开始使用 Gemini 3

Gemini 3 是我们迄今为止最智能的模型系列，建立在先进的推理技术基础上。它旨在通过掌握代理工作流、自主编码和复杂的多模态任务，将任何想法变为现实。

本指南提供了一条整合的实用途径，可帮助您开始使用 Vertex AI 上的 Gemini 3，并重点介绍 Gemini 3 的主要功能和最佳实践。

快速入门

在开始之前，您必须使用 API 密钥或应用默认凭证 (ADC) 向 Vertex AI 进行身份验证。如需了解详情，请参阅身份验证方法。

安装 Google Gen AI SDK

Gemini 3 API 功能需要使用 Gen AI SDK for Python 1.51.0 版或更高版本。

pip install --upgrade google-genai

设置环境变量以将 Gen AI SDK 与 Vertex AI 搭配使用

将 GOOGLE_CLOUD_PROJECT 值替换为您的 Google Cloud 项目 ID。Gemini 3 Pro 预览版模型 gemini-3-pro-preview 和 Gemini 3 Flash 预览版模型 gemini-3-flash-preview 仅在全球端点上提供：

export GOOGLE_CLOUD_PROJECT=GOOGLE_CLOUD_PROJECT
export GOOGLE_CLOUD_LOCATION=global
export GOOGLE_GENAI_USE_VERTEXAI=True

提交第一个请求

默认情况下，Gemini 3 Pro 和 Gemini 3 Flash 使用动态思考来对提示进行推理。如果不需要复杂的推理，您可以限制模型的 thinking_level，以获得更快、延迟更低的回答。低思考非常适合速度为先的高吞吐量任务。

如需获得低延迟的快速响应：

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
   model="gemini-3-pro-preview",
   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)

尝试复杂的推理任务

Gemini 3 在高级推理方面表现出色。对于多步规划、经过验证的代码生成或深度工具使用等复杂任务，请使用高思维水平。对于之前需要使用专业推理模型的任务，请使用这些配置。

如需进行速度较慢的高推理任务：

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-pro-preview",
  contents=prompt,
  config=types.GenerateContentConfig(
      thinking_config=types.ThinkingConfig(
          thinking_level=types.ThinkingLevel.HIGH # Dynamic thinking for high reasoning tasks
      )
  ),
)
print(response.text)

其他思考等级

Gemini 3 Flash 引入了两个新的思考等级：MINIMAL 和 MEDIUM，让您能够更好地控制模型处理复杂推理任务的方式。

MINIMAL 为针对吞吐量（而非推理）优化的任务提供接近于零的思考预算选项。MEDIUM 可均衡速度和推理，既能提供一定的推理能力，又能优先处理低延迟操作。

新的 API 功能

Gemini 3 引入了强大的 API 增强功能和新参数，旨在让开发者精细控制性能（延迟时间、费用）、模型行为和多模态保真度。

下表总结了可用的核心新功能和参数，并提供了指向其详细文档的直接链接：

新功能/API 变更	文档
模型：`gemini-3-pro-preview`	模型卡片 Model Garden
思考等级	思考型
媒体分辨率	图片理解视频理解音频理解文档理解
思考签名	思考签名
温度	API 参考文档
多模态函数响应	函数调用：多模态函数响应
流式函数调用	函数调用：流式函数调用

思考等级

借助 thinking_level 参数，您可以为模型生成回答指定思考预算。通过在两种状态中进行选择，您可以明确在回答质量、推理复杂程度、延迟时间和成本之间进行权衡取舍。

MINIMAL：（仅限 Gemini 3 Flash）限制模型最大限度地少用 token 进行思考，最适合不会受益于大量推理的低复杂程度任务。MINIMAL 的思考预算尽可能接近于零，但仍需要思考签名。
LOW：限制模型使用较少的 token 进行思考，适合不需要进行大量推理的简单任务。LOW 非常适合需要快速处理的高吞吐量任务。
MEDIUM：（仅限 Gemini 3 Flash）提供了一种均衡方法，适合中等复杂程度的任务，这些任务可以从推理中受益，但不需要进行深入的多步规划。该级别提供的推理能力比 LOW 强，而延迟时间比 HIGH 低。
HIGH：允许模型使用更多的 token 进行思考，适合需要深度推理的复杂提示，例如多步规划、经过验证的代码生成或高级函数调用场景。这是 Gemini 3 Pro 和 Gemini 3 Flash 使用的默认级别。当处理您之前可能依赖专用推理模型来完成的任务时，请使用此配置。

Gen AI SDK 示例

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
   model="gemini-3-pro-preview",
   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)

OpenAI 兼容性示例

对于使用 OpenAI 兼容层的用户，标准参数会自动映射到 Gemini 3 等效参数：

reasoning_effort 映射到 thinking_level。
none：映射到 thinking_level minimal（仅限 Gemini 3 Flash）。
medium：对于 Gemini 3 Flash，映射到 thinking_level medium；对于 Gemini 3 Pro，映射到 thinking_level high。

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-pro-preview",
    reasoning_effort="medium", # Map to thinking_level high.
    messages=[{"role": "user", "content": prompt}],
)

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

媒体分辨率

Gemini 3 引入了使用 media_resolution 参数对多模态视觉处理进行精细控制的功能。分辨率越高，模型读取细小文字或识别细微细节的能力就越强，但会增加 token 用量和延迟时间。media_resolution 参数用于确定为每个输入图片、PDF 页面或视频帧分配的 token 数量上限。

您可以在全局（使用 generation_config）或针对单独的媒体部分将分辨率设置为 low、medium 或 high。ultra_high 分辨率只能针对单独的媒体部分进行设置。如果未指定，模型会根据媒体类型使用最佳默认值。

token 数量

下表总结了每个 media_resolution 值和媒体类型对应的大致 token 数量。

媒体分辨率	图片	视频	PDF
`UNSPECIFIED`（默认）	1120	70	560
`LOW`	280	70	280 + 文本
`MEDIUM`	560	70	560 + 文本
`HIGH`	1120	280	1120 + 文本
`ULTRA_HIGH`	2240	不适用	不适用

建议的设置

媒体分辨率	最大token数	使用指南
`ultra_high`	2240	需要分析图片中的细微细节的任务，例如处理屏幕录制静帧或高分辨率照片。
`high`	1120	图片分析任务，以确保最高质量。
`medium`	560
`low`	图片：280；视频：70	足以应对大多数任务。注意：对于视频，`low` 每个帧最多为 70 个token。

为每个单独的部分设置 `media_resolution`

您可以为每个媒体部分单独设置 media_resolution：

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
  model="gemini-3-pro-preview",
  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)

全局设置 `media_resolution`

您还可以全局设置 media_resolution（使用 GenerateContentConfig）：

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
  model="gemini-3-pro-preview",
  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)

思考签名

思考签名是加密 token，可在多轮对话期间（尤其是在使用函数调用时）保留模型的推理状态。

当思考模型决定调用外部工具时，它会暂停其内部推理过程。思考签名充当“保存状态”，让模型在您提供函数结果后能够无缝恢复其思维链。

如需了解详情，请参阅思考签名。

为什么思考签名很重要？

如果没有思路签名，模型会在工具执行阶段“忘记”其具体的推理步骤。传回签名可确保：

上下文连续性：模型会保留调用工具的原因。
复杂推理：支持多步骤任务，其中一个工具的输出会为下一个工具的推理提供信息。

思考签名在何处返回？

Gemini 3 Pro 和 Gemini 3 Flash 对最初在 Gemini 2.5 中引入的思考签名强制执行更严格的验证和更新后的处理方式。为确保模型在多轮对话中保持上下文，您必须在后续请求中返回思考特征。

包含函数调用的模型响应始终会返回思考签名，即使在使用 MINIMAL 思考等级时也是如此。
如果存在并行函数调用，模型回答返回的第一个函数调用部分将包含思考签名。
如果存在连续的函数调用（多步），每个函数调用都会有一个签名，并且客户端应将签名传递回
不包含函数调用的模型响应会在模型返回的最后一部分中返回思考签名。

如何处理思考签名？

您可以通过两种主要方式处理思考签名：自动处理（使用 Gen AI SDK 或 OpenAI API），或者手动处理（如果您直接与 API 互动）。

自动处理（推荐）

如果您使用的是 Google Gen AI SDK（Python、Node.js、Go、Java）或 OpenAI Chat Completions API，并且利用标准对话历史记录功能或附加完整的模型响应，系统会自动处理 thought_signatures。您无需对代码进行任何更改。

手动函数调用示例

使用生成式 AI SDK 时，系统会自动处理思考签名，方法是在后续模型请求中附加完整的模型响应：

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-pro-preview",
   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="tool",
        parts=[
            types.Part.from_function_response(
                name=function_call.name,
                response=function_response_data,
            )
        ],
    )
]

response_2 = client.models.generate_content(
   model="gemini-3-pro-preview",
   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}")

自动函数调用示例

在自动函数调用中使用 Gen AI SDK 时，系统会自动处理思考特征：


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-pro-preview",
    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

OpenAI 兼容性示例

使用 OpenAI Chat Completions API 时，系统会自动处理思考签名，方法是在后续模型请求中附加完整的模型响应：

...
# 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": "tool",
        "tool_call_id": tool_call_1.id,
        "content": json.dumps(result_1),
    }
)

response2 = client.chat.completions.create(
    model="gemini-3-pro-preview",
    messages=messages,
    tools=tools,
    extra_body={
        "extra_body": {
            "google": {
                "thinking_config": {
                    "include_thoughts": True,
                },
            },
        },
    },
)

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

请参阅完整的代码示例。

手动处理

如果您直接与 API 互动或管理原始 JSON 载荷，则必须正确处理模型响应中包含的 thought_signature。

在发送对话历史记录时，您必须在收到签名时所在的精确位置返回该签名。

如果未返回正确的签名，Gemini 3 将返回 400 错误“<Function Call> 在 <index of contents array> 内容块中缺少 thought_signature”。

多模态函数响应

多模态函数调用功能可让用户获得包含多模态对象的函数响应，从而更好地利用模型的函数调用功能。标准函数调用仅支持基于文本的函数响应：

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-pro-preview",
    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="tool",
    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-pro-preview",
  contents=history,
  config=types.GenerateContentConfig(
      tools=[tool_config],
      thinking_config=types.ThinkingConfig(include_thoughts=True)
  ),
)

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

流式函数调用

您可以使用流式传输部分函数调用参数来改善工具使用方面的流式传输体验。您可以通过将 stream_function_call_arguments 明确设置为 true 来启用此功能：

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-pro-preview",
   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}")

模型响应示例：

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

温度

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

对于 Gemini 3，强烈建议将 temperature 参数保留为默认值 1.0。

虽然之前的模型通常可以通过调整温度来控制创意与确定性，但 Gemini 3 的推理能力已针对默认设置进行了优化。

更改温度（将其设置为低于 1.0）可能会导致意外行为（例如循环或性能下降），尤其是在复杂的数学或推理任务中。

支持的功能

Gemini 3 模型还支持以下功能：

提示最佳实践

Gemini 3 是一种推理模型，因此您需要改变提示方式。

精确的指令：输入提示应简洁明了。Gemini 3 最适合回答直接、清晰的指令。它可能会过度分析用于旧模型的冗长或过于复杂的提示工程技术。
输出详细程度：默认情况下，Gemini 3 的输出详细程度较低，更倾向于提供直接、高效的答案。如果您的应用场景需要更口语化或更“健谈”的角色设定，您必须在提示中明确引导模型（例如，“以友好健谈的助理身份解释此内容”）。
建立依据：对于需要建立依据的应用场景，我们建议使用以下开发者说明： 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.
使用 Google 搜索工具：使用 Google 搜索工具时，Gemini 3 Flash 有时可能会将当前日期/时间误认为是 2024 年的事件。这可能会导致模型生成错误年份的搜索查询。为确保模型使用正确的时期，请在 system instructions 中明确强调当前日期：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.
知识截点：对于某些查询，明确告知 Gemini 3 Flash 其知识截点会带来更好的效果。如果 Google 搜索工具处于停用状态，并且查询明确要求模型能够识别参数化知识中的截点数据，就会出现这种情况。建议：向 system instructions 添加以下子句：Your knowledge cutoff date is January 2025.
使用 media_resolution：使用 media_resolution 参数来控制模型用于表示图片或视频帧的 token 数量上限。高分辨率可让模型捕捉图片中的细节，但每个帧可能会使用更多 token；而较低的分辨率可为视觉细节较少的图片优化成本和延迟时间。
改进视频分析：对于需要精细时间分析（例如快速动作理解或高速动作跟踪）的视频，请使用更高的每秒帧数 (FPS) 采样率。

迁移注意事项

迁移时，请考虑以下功能和限制：

思考等级：Gemini 3 模型使用 thinking_level 参数控制模型执行的内部推理量（低或高），并均衡回答质量、推理复杂程度、延迟时间和成本。
温度设置：如果现有代码明确设置了 temperature（尤其是设置为较低值以实现确定性输出），建议移除此参数并使用 Gemini 3 的默认值 1.0，以避免在处理复杂任务时出现潜在的循环问题或性能下降。
思考签名：对于 Gemini 3 Pro 模型，如果某个对话轮次需要思考签名但未提供，模型会返回错误，而不是警告。
媒体分辨率和词元化：Gemini 3 模型使用可变序列长度进行媒体词元化，而不是平移和扫描，并且为图片、PDF 和视频设置了新的默认分辨率和 token 成本。
多模态输入的 token 计数：多模态输入（图片、视频、音频）的 token 数量是根据所选 media_resolution 估算的。因此，count_tokens API 调用的结果可能与最终消耗的 token 数不一致。用于计费的准确用量仅在执行后通过回答的 usage_metadata 提供。
token 消耗：迁移到 Gemini 3 默认设置可能会增加图片和 PDF 的 token 使用量，但会减少视频的 token 使用量。如果请求现在因默认分辨率较高而超出上下文窗口，建议明确降低媒体分辨率。
PDF 和文档理解：PDF 的默认 OCR 分辨率已更改。如果您之前依赖特定行为进行密集文档解析，请测试新的 media_resolution: "high" 设置，以确保准确率不受影响。对于 Gemini 3 模型，usage_metadata 中的 PDF token 数量会报告计入 IMAGE 模态，而不是 DOCUMENT 模态。
图像分割：Gemini 3 模型不支持图像分割。对于需要内置图像分割功能的工作负载，建议继续使用 Gemini 2.5 Flash 并关闭思考功能。
多模态函数响应：对于 Gemini 3 模型，您可以在函数响应中包含图片和 PDF 数据。

常见问题解答

Gemini 3 Pro 的知识截点是什么？Gemini 3 的知识截点为 2025 年 1 月。
Google Cloud 上提供 gemini-3-pro-preview 的区域有哪些？全球。
上下文窗口有哪些限制？Gemini 3 模型支持 100 万个 token 输入的上下文窗口，以及支持最多 64,000 个 token 输出。
gemini-3-pro-preview 是否支持图片输出？不支持。
gemini-3-pro-preview 是否支持 Gemini Live API？不支持。

后续步骤

详细了解 Gemini 3 Pro。
不妨试试 Gemini 3 Pro 简介笔记本教程。
了解函数调用。
了解思考。

开始使用 Gemini 3 使用集合让一切井井有条 根据您的偏好保存内容并对其进行分类。

快速入门

安装 Google Gen AI SDK

提交第一个请求

尝试复杂的推理任务

其他思考等级

新的 API 功能

思考等级

Gen AI SDK 示例

OpenAI 兼容性示例

媒体分辨率

token 数量

建议的设置

为每个单独的部分设置 media_resolution

全局设置 media_resolution

思考签名

为什么思考签名很重要？

思考签名在何处返回？

如何处理思考签名？

自动处理（推荐）

手动函数调用示例

自动函数调用示例

OpenAI 兼容性示例

手动处理

多模态函数响应

流式函数调用

温度

支持的功能

提示最佳实践

迁移注意事项

常见问题解答

后续步骤

开始使用 Gemini 3

为每个单独的部分设置 `media_resolution`

全局设置 `media_resolution`