resoluciones más altas mejoran la capacidad del modelo para leer texto fino o identificar detalles pequeños, pero aumentan el uso de tokens y la latencia. El parámetro media_resolution determina la cantidad máxima de tokens asignados por imagen de entrada, página de PDF o fotograma de video.

Puedes establecer la resolución en low, medium o high de forma global (con generation_config) o para partes de contenido multimedia individuales. La resolución ultra_high solo se puede establecer para partes de contenido multimedia individuales. Si no se especifica, el modelo usa los valores predeterminados óptimos según el tipo de contenido multimedia.

Recuentos de tokens

En esta tabla, se resumen los recuentos aproximados de tokens para cada valor de media_resolution y tipo de contenido multimedia.

Resolución de contenido multimedia	Imagen	Video	PDF
`UNSPECIFIED` (predeterminado)	1120	70	560
`LOW`	280	70	280 + Texto
`MEDIUM`	560	70	560 + texto
`HIGH`	1120	280	1120 + Texto
`ULTRA_HIGH`	2240	N/A	N/A

Configuración recomendada

Resolución de contenido multimedia	Tokens máx.	Orientación sobre el uso
`ultra_high`	2240	Tareas que requieren el análisis de detalles finos en imágenes, como el procesamiento de fotogramas de grabaciones de pantalla o fotos de alta resolución.
`high`	1120	Tareas de análisis de imágenes para garantizar la máxima calidad.
`medium`	560
`low`	Imagen: 280, video: 70	Suficiente para la mayoría de las tareas. Nota: Para Video `low`, hay un máximo de 70 tokens por fotograma.

Configuración de `media_resolution` por parte individual

Puedes establecer media_resolution para cada parte de contenido multimedia individual:

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)

Configura `media_resolution` de forma global

También puedes configurar media_resolution de forma global (con 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)

Firmas de razonamiento

Las firmas de pensamiento son tokens encriptados que conservan el estado de razonamiento del modelo durante las conversaciones de varios turnos, específicamente cuando se usan llamadas a funciones.

Cuando un modelo de pensamiento decide llamar a una herramienta externa, pausa su proceso de razonamiento interno. La firma de pensamiento actúa como un "estado de guardado", lo que permite que el modelo reanude su cadena de pensamiento sin problemas una vez que proporciones el resultado de la función.

Para obtener más información, consulta Firmas de pensamiento.

¿Por qué son importantes las firmas de pensamiento?

Sin las firmas de pensamiento, el modelo "olvida" sus pasos de razonamiento específicos durante la fase de ejecución de la herramienta. Pasar la firma de vuelta garantiza lo siguiente:

Continuidad del contexto: El modelo conserva el motivo por el que se llamó a la herramienta.
Razonamiento complejo: Habilita tareas de varios pasos en las que el resultado de una herramienta informa el razonamiento de la siguiente.

¿Dónde se devuelven las firmas de pensamiento?

Los modelos de Gemini 3 y Gemini 3 Flash aplican una validación más estricta y un manejo actualizado de las firmas de pensamiento que se introdujeron originalmente en Gemini 2.5. Para garantizar que el modelo mantenga el contexto en varios turnos de una conversación, debes devolver las firmas de pensamiento en tus solicitudes posteriores.

Las respuestas del modelo con una llamada a función siempre devolverán una firma de pensamiento, incluso cuando se use el nivel de razonamiento MINIMAL.
Cuando haya llamadas paralelas a funciones, la primera parte de la llamada a función que devuelva la respuesta del modelo tendrá una firma de pensamiento.
Cuando hay llamadas a funciones secuenciales (varios pasos), cada llamada a función tendrá una firma y se espera que los clientes la devuelvan
Las respuestas del modelo sin una llamada a función devolverán una firma de pensamiento dentro de la última parte que devuelve el modelo.

¿Cómo controlar las firmas de razonamiento?

Existen dos formas principales de controlar las firmas de pensamiento: automáticamente con los SDKs de IA generativa de Google o la API de OpenAI, o manualmente si interactúas con la API de forma directa.

Procesamiento automatizado (recomendado)

Si usas los SDK de IA generativa de Google (Python, Node.js, Go, Java) o la API de OpenAI Chat Completions, y utilizas las funciones de historial de chat estándar o agregas la respuesta completa del modelo, los thought_signatures se controlan automáticamente. No es necesario que realices ningún cambio en tu código.

Ejemplo de llamada a función manual

Cuando usas el SDK de IA generativa de Google, las firmas de pensamiento se controlan automáticamente agregando la respuesta completa del modelo en las solicitudes secuenciales del modelo:

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}")

Ejemplo de llamada a función automática

Cuando usas el SDK de IA generativa de Google en la llamada a funciones automática, las firmas de pensamiento se controlan automáticamente:


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

Ejemplo de compatibilidad con OpenAI

Cuando se usa la API de OpenAI Chat Completions, las firmas de pensamiento se controlan automáticamente agregando la respuesta completa del modelo en las solicitudes secuenciales del modelo:

...
# 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)

Consulta el ejemplo de código completo.

Manipulación manual

Si interactúas con la API directamente o administras cargas útiles de JSON sin procesar, debes controlar correctamente el thought_signature incluido en el turno del modelo.

Debes devolver esta firma en la parte exacta en la que se recibió cuando se devuelva el historial de conversaciones.

Si no se devuelven las firmas adecuadas, Gemini 3 devolverá un error 400 "Falta un thought_signature en el bloque de contenido <Function Call> del <índice del array de contenido>".

Respuestas de funciones multimodales

La llamada a función multimodal permite que los usuarios tengan respuestas de funciones que contengan objetos multimodales, lo que permite un mejor uso de las capacidades de llamada a función del modelo. La llamada a función estándar solo admite respuestas de función basadas en texto:

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}")

Llamada a funciones de transmisión

Puedes usar argumentos de llamada a función parcial de transmisión para mejorar la experiencia de transmisión en el uso de herramientas. Esta función se puede habilitar configurando de forma explícita stream_function_call_arguments como true:

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}")

Ejemplo de respuesta del modelo:

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

Temperatura

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

Para Gemini 3, se recomienda mantener el parámetro temperature en su valor predeterminado de 1.0.

Si bien los modelos anteriores solían beneficiarse de ajustar la temperatura para controlar la creatividad frente al determinismo, las capacidades de razonamiento de Gemini 3 están optimizadas para el parámetro de configuración predeterminado.

Cambiar la temperatura (establecerla en menos de 1.0) puede provocar un comportamiento inesperado, como bucles o un rendimiento degradado, en especial en tareas complejas de matemáticas o razonamiento.

Funciones admitidas

Los modelos de Gemini 3 también admiten las siguientes funciones:

Prácticas recomendadas para escribir instrucciones

Gemini 3 es un modelo de razonamiento, lo que cambia la forma en que debes escribir las instrucciones.

Instrucciones precisas: Sé conciso en tus instrucciones de entrada. Gemini 3 responde mejor a instrucciones directas y claras. Es posible que analice en exceso las técnicas de ingeniería de instrucciones detalladas o demasiado complejas que se usan para los modelos más antiguos.
Verbosidad del resultado: De forma predeterminada, Gemini 3 es menos detallado y prefiere proporcionar respuestas directas y eficientes. Si tu caso de uso requiere una persona más conversacional o "conversadora", debes dirigir explícitamente al modelo en la instrucción (por ejemplo, "Explica esto como un asistente amigable y conversador").
Fundamentación: Para los casos de uso de fundamentación, recomendamos usar las siguientes instrucciones para desarrolladores: 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.
Uso de la herramienta de Búsqueda de Google: Cuando se usa la herramienta de Búsqueda de Google, Gemini 3 Flash puede confundir, en ocasiones, la fecha y hora actuales con eventos de 2024. Esto puede hacer que el modelo formule búsquedas para el año incorrecto. Para asegurarte de que el modelo use el período correcto, refuerza de forma explícita la fecha actual en system instructions: 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.
Fecha límite de conocimiento: Para ciertas consultas, Gemini 3 Flash se beneficia de que se le indique explícitamente su fecha límite de conocimiento. Este es el caso cuando la herramienta de Búsqueda de Google está inhabilitada y la consulta requiere de forma explícita que el modelo pueda identificar los datos de corte en el conocimiento paramétrico. Recomendación: Agrega la siguiente cláusula a system instructions: Your knowledge cutoff date is January 2025.
Usa media_resolution: Usa el parámetro media_resolution para controlar la cantidad máxima de tokens que usa el modelo para representar una imagen o fotogramas en videos. La alta resolución permitirá que el modelo capture detalles en una imagen y puede usar más tokens por fotograma, mientras que la resolución más baja permite optimizar el costo y la latencia de las imágenes con menos detalles visuales.
Mejora el análisis de video: Usa una tasa de muestreo de fotogramas por segundo (FPS) más alta para los videos que requieren un análisis temporal detallado, como la comprensión de acciones rápidas o el seguimiento de movimiento de alta velocidad.

Consideraciones sobre la migración

Ten en cuenta las siguientes funciones y restricciones cuando realices la migración:

Nivel de pensamiento: Los modelos de Gemini 3 usan el parámetro thinking_level para controlar la cantidad de razonamiento interno que realiza el modelo (bajo o alto) y para equilibrar la calidad de la respuesta, la complejidad del razonamiento, la latencia y el costo.
Configuración de la temperatura: Si tu código existente establece de forma explícita temperature (en especial, con valores bajos para resultados determinísticos), se recomienda quitar este parámetro y usar el valor predeterminado de Gemini 3, que es 1.0, para evitar posibles problemas de bucle o degradación del rendimiento en tareas complejas.
Firmas de pensamiento: En los modelos de Gemini 3, si se espera una firma de pensamiento en un turno, pero no se proporciona, el modelo devuelve un error en lugar de una advertencia.
Resolución y asignación de tokens de contenido multimedia: Los modelos de Gemini 3 usan una longitud de secuencia variable para la asignación de tokens de contenido multimedia en lugar de Pan and Scan, y tienen nuevas resoluciones predeterminadas y costos de tokens para imágenes, PDFs y videos.
Recuento de tokens para la entrada de multimodalidad: Los recuentos de tokens para las entradas multimodales (imágenes, video, audio) son una estimación basada en el media_resolution elegido. Por lo tanto, es posible que el resultado de la llamada a la API de count_tokens no coincida con los tokens consumidos finales. El uso preciso para la facturación solo está disponible después de la ejecución dentro del usage_metadata de la respuesta.
Consumo de tokens: La migración a los valores predeterminados de Gemini 3 puede aumentar el uso de tokens para imágenes y archivos PDF, pero disminuir el uso de tokens para videos. Si las solicitudes ahora superan la ventana de contexto debido a resoluciones predeterminadas más altas, se recomienda reducir de forma explícita la resolución de los medios.
Comprensión de documentos y archivos PDF: Se cambió la resolución de OCR predeterminada para los archivos PDF. Si dependías de un comportamiento específico para el análisis de documentos densos, prueba el nuevo parámetro de configuración media_resolution: "high" para garantizar una precisión continua. En el caso de los modelos de Gemini 3, los recuentos de tokens de PDF en usage_metadata se informan en la modalidad IMAGEN en lugar de DOCUMENTO.
Segmentación de imágenes: Los modelos de Gemini 3 no admiten la segmentación de imágenes. Para las cargas de trabajo que requieren segmentación de imágenes integrada, se recomienda seguir usando Gemini 2.5 Flash con el pensamiento desactivado.
Respuestas de funciones multimodales: Para los modelos de Gemini 3, puedes incluir datos de imágenes y PDF en las respuestas de las funciones.

Preguntas frecuentes

¿En qué región está disponible gemini-3.1-pro-preview ? Google Cloud Global
¿Cuáles son los límites de la ventana de contexto? Los modelos de Gemini 3 admiten una ventana de contexto de entrada de 1 millón de tokens y hasta 64,000 tokens de salida.
¿gemini-3.1-pro-preview admite la salida de imágenes? No.
¿gemini-3.1-pro-preview admite la API de Gemini Live? No.

¿Qué sigue?

Obtén más información sobre Gemini 3.1 Pro.
Prueba el notebook de instructivo Introducción a Gemini 3 Pro.
Obtén más información sobre la llamada a función.
Obtén más información sobre Pensamiento.

Comienza a usar Gemini 3 Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.

Guía de inicio rápido

Instala el SDK de IA generativa de Google

Realiza tu primera solicitud

Prueba tareas de razonamiento complejo

Otros niveles de razonamiento

Nuevas funciones de la API

Nivel de pensamiento

Ejemplo del SDK de IA generativa de Google

Ejemplo de compatibilidad con OpenAI

Resolución de contenido multimedia

Recuentos de tokens

Configuración recomendada

Configuración de media_resolution por parte individual

Configura media_resolution de forma global

Firmas de razonamiento

¿Por qué son importantes las firmas de pensamiento?

¿Dónde se devuelven las firmas de pensamiento?

¿Cómo controlar las firmas de razonamiento?

Procesamiento automatizado (recomendado)

Ejemplo de llamada a función manual

Ejemplo de llamada a función automática

Ejemplo de compatibilidad con OpenAI

Manipulación manual

Respuestas de funciones multimodales

Llamada a funciones de transmisión

Temperatura

Funciones admitidas

Prácticas recomendadas para escribir instrucciones

Consideraciones sobre la migración

Preguntas frecuentes

¿Qué sigue?

Comienza a usar Gemini 3

Configuración de `media_resolution` por parte individual

Configura `media_resolution` de forma global