Mit der kontinuierlichen Abstimmung können Sie ein bereits abgestimmtes Modell oder einen Modellprüfpunkt weiter abstimmen, indem Sie weitere Epochen oder Trainingsbeispiele hinzufügen. Wenn Sie ein bereits abgestimmtes Modell oder einen Prüfpunkt als Basismodell verwenden, können Sie effizientere Abstimmungsexperimente durchführen.
Sie können die kontinuierliche Abstimmung für folgende Zwecke verwenden:
- Zum Abstimmen mit mehr Daten, wenn ein vorhandenes abgestimmtes Modell unterangepasst ist.
- Um die Leistung zu steigern oder das Modell mit neuen Daten auf dem neuesten Stand zu halten.
- Ein vorhandenes abgestimmtes Modell weiter anpassen.
Die folgenden Gemini-Modelle unterstützen die kontinuierliche Abstimmung:
Klicken, um unterstützte Modelle einzublenden
Ausführliche Informationen zu Gemini-Modellversionen finden Sie unter Google-Modelle und Modellversionen und Lebenszyklus.
Kontinuierliche Abstimmung konfigurieren
Beachten Sie beim Erstellen eines kontinuierlichen Abstimmungsjobs Folgendes:
- Die kontinuierliche Abstimmung wird im Google Gen AI SDK unterstützt. Es wird im Agent Platform SDK für Python nicht unterstützt.
Sie müssen einen Modellressourcennamen angeben:
- In der Google Cloud Console wird der Name der Modellressource auf der Seite Gemini Enterprise Agent Platform Tuning im Feld Abstimmungsdetails > Modellname angezeigt.
- Der Name der Modellressource hat das folgende Format:
projects/{project}/locations/{location}/models/{modelId}@{version_id}{version_id}ist optional und kann entweder die generierte Versions-ID oder ein vom Nutzer bereitgestellter Versionsalias sein. Wenn sie weggelassen wird, wird die Standardversion verwendet.
Wenn Sie keine Modellversion angeben, wird die Standardversion verwendet.
Wenn Sie einen Prüfpunkt als Basismodell verwenden und keine Prüfpunkt-ID angeben, wird der Standardprüfpunkt verwendet. Weitere Informationen finden Sie unter Prüfpunkte bei der überwachten Feinabstimmung für Gemini-Modelle verwenden. In der Google Cloud Console finden Sie den Standardprüfpunkt so:
- Zur Seite „Model Registry“
- Klicken Sie auf den Modellnamen des Modells.
- Klicken Sie auf Alle Versionen ansehen.
- Klicken Sie auf die gewünschte Version, um eine Liste der Prüfpunkte aufzurufen. Der Standardprüfpunkt wird durch das Wort
defaultneben der Prüfpunkt-ID gekennzeichnet.
Standardmäßig wird eine neue Modellversion unter demselben übergeordneten Modell wie das vortrainierte Modell erstellt. Wenn Sie einen neuen Anzeigenamen für das abgestimmte Modell angeben, wird ein neues Modell erstellt.
Nur Basismodelle für die überwachte Abstimmung, die am oder nach dem 11. Juli 2025 abgestimmt wurden, können als Basismodelle für die kontinuierliche Abstimmung verwendet werden.
Wenn Sie kundenverwaltete Verschlüsselungsschlüssel (CMEK) verwenden, muss Ihr kontinuierlicher Abstimmungsjob denselben CMEK verwenden, der im Abstimmungsjob für das vorab abgestimmte Modell verwendet wurde.
Console
So konfigurieren Sie die kontinuierliche Optimierung für ein vorab optimiertes Modell über dieGoogle Cloud Console:
Rufen Sie in der Google Cloud Console im Bereich „Gemini Enterprise Agent Platform“ die Seite Abstimmung auf.
Klicken Sie auf Abgestimmtes Modell erstellen.
Konfigurieren Sie unter Modelldetails Folgendes:
- Wählen Sie Bereits abgestimmtes Modell weiter abstimmen aus.
- Wählen Sie im Feld Vorab abgestimmtes Modell den Namen Ihres vorab abgestimmten Modells aus.
- Wenn das Modell mindestens einen Prüfpunkt hat, wird das Drop-down-Feld Prüfpunkt angezeigt. Wählen Sie den gewünschten Prüfpunkt aus.
Klicken Sie auf Weiter.
REST
Senden Sie zum Konfigurieren der kontinuierlichen Abstimmung eine POST-Anfrage mit der Methode tuningJobs.create. Einige Parameter werden nicht von allen Modellen unterstützt. Achten Sie darauf, dass Sie nur die für das abzustimmende Modell relevanten Parameter einfügen.
Ersetzen Sie diese Werte in den folgenden Anfragedaten:
- Parameter für die kontinuierliche Abstimmung:
- TUNED_MODEL_NAME: Name des zu verwendenden abgestimmten Modells.
- CHECKPOINT_IDOptional: ID des zu verwendenden Prüfpunkts.
- Die übrigen Parameter sind dieselben wie für die überwachte Feinabstimmung oder die Optimierung von Einstellungen.
HTTP-Methode und URL:
POST https://TUNING_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/TUNING_JOB_REGION/tuningJobs
JSON-Text der Anfrage:
{
"preTunedModel": {
"tunedModelName": "TUNED_MODEL_NAME",
"checkpointId": "CHECKPOINT_ID",
},
"supervisedTuningSpec" : {
"trainingDatasetUri": "TRAINING_DATASET_URI",
"validationDatasetUri": "VALIDATION_DATASET_URI",
"hyperParameters": {
"epochCount": EPOCH_COUNT,
"adapterSize": "ADAPTER_SIZE",
"learningRateMultiplier": "LEARNING_RATE_MULTIPLIER"
},
"exportLastCheckpointOnly": EXPORT_LAST_CHECKPOINT_ONLY,
"evaluationConfig": {
"metrics": [
{
"aggregation_metrics": ["AVERAGE", "STANDARD_DEVIATION"],
"METRIC_SPEC": {
"METRIC_SPEC_FIELD_NAME":
METRIC_SPEC_FIELD_CONTENT
}
},
],
"outputConfig": {
"gcs_destination": {
"output_uri_prefix": "CLOUD_STORAGE_BUCKET"
}
},
},
},
"tunedModelDisplayName": "TUNED_MODEL_DISPLAYNAME",
"encryptionSpec": {
"kmsKeyName": "KMS_KEY_NAME"
},
"serviceAccount": "SERVICE_ACCOUNT"
}
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://TUNING_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/TUNING_JOB_REGION/tuningJobs"
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://TUNING_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/TUNING_JOB_REGION/tuningJobs" | Select-Object -Expand Content
Sie sollten eine JSON-Antwort ähnlich wie diese erhalten:
Beispiel: cURL-Befehls
PROJECT_ID=myproject
LOCATION=global
curl \
-X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
"https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}/tuningJobs" \
-d \
$'{
"preTunedModel": "gemini-3.5-flash",
"supervisedTuningSpec" : {
"trainingDatasetUri": "gs://cloud-samples-data/ai-platform/generative_ai/gemini/text/sft_train_data.jsonl",
"validationDatasetUri": "gs://cloud-samples-data/ai-platform/generative_ai/gemini/text/sft_validation_data.jsonl"
},
"tunedModelDisplayName": "tuned_gemini"
}'
Google Gen AI SDK
Im folgenden Beispiel wird gezeigt, wie Sie die kontinuierliche Optimierung mit dem Google Gen AI SDK konfigurieren.