Auf die neuesten Gemini-Modelle migrieren

In diesem Leitfaden wird beschrieben, wie Sie Ihre Anwendung auf die neueste Gemini-Version aktualisieren. In diesem Leitfaden wird davon ausgegangen, dass Ihre Anwendung bereits eine ältere Gemini-Version verwendet. Informationen zur Verwendung von Gemini in der Gemini Enterprise Agent Platform finden Sie unter Erste Schritte mit der Gemini Enterprise Agent Platform.

In diesem Leitfaden wird nicht beschrieben, wie Sie Ihre Anwendung vom Vertex AI SDK auf das aktuelle Google Gen AI SDK umstellen. Diese Informationen finden Sie in unserem Migrationsleitfaden für das Vertex AI SDK.

Welche Änderungen sind zu erwarten?

Für die Aktualisierung der meisten generativen KI-Anwendungen auf die neueste Gemini-Version sind nur wenige Code- oder Prompt-Änderungen erforderlich. Bei einigen Anwendungen sind jedoch möglicherweise Anpassungen der Prompts erforderlich. Es ist schwierig, diese Änderungen vorherzusagen, ohne Ihre Prompts zuerst mit der neuen Version zu testen. Es wird empfohlen, vor der vollständigen Migration gründliche Tests durchzuführen. Tipps zum Erstellen effektiver Prompts finden Sie in unserem Leitfaden für Prompt-Strategien. Verwenden Sie unsere Checkliste für die Prompt-Integrität, um Probleme mit Prompts zu finden und zu beheben.

Aktualisierung der Berichterstellung zur Tokenanzahl

Möglicherweise stellen Sie einen Anstieg der gemeldeten Tokenanzahl fest, da unsere aktualisierte Infrastruktur jetzt alle Anfragekomponenten genau erfasst, einschließlich komplexer Metadaten wie Antwortschemas und Funktionsaufrufe, die vom Legacy-System zuvor nicht vollständig erfasst wurden.

Größere Codeänderungen sind nur für bestimmte funktionsgefährdende Änderungen oder für die Verwendung neuer Gemini-Funktionen erforderlich.

Zu welchem Gemini-Modell sollte ich migrieren?

Welches Gemini-Modell Sie verwenden, hängt von den Anforderungen Ihrer Anwendung ab:

Funktion 3.1 Pro 3.5 Flash-Lite 3.5 Flash 3.6 Flash 3.7 Flash 3.8 Flash 4 Argon
Startphase Vorschau GA GA GA GA GA GA
Eingabemodalitäten
Text, Bild, Audio, Video
Text, Bild, Audio, Video
Text, Bild, Audio, Video
Text, Bild, Audio, Video
Text, Bild, Audio, Video
Text, Bild, Audio, Video
Text, Bild, Audio, Video
Ausgabemodalitäten
Text
Text
Text
Text
Text
Text
Text
Kontextfenster, Gesamtlimit für Tokens 1.048.576 1.048.576 1.048.576 1.048.576 1.048.576 1.048.576 1.048.576
Länge des Ausgabekontexts 65.536 65.536 65.536 65.536 65.536 65.536 1.048.576
Fundierung mit der Google Suche
Funktionsaufrufe
Code-Ausführung
Implizites Kontext-Caching
Explizites Kontext-Caching
Batch-Inferenz
Gemini Live API
Feinabstimmung
Latenz
Ausmusterungsdatum 21. Juli 2027 oder später 19. Mai 2027 oder später 19. November 2026 28. Januar 2027 Am oder nach dem 2. September 2027 13. Oktober 2027 oder später

Vorbereitung der Migration

Bevor Sie mit der Migration beginnen, sollten Sie Folgendes beachten:

InfoSec, Governance und behördliche Genehmigungen

Holen Sie frühzeitig Genehmigungen von Ihren Teams für Informationssicherheit (InfoSec), Risiko und Compliance ein. Berücksichtigen Sie alle spezifischen Risiko- und Compliance-Regeln, insbesondere in regulierten Branchen wie dem Gesundheits- und Finanzwesen.

Standort-Verfügbarkeit

Google- und Partnermodelle sowie Funktionen basierend auf generativer KI auf der Gemini Enterprise Agent Platform sind über bestimmte regionale Endpunkte und einen globalen Endpunkt verfügbar. Globale Endpunkte decken die ganze Welt ab und bieten im Vergleich zu einzelnen Regionen eine bessere Verfügbarkeit und Zuverlässigkeit.

Die Verfügbarkeit regionaler Endpunkte variiert je nach Modell. Weitere Informationen zu den einzelnen Modellen finden Sie in unserem Leitfaden zu Standorten.

Preisunterschiede je nach Modalität und Tokenisierung

Die Preise variieren je nach Gemini-Modell. Auf unserer Preisseite finden Sie die Kosten für alle Modalitäten (Text, Code, Bilder, Sprache usw.) pro Modell.

Bestellungen von Bereitgestelltem Durchsatz kaufen oder ändern

Bei Bedarf können Sie mehr bereitgestellten Durchsatz erwerben oder vorhandene Bestellungen für bereitgestellten Durchsatz ändern.

Überwachte Feinabstimmung

Die neuesten Gemini-Modelle bieten eine bessere Ausgabequalität. Das kann bedeuten, dass Ihre Anwendung kein feinabgestimmtes Modell mehr benötigt. Wenn Ihre Anwendung die überwachte Feinabstimmung mit einem älteren Gemini-Modell verwendet, testen Sie Ihre Anwendung zuerst mit dem neuesten Modell ohne Feinabstimmung und bewerten Sie die Ergebnisse.

Wenn Sie die überwachte Feinabstimmung verwenden, können Sie Ihr vorhandenes abgestimmtes Modell nicht aus älteren Gemini-Versionen verschieben. Sie müssen einen neuen Abstimmungsjob für die neue Gemini-Version ausführen.

Beginnen Sie beim Abstimmen eines neuen Gemini-Modells mit den Standardeinstellungen für die Abstimmung. Verwenden Sie keine Hyperparameterwerte aus früheren Gemini-Versionen, da der Abstimmungsdienst für die neuesten Versionen optimiert ist. Wenn Sie alte Einstellungen wiederverwenden, erhalten Sie wahrscheinlich keine optimalen Ergebnisse.

Regressionstests

Wenn Sie ein Upgrade auf die neueste Gemini-Version durchführen, benötigen Sie drei Haupttypen von Regressionstests:

  1. Code-Regressionstests: Regressionstests aus der Perspektive von Software Engineering und Developer Operations (DevOps). Diese Art von Regressionstests ist immer erforderlich.

  2. Regressionstests für die Modellleistung: Regressionstests aus der Perspektive von Data Science oder Machine Learning. Das bedeutet, dass die neue Gemini-Modellversion Ausgaben liefern muss, die mindestens die gleiche Qualität wie die vorherige Version haben.

    Regressionstests für die Modellleistung sind Modellbewertungen, die durchgeführt werden, wenn sich ein System oder das zugrunde liegende Modell ändert. Dazu gehören:

    • Offline-Leistungstests: Tests, mit denen die Qualität der Modellausgaben in einer dedizierten Testumgebung anhand verschiedener Qualitätsmesswerte für die Modellausgabe überprüft wird.
    • Online-Modellleistungstests: Tests, mit denen die Qualität der Modellausgaben in einer Live-Online-Bereitstellung anhand von implizitem oder explizitem Nutzerfeedback überprüft wird.
  3. Lasttests: Mit diesen Tests wird geprüft, wie gut die Anwendung viele Anfragen gleichzeitig verarbeitet. Lasttests sind für Anwendungen erforderlich, die bereitgestellten Durchsatz verwenden.

Zur aktuellen Version migrieren

In den folgenden Abschnitten werden die Schritte zur Migration zur neuesten Gemini-Version beschrieben. Führen Sie diese Schritte nacheinander aus, um optimale Ergebnisse zu erzielen.

1. Anforderungen an die Modellbewertung und -tests dokumentieren

  1. Bereiten Sie sich darauf vor, alle relevanten Bewertungen zu wiederholen, die Sie beim ersten Erstellen Ihrer Anwendung durchgeführt haben, sowie alle Bewertungen, die seitdem durchgeführt wurden.
  2. Wenn Ihre aktuellen Bewertungen nicht alle Aufgaben, die Ihre Anwendung ausführt, vollständig abdecken oder messen, sollten Sie weitere Bewertungen entwerfen und vorbereiten. Für den Einstieg können Sie unser Playbook zur Bewertung und unsere Rezepte zur Bewertung verwenden.
  3. Wenn Ihre Anwendung RAG, Toolnutzung, komplexe agentische Workflows oder Prompt-Ketten umfasst, achten Sie darauf, dass Ihre vorhandenen Bewertungsdaten eine unabhängige Bewertung jeder Komponente ermöglichen. Wenn nicht, erfassen Sie Eingabe-Ausgabe-Beispiele für jede Komponente.
  4. Wenn Ihre Anwendung kritisch oder Teil eines größeren Echtzeitsystems für Nutzer ist, sollten Sie eine Onlinebewertung einbeziehen.

2. Code aktualisieren und Tests ausführen

Für die Aktualisierung Ihres Codes sind drei wesentliche Änderungen erforderlich:

In den folgenden Abschnitten werden diese Änderungen näher erläutert.

Upgrade auf das Google Gen AI SDK

Wenn Ihre Gemini 1.x-Anwendung das Vertex AI SDK verwendet, wechseln Sie zum Google Gen AI SDK. Weitere Informationen, einschließlich Codebeispielen für ähnliche Aufrufe mit dem Google Gen AI SDK, finden Sie in unserem Migrationsleitfaden für das Vertex AI SDK. Vertex AI SDK-Releases nach Juni 2026 unterstützen Gemini nicht mehr und neue Gemini-Funktionen sind nur im Google Gen AI SDK verfügbar.

Wir empfehlen dringend, auf die google-genai SDK-Version 2.0.0 oder höher zu aktualisieren, um alle neuen Funktionen in Gemini 3.5 Flash und späteren Modellen nutzen zu können.

Wenn Sie das Google Gen AI SDK noch nicht kennen, lesen Sie das Notebook Erste Schritte mit der generativen KI von Google und dem Google Gen AI SDK.

Gemini-Anrufe ändern

Aktualisieren Sie Ihren Vorhersagecode, um eines der neuesten Gemini-Modelle zu verwenden. Dazu muss mindestens der Name des Modellendpunkts geändert werden.

Die genauen Codeänderungen hängen davon ab, wie Sie Ihre Anwendung erstellt haben, insbesondere davon, ob Sie das Google Gen AI SDK oder das Vertex AI SDK verwendet haben.

Führen Sie nach Codeänderungen Code-Regressionstests und andere Softwaretests durch, um sicherzustellen, dass der Code wie erwartet funktioniert. In diesem Schritt wird geprüft, ob der Code funktioniert, nicht jedoch die Qualität der Modellantworten.

Fehlerhafte Codeänderungen beheben

  • Dynamischer Abruf: Wechseln Sie zu Fundierung mit der Google Suche. Für diese Funktion ist das Google Gen AI SDK erforderlich. Sie wird vom Vertex AI SDK nicht unterstützt.
  • Inhaltsfilter: Beachten Sie die Standardeinstellungen für Inhaltsfilter. Ändern Sie Ihren Code, wenn er auf einem Standardwert basiert, der sich geändert hat.
  • Top-K-Token-Stichprobenparameter: Bei Modellen nach gemini-1.0-pro-vision wird das Ändern des Parameters Top-K nicht unterstützt.
  • Thinking: Gemini 3 Pro und neuere Modelle verwenden den Parameter thinking_level anstelle von thinking_budget. Weitere Informationen finden Sie unter Denkprozess des Modells steuern.
  • Gedankensignaturen: Wenn bei Gemini 3 Pro und höheren Modellen in einem Turn eine Gedankensignatur erwartet, aber nicht bereitgestellt wird, gibt das Modell einen Fehler anstelle einer Warnung zurück. Weitere Informationen finden Sie unter Gedankensignaturen.
  • Medienauflösung und Tokenisierung: Gemini 3 Pro und neuere Modelle verwenden für die Medientokenisierung eine variable Sequenzlänge anstelle von Pan & Scan und haben neue Standardauflösungen und Tokenkosten für Bilder, PDFs und Videos. Siehe Bildverständnis und Videoverständnis.
  • Nutzungsmetadaten: Bei Gemini 3 Pro und höheren Modellen werden PDF-Tokenzahlen in usage_metadata unter der Modalität IMAGE anstelle von DOCUMENT gemeldet.
  • Bildsegmentierung: Die Bildsegmentierung wird von Gemini 3 Pro und neueren Modellen nicht unterstützt.
  • Multimodale Funktionsantworten: Bei Gemini 3 Pro und höheren Modellen können Sie Bild- und PDF-Daten in Funktionsantworten einfügen. Weitere Informationen finden Sie unter Multimodale Funktionsantworten.
  • PDF-Verarbeitung: Bei Gemini 3 Pro und höheren Modellen wird OCR standardmäßig nicht für die Verarbeitung gescannter PDFs verwendet.

Konzentrieren Sie sich in diesem Schritt nur auf Codeänderungen. Möglicherweise müssen Sie später weitere Änderungen vornehmen, aber warten Sie damit, bis Sie mit der Bewertung beginnen. Nach den Bewertungen sollten Sie die folgenden Anpassungen basierend auf den Bewertungsergebnissen in Betracht ziehen:

  • Wenn Sie von dynamischem Abruf wechseln, müssen Sie möglicherweise Ihre Systemanweisungen anpassen, um zu steuern, wann die Google Suche verwendet wird (z. B. "Only generate queries for the Google Search tool if the user asks about sports. Don't generate queries for any other topic."). Warten Sie jedoch mit dem Ändern von Prompts, bis Sie die Bewertung abgeschlossen haben.
  • Wenn Sie den Parameter Top-K verwendet haben, passen Sie andere Parameter für die Token-Stichprobenerhebung an, z. B. Top-P, um ähnliche Ergebnisse zu erhalten.

3. Offlinebewertungen ausführen

Wiederholen Sie die Bewertungen, die Sie bei der ersten Entwicklung und Einführung Ihrer Anwendung durchgeführt haben, alle seitdem durchgeführten Offline-Bewertungen und alle zusätzlichen Bewertungen, die Sie in Schritt 1 identifiziert haben. Wenn Sie der Meinung sind, dass Ihre Bewertung den Umfang Ihrer Anwendung nicht vollständig abdeckt, führen Sie weitere Bewertungen durch.

Wenn Sie keine automatisierte Möglichkeit haben, Offlinebewertungen auszuführen, können Sie den Gen AI Evaluation Service verwenden.

Wenn Ihre Anwendung Feinabstimmung verwendet, führen Sie eine Offline-Bewertung durch, bevor Sie Ihr Modell mit der aktuellen Version von Gemini neu abstimmen. Die neuesten Modelle bieten eine verbesserte Ausgabequalität, was bedeuten kann, dass Ihre Anwendung kein feinabgestimmtes Modell mehr benötigt.

4. Bewertungsergebnisse auswerten und Prompts und Hyperparameter optimieren

Wenn die Offlinebewertung zeigt, dass Ihre Anwendung weniger effektiv ist, verbessern Sie sie, bis ihre Leistung der des älteren Modells entspricht. Gehen Sie dazu so vor:

5. Lasttests ausführen

Wenn Ihre Anwendung einen bestimmten Mindestdurchsatz erfordert, führen Sie Lasttests durch, um sicherzustellen, dass die aktuelle Version Ihrer Anwendung Ihre Durchsatzanforderungen erfüllt.

Lasttests müssen vor der Onlinebewertung durchgeführt werden, da das Modell bei der Onlinebewertung Live-Traffic ausgesetzt wird. Verwenden Sie für diesen Schritt Ihre vorhandenen Lasttesttools und -instrumente.

Wenn Ihre Anwendung die Durchsatzanforderungen bereits erfüllt, sollten Sie Bereitgestellter Durchsatz verwenden. Sie benötigen zusätzlichen kurzfristigen bereitgestellten Durchsatz, um Lasttests abzudecken, während Ihre aktuelle Bestellung für bereitgestellten Durchsatz den Produktionstraffic verarbeitet.

6. (Optional) Online-Bewertungen ausführen

Wechseln Sie nur dann zur Onlinebewertung, wenn Ihre Offlinebewertung eine hohe Gemini-Ausgabequalität zeigt und Ihre Anwendung eine Onlinebewertung erfordert.

Die Onlinebewertung ist eine spezielle Art von Onlinetests. Versuchen Sie, die vorhandenen Tools und Methoden Ihrer Organisation für die Onlinebewertung zu verwenden. Beispiel:

  • Wenn Ihre Organisation regelmäßig A/B-Tests durchführt, führen Sie einen Test durch, um die aktuelle Version Ihrer Anwendung mit der neuesten Gemini-Version zu vergleichen.
  • Wenn Ihre Organisation regelmäßig Canary Deployments verwendet, sollten Sie diese mit den neuesten Modellen verwenden und Änderungen im Nutzerverhalten messen.

Sie können auch eine Onlinebewertung durchführen, indem Sie Ihrer Anwendung neue Feedback- und Messfunktionen hinzufügen. Verschiedene Anwendungen erfordern unterschiedliche Feedbackmethoden. Beispiel:

  • Hinzufügen von „Mag ich“- und „Mag ich nicht“-Schaltflächen neben Modellausgaben und Vergleichen der Bewertungen zwischen einem älteren Modell und den neuesten Gemini-Modellen.
  • Nutzern werden die Ausgaben des älteren Modells und der neuesten Modelle nebeneinander angezeigt und sie werden gebeten, ihren Favoriten auszuwählen.
  • Erfassen, wie oft Nutzer Ausgaben des älteren Modells im Vergleich zu den neuesten Modellen überschreiben oder manuell anpassen.

Für diese Feedbackmethoden ist es oft erforderlich, die neueste Gemini-Version parallel zu Ihrer vorhandenen Version auszuführen. Diese parallele Bereitstellung wird manchmal als „Schattenmodus“ oder „Blau-Grün-Bereitstellung“ bezeichnet.

Wenn die Ergebnisse der Onlinebewertung stark von den Ergebnissen der Offlinebewertung abweichen, werden bei der Offlinebewertung wichtige Aspekte der Live-Umgebung oder der Nutzererfahrung nicht berücksichtigt. Wenden Sie die Ergebnisse der Onlinebewertung an, um eine neue Offlinebewertung zu erstellen, die die Lücke schließt, und kehren Sie dann zu Schritt 3 zurück.

Wenn Sie Bereitgestellten Durchsatz verwenden, müssen Sie möglicherweise zusätzlichen kurzfristigen Bereitgestellten Durchsatz erwerben, um Ihre Durchsatzanforderungen für Nutzer in der Onlinebewertung weiterhin zu erfüllen.

7. Für die Produktion bereitstellen

Wenn die Bewertung zeigt, dass das neueste Gemini-Modell genauso gut oder besser als ein älteres Modell funktioniert, ersetzen Sie die vorhandene Anwendungsversion durch die neue Version. Folgen Sie den Standardverfahren Ihrer Organisation für die Produktionsbereitstellung.

Wenn Sie Bereitgestellter Durchsatz verwenden, ändern Sie Ihre Bereitgestellter Durchsatz-Bestellung auf das gewünschte Gemini-Modell. Wenn Sie Ihre Anwendung schrittweise einführen, verwenden Sie kurzfristig bereitgestellten Durchsatz, um die Durchsatzanforderungen für zwei verschiedene Gemini-Modelle zu erfüllen.

Parameteraktualisierungen und Best Practices in Gemini 3.x

Die folgenden Informationen gelten für alle Gemini 3.x-Modelle, einschließlich Gemini 3.5 Flash. Sie wurden mit Gemini 3 eingeführt und werden hier zur Erinnerung aufgeführt.

Parameter für die Stichprobenerhebung (eingestellt)

temperature, top_p und top_k werden für alle Gemini 3.x-Modelle nicht mehr empfohlen. Das Modell verwaltet seine eigene Stichprobenerhebung, um optimale Ergebnisse zu erzielen. Entfernen Sie diese Parameter aus allen Anfragen.

Um den Determinismus zu maximieren, empfehlen wir, eine Systemanweisung mit expliziten Regeln für Ihren spezifischen Anwendungsfall zu definieren.

thinking_budget (verworfen)

Der numerische Rohparameter thinking_budget wird für alle Gemini 3.x-Modelle nicht mehr empfohlen und gibt bei Gemini 4-Modellen einen HTTP-400-Validierungsfehler zurück. Verwenden Sie stattdessen die String-Enum thinking_level.

Funktionsaufrufe: strikter Antwortabgleich

Die API gibt noch keinen Fehler aus, aber nicht übereinstimmende Antworten führen in den meisten Fällen dazu, dass das Modell leere Antworten mit finish_reason: STOP zurückgibt. Beachten Sie immer diese Konventionen:

  • id einfügen: Jedes FunctionResponse muss die id aus dem entsprechenden FunctionCall enthalten.
  • Übereinstimmung von name: Der name in der Antwort muss mit dem name im Aufruf übereinstimmen.
  • Übereinstimmungsanzahl: Für jede empfangene FunctionCall wird genau eine FunctionResponse zurückgegeben.

Multimodale Funktionsantworten

Wenn Sie multimodale Inhalte (z. B. Bilder) als Antwort auf einen Funktionsaufruf bereitstellen, fügen Sie die Inhalte in die Teile der Funktionsantwort ein, nicht außerhalb. So wird unerwartetes Modellverhalten wie das Durchsickern von Gedanken verhindert.

Inline-Anweisungen mit Funktionsantwort

Wenn Sie Plattformanweisungen zusammen mit Funktionsantworten bereitstellen müssen, hängen Sie sie an das Ende des Funktionsantworttexts an, getrennt durch zwei Zeilenumbrüche, anstatt sie als separate Teile zu senden.

Unnötige Toolaufrufe reduzieren

Wenn Sie feststellen, dass Toolaufrufe zu häufig verwendet werden: 1. Reduzieren Sie den Denkaufwand (medium, low oder minimal). 2. Fügen Sie eine Systemanweisung hinzu, um die Toolnutzung einzuschränken (z.B. "You have a limited action budget of <n> tool calls. Use them efficiently.").

Checkliste für die Migration

Die folgenden Checklisten dienen als Kurzübersicht für die Migration von früheren Modellversionen:

Von Gemini 3.1 Pro (Vorabversion) zu Gemini 4 Argon

  • Aktualisieren Sie den Modellnamen: gemini-3.1-pro-preview → gemini-4-argon (oder gemini-4-argon-cyber-permissive für von Fairwind genehmigte Cybersecurity-Arbeitslasten) und führen Sie ein Upgrade auf das neueste Google Gen AI SDK (google-genai >= 2.30.1 für Python) durch.
  • Berücksichtigen Sie das einheitliche Limit von 1.048.576 Tokens für Eingabe und Ausgabe (wobei die Ausgabe Thinking, Funktionsaufrufe und die endgültige Antwort umfasst) und das Limit von 65.536 Tokens für die Ausgabe einer einzelnen Anfrage (32.768 Tokens für nicht-streamingbasierte direkte HTTP-Aufrufe). Konfigurieren Sie für Single-Turn-Ausgaben mit bis zu 1.048.576 Tokens lange Decodierungen für GenerateContent. Dies wird im Google Gen AI SDK automatisch verarbeitet, wenn max_output_tokens auf einen Wert größer als 65.536 festgelegt ist, oder mit continuation_token in benutzerdefinierten Schleifen.
  • Ersetzen Sie thinking_budget und thinking_level="MINIMAL" (beide geben einen HTTP-400-Fehler zurück) durch thinking_level, wobei LOW, MEDIUM (Standardeinstellung für gemini-4-argon) oder HIGH (Standardeinstellung für gemini-4-argon-cyber-permissive) festgelegt ist.
  • Entfernen Sie explizite cached_content-Aufrufe und platzieren Sie statische Prompt-Präfixe (6.144 Tokens oder mehr) am Anfang von Prompts,um automatisches implizites Caching zu ermöglichen.
  • Entfernen Sie temperature, top_p, top_k, frequency_penalty, presence_penalty, candidate_count und vorausgefüllte model-Turns.
  • Ausführliche Informationen finden Sie unter Von Gemini 3.1 Pro migrieren und im Entwicklerhandbuch zu Gemini 4 Argon.

Von Gemini 3 Flash (Vorabversion)

  • Modellname aktualisieren: gemini-3-flash-preview → gemini-3.5-flash.
  • Preise prüfen. 3.5 Flash ist teurer als die Vorabversion von Gemini 3 Flash.
  • Entfernen Sie temperature, top_p und top_k aus Ihrer Konfiguration.
  • Ersetzen Sie thinking_budget durch thinking_level.
  • Testen Sie Ihre Prompts. Standardaufwand von high in medium geändert.
  • Die Fortführung der Logikschritte ist jetzt standardmäßig aktiviert. Der Kontext der Argumentation wird über mehrere Runden hinweg beibehalten.
  • Reduzieren Sie unnötige Toolaufrufe, indem Sie die Denkstufe anpassen oder Systemanweisungen hinzufügen.
  • Sycophancy reduzieren: Wenn gemini-3.5-flash Anzeichen von Sycophancy zeigt, können Sie versuchen, dieses Verhalten über die Systemanweisungen zu reduzieren, indem Sie Folgendes hinzufügen: - Keep your responses concise. - Provide a summary of your work when you end your turn. Ground your response in the work you did. Keep your tone professional and avoid overconfident language, bragging, or overclaiming success. - AVOID using superlatives such as "perfectly", "flawlessly", "100% correct", "Summary of Accomplishments" etc. to summarize your work for the user. Be humble. - AVOID over-the-top politeness or complimenting the user excessively. - Format your responses in github-style markdown.

Von Gemini 2.5

  • PDF- und Dokumentarbeitslasten testen Der Tokenverbrauch für PDFs kann steigen.
  • Prompts vereinfachen Versuchen Sie es mit thinking_level: "medium" oder "high" mit einfacheren Prompts anstelle von komplexen Chain-of-Thought-Prompts.
  • Kombinierte Toolnutzung (Suche, URL-Kontext, Codeausführung, Funktionen)
  • Multimodale Inhalte in Funktionsantwortteile verschieben.
  • Hängen Sie Inline-Anweisungen an den Antworttext der Funktion an.

Modellleistung verbessern

Beachten Sie bei der Migration die folgenden Tipps, um die bestmögliche Leistung Ihres ausgewählten Gemini-Modells zu erzielen:

  • Für alle Gemini 3-Modelle sind die Stichprobenparameter (temperature, top_p und top_k) verworfen. Das Modell verwaltet seine eigene Stichprobenerhebung, um optimale Ergebnisse zu erzielen. Google empfiehlt, diese Parameter aus allen Anfragen zu entfernen.
  • Prüfen Sie Ihre Systemanweisungen, Prompts und Few-Shot-Learning-Beispiele auf Inkonsistenzen, Widersprüche oder irrelevante Anweisungen und Beispiele.
  • Leistungsstärkeres Modell testen Wenn Sie beispielsweise ein Flash-Lite-Modell bewertet haben, versuchen Sie es stattdessen mit einem Flash- oder Pro-Modell.
  • Prüfen Sie die Ergebnisse der automatischen Bewertung, um sicherzustellen, dass sie mit der menschlichen Beurteilung übereinstimmen, insbesondere bei Ergebnissen, die ein Beurteilungsmodell verwenden. Achten Sie darauf, dass die Anweisungen für das Beurteilungsmodell klar, konsistent und eindeutig sind.
  • Wenn Sie die Anweisungen für das Judge-Modell verbessern möchten, testen Sie die Anweisungen mit mehreren Personen, die unabhängig voneinander arbeiten. Wenn Menschen die Anweisungen unterschiedlich interpretieren und unterschiedliche Bewertungen abgeben, sind die Anweisungen für das Judge-Modell unklar.
  • Modell-Feinabstimmung
  • Untersuchen Sie die Bewertungsausgaben auf Muster, die auf bestimmte Arten von Fehlern hinweisen. Wenn Sie Fehler nach Modell, Typ oder Kategorie gruppieren, erhalten Sie gezieltere Bewertungsdaten. So können Sie Prompts leichter anpassen, um diese Fehler zu beheben.
  • Achten Sie darauf, verschiedene Komponenten der generativen KI unabhängig voneinander zu bewerten.
  • Experimentieren Sie mit der Anpassung der Token-Sampling-Parameter.

Hilfe

Wenn Sie Unterstützung benötigen, bietet Google Cloud Supportpakete für Ihre Anforderungen, etwa Rund-um-die-Uhr-Verfügbarkeit, Telefonsupport und Kontakt mit einem technischen Supportmanager. Weitere Informationen finden Sie unter Google Cloud Support.

Nächste Schritte

Anleitung

In diesem Lab lernen Sie die Grundlagen der Verwendung des Google Gen AI SDK, um mit der Agent Platform Anfragen an Gemini-Modelle zu senden.

Übersicht

Liste der in der Agent Platform verfügbaren Google-Modelle, z. B. Gemini, Gemma und Veo.

Übersicht

Liste der von Google-Partnern entwickelten Modelle, die in der Agent Platform verfügbar sind, z. B. Claude und Mistral.

Übersicht

Übersicht über die Verwendung offener Modelle wie Gemma, Llama, DeepSeek und mehr in der Agent Platform.

Ressource

Häufig gestellte Fragen zur Verwendung von Gemini mit der Agent Platform.