Kuota dan batas sistem AI Generatif di Vertex AI

Halaman ini menyediakan daftar kuota menurut region dan model, serta menunjukkan cara melihat dan mengedit kuota di konsol Google Cloud .

Kuota model yang disesuaikan

Inferensi model yang disesuaikan memiliki kuota yang sama dengan model dasar. Tidak ada kuota terpisah untuk inferensi model yang di-tune.

Batas penyematan teks

Setiap permintaan dapat memiliki hingga 250 teks input (membuat 1 penyematan per teks input) dan 20.000 token per permintaan. Hanya 2.048 token pertama dalam setiap teks input yang digunakan untuk menghitung sematan. Untuk gemini-embedding-001, kuota tercantum di bagian nama gemini-embedding.

Token input konten sematan per menit per model dasar

Tidak seperti model penyematan sebelumnya yang terutama dibatasi oleh kuota RPM, kuota untuk model Penyematan Gemini membatasi jumlah token yang dapat dikirim per menit per project.

Kuota Nilai
Menyematkan token input konten per menit 5.000.000

Kuota Vertex AI Agent Engine

Kuota berikut berlaku untuk Vertex AI Agent Engine untuk project tertentu di setiap region:
Deskripsi Kuota Metrik
Membuat, menghapus, atau memperbarui resource Vertex AI Agent Engine per menit 10 aiplatform.googleapis.com/reasoning_engine_service_write_requests
Membuat, menghapus, atau memperbarui sesi Vertex AI Agent Engine per menit 100 aiplatform.googleapis.com/session_write_requests
Query atau StreamQuery Vertex AI Agent Engine per menit 90 aiplatform.googleapis.com/reasoning_engine_service_query_requests
Menambahkan peristiwa ke sesi Vertex AI Agent Engine per menit 300 aiplatform.googleapis.com/session_event_append_requests
Jumlah maksimum resource Vertex AI Agent Engine 100 aiplatform.googleapis.com/reasoning_engine_service_entities
Membuat, menghapus, atau memperbarui resource memori Vertex AI Agent Engine per menit 100 aiplatform.googleapis.com/memory_bank_write_requests
Mendapatkan, mencantumkan, atau mengambil dari Bank Memori Vertex AI Agent Engine per menit 300 aiplatform.googleapis.com/memory_bank_read_requests
Permintaan eksekusi per menit di lingkungan Sandbox (Eksekusi Kode) 1000 aiplatform.googleapis.com/sandbox_environment_execute_requests
Entitas lingkungan sandbox (Eksekusi Kode) per wilayah 1000 aiplatform.googleapis.com/sandbox_environment_entities
Permintaan postingan Agen A2A seperti sendMessage dan cancelTaskper menit 60 aiplatform.googleapis.com/a2a_agent_post_requests
Permintaan get Agen A2A seperti getTask dan getCard per menit 600 aiplatform.googleapis.com/a2a_agent_get_requests
Koneksi dua arah live serentak menggunakan BidiStreamQuery API per menit 10 aiplatform.googleapis.com/reasoning_engine_service_concurrent_query_requests

Prediksi batch

Kuota dan batas untuk tugas inferensi batch sama di semua region.

Batas tugas inferensi batch serentak untuk model Gemini

Tidak ada batas kuota yang telah ditentukan sebelumnya pada inferensi batch untuk model Gemini. Sebagai gantinya, layanan batch menyediakan akses ke kumpulan besar resource bersama, yang dialokasikan secara dinamis berdasarkan ketersediaan dan permintaan model secara real-time di semua pelanggan untuk model tersebut. Jika lebih banyak pelanggan yang aktif dan memenuhi kapasitas model, permintaan batch Anda mungkin diantrekan untuk kapasitas.

Kuota tugas inferensi batch serentak untuk model non-Gemini

Tabel berikut mencantumkan kuota untuk jumlah tugas inferensi batch serentak, yang tidak berlaku untuk model Gemini:
Kuota Nilai
aiplatform.googleapis.com/textembedding_gecko_concurrent_batch_prediction_jobs 4
Jika jumlah tugas yang dikirimkan melebihi kuota yang dialokasikan, tugas akan ditempatkan dalam antrean dan diproses saat kapasitas kuota tersedia.

Melihat dan mengedit kuota di konsol Google Cloud

Untuk melihat dan mengedit kuota di konsol Google Cloud , lakukan hal berikut:
  1. Buka halaman Quotas and System Limits.

    2. Buka Quotas and System Limits

  2. Untuk menyesuaikan kuota, salin dan tempel properti aiplatform.googleapis.com/textembedding_gecko_concurrent_batch_prediction_jobs di Filter. Tekan Enter.
  3. Klik tiga titik di akhir baris, lalu pilih Edit kuota.
  4. Masukkan nilai kuota baru di panel, lalu klik Kirim permintaan.

Mesin RAG Vertex AI

Untuk setiap layanan yang melakukan retrieval-augmented generation (RAG) menggunakan RAG Engine, kuota berikut berlaku, dengan kuota diukur sebagai permintaan per menit (RPM).
Layanan Kuota Metrik
API pengelolaan data RAG Engine 60 RPM VertexRagDataService requests per minute per region
RetrievalContexts API 600 RPM VertexRagService retrieve requests per minute per region
base_model: textembedding-gecko 1.500 RPM Online prediction requests per base model per minute per region per base_model

Filter tambahan yang dapat Anda tentukan adalah base_model: textembedding-gecko
Batasan berikut berlaku:
Layanan Batas Metrik
Permintaan ImportRagFiles serentak 3 RPM VertexRagService concurrent import requests per region
Jumlah maksimum file per permintaan ImportRagFiles 10.000 VertexRagService import rag files requests per region

Untuk mengetahui batas kapasitas dan kuota lainnya, lihat Batas kapasitas AI Generatif di Vertex AI.

Layanan evaluasi AI generatif

Layanan evaluasi AI generatif menggunakan Gemini 2.5 Flash sebagai model penilai default untuk metrik berbasis model. Satu permintaan evaluasi untuk metrik berbasis model dapat menghasilkan beberapa permintaan pokok ke layanan evaluasi AI generatif. Konsumsi setiap model dihitung di tingkat organisasi, yang berarti bahwa setiap permintaan yang ditujukan ke model penilaian untuk inferensi model dan evaluasi berbasis model berkontribusi pada konsumsi model. Kuota untuk layanan evaluasi AI generatif dan model penilaian yang mendasarinya ditampilkan dalam tabel berikut:
Kuota permintaan Kuota default
Permintaan layanan evaluasi AI generatif per menit 1.000 permintaan per project per region
Throughput Gemini Bergantung pada model dan opsi konsumsi
Menjalankan evaluasi serentak 20 eksekusi evaluasi serentak per project per region

Jika Anda menerima error terkait kuota saat menggunakan layanan evaluasi AI Generatif, Anda mungkin perlu mengajukan permintaan penambahan kuota. Lihat Melihat dan mengelola kuota untuk mengetahui informasi selengkapnya.

Batas Nilai
Waktu tunggu permintaan layanan evaluasi AI generatif habis 60 detik

Saat menggunakan layanan evaluasi AI generatif untuk pertama kalinya dalam project baru, Anda mungkin mengalami penundaan penyiapan awal hingga dua menit. Jika permintaan pertama Anda gagal, tunggu beberapa menit lalu coba lagi. Permintaan evaluasi berikutnya biasanya selesai dalam waktu 60 detik.

Jumlah maksimum token input dan output untuk metrik berbasis model bergantung pada model yang digunakan sebagai model penilai. Lihat Model Google untuk mengetahui daftar model.

Kuota Vertex AI Pipelines

Setiap tugas penyesuaian menggunakan Vertex AI Pipelines. Untuk mengetahui informasi selengkapnya, lihat Kuota dan batas Vertex AI Pipelines.

Langkah berikutnya