Halaman ini diterjemahkan oleh Cloud Translation API.

Mulai menggunakan Gemini 3

Pratinjau

Produk atau fitur ini tunduk pada "Persyaratan Penawaran Pra-GA" di bagian Persyaratan Layanan Umum di Persyaratan Spesifik per Layanan, dan Persyaratan Tambahan untuk Produk Pratinjau AI Generatif. Anda dapat memproses data pribadi untuk produk atau fitur ini sebagaimana diuraikan dalam Adendum Pemrosesan Data Cloud, dengan tunduk pada kewajiban dan batasan yang dijelaskan dalam perjanjian yang menjadi dasar Anda mengakses Google Cloud. Produk dan fitur pra-GA tersedia "sebagaimana adanya" dan mungkin memiliki dukungan terbatas. Untuk mengetahui informasi selengkapnya, lihat deskripsi tahap peluncuran.

Gemini 3 adalah lini model kami yang paling cerdas hingga saat ini, yang dibangun berdasarkan penalaran canggih. Gemini dirancang untuk mewujudkan ide apa pun dengan menguasai alur kerja agentic, coding otonom, dan tugas multimodal yang kompleks.

Panduan ini memberikan jalur praktis dan terpadu untuk mulai menggunakan Gemini 3 di Vertex AI, yang menyoroti fitur utama dan praktik terbaik Gemini 3.

Panduan Memulai

Sebelum memulai, Anda harus melakukan autentikasi ke Vertex AI menggunakan kunci API atau kredensial default aplikasi (ADC). Lihat metode autentikasi untuk mengetahui informasi selengkapnya.

Menginstal Google Gen AI SDK

Fitur Gemini 3 API memerlukan Gen AI SDK for Python versi 1.51.0 atau yang lebih baru.

pip install --upgrade google-genai

Tetapkan variabel lingkungan untuk menggunakan Gen AI SDK dengan Vertex AI

Ganti nilai GOOGLE_CLOUD_PROJECT dengan Google Cloud Project ID Anda. Model Pratinjau Gemini 3 Pro gemini-3-pro-preview dan model Pratinjau Gemini 3 Flash gemini-3-flash-preview hanya tersedia di endpoint global:

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

Membuat permintaan pertama Anda

Secara default, Gemini 3 Pro dan Gemini 3 Flash menggunakan penalaran dinamis untuk memproses perintah. Untuk respons yang lebih cepat dan latensi yang lebih rendah saat penalaran yang kompleks tidak diperlukan, Anda dapat membatasi thinking_level model. Pemikiran rendah ideal untuk tugas dengan throughput tinggi yang mengutamakan kecepatan.

Untuk respons cepat dengan latensi rendah:

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)

Mencoba tugas penalaran yang kompleks

Gemini 3 unggul dalam penalaran tingkat lanjut. Untuk tugas kompleks seperti perencanaan multi-langkah, pembuatan kode terverifikasi, atau penggunaan alat yang mendalam, gunakan tingkat pemikiran tinggi. Gunakan konfigurasi ini untuk tugas yang sebelumnya memerlukan model penalaran khusus.

Untuk tugas yang lebih lambat dan membutuhkan penalaran tinggi:

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)

Tingkat pemikiran lainnya

Gemini 3 Flash memperkenalkan dua tingkat pemikiran baru: MINIMAL dan MEDIUM untuk memberi Anda kontrol yang lebih besar atas cara model menangani tugas penalaran yang kompleks.

MINIMAL menawarkan opsi anggaran penalaran yang mendekati nol untuk tugas yang dioptimalkan untuk throughput, bukan penalaran. MEDIUM memungkinkan keseimbangan antara kecepatan dan penalaran yang memungkinkan beberapa kemampuan penalaran, tetapi tetap memprioritaskan operasi latensi rendah.

Fitur API baru

Gemini 3 memperkenalkan peningkatan API yang canggih dan parameter baru yang didesain untuk memberi developer kontrol terperinci atas performa (latensi, biaya), perilaku model, dan kualitas multimodal.

Tabel ini meringkas fitur dan parameter inti baru yang tersedia, beserta link langsung ke dokumentasi mendetailnya:

Fitur/Perubahan API Baru	Dokumentasi
Model: `gemini-3-pro-preview`	Kartu model Model Garden
Tingkat pemikiran	Berpikir
Resolusi media	Pemahaman gambar Pemahaman video Pemahaman audio Pemahaman dokumen
Tanda tangan pikiran	Tanda tangan pikiran
Temperatur	Referensi API
Respons fungsi multimodal	Panggilan fungsi: Respons fungsi multimodal
Panggilan fungsi streaming	Panggilan fungsi: Panggilan fungsi streaming

Tingkat pemikiran

Parameter thinking_level memungkinkan Anda menentukan anggaran penalaran untuk pembuatan respons model. Dengan memilih salah satu dari dua status, Anda dapat secara eksplisit menyeimbangkan kompromi antara kualitas respons dan kompleksitas penalaran serta latensi dan biaya.

MINIMAL: (Khusus Gemini 3 Flash) Membatasi model untuk menggunakan sesedikit mungkin token untuk berpikir dan paling baik digunakan untuk tugas dengan kompleksitas rendah yang tidak akan mendapatkan manfaat dari penalaran yang ekstensif. MINIMAL sedekat mungkin dengan anggaran nol untuk berpikir, tetapi tetap memerlukan tanda tangan pemikiran.
LOW: Membatasi model untuk menggunakan lebih sedikit token untuk penalaran dan cocok untuk tugas yang lebih sederhana yang tidak memerlukan penalaran ekstensif. LOW sangat ideal untuk tugas dengan throughput tinggi yang membutuhkan kecepatan.
MEDIUM: (Khusus Gemini 3 Flash) Menawarkan pendekatan seimbang yang cocok untuk tugas dengan kompleksitas sedang yang diuntungkan dari penalaran, tetapi tidak memerlukan perencanaan multi-langkah yang mendalam. Model ini memberikan kemampuan penalaran yang lebih baik daripada LOW sekaligus mempertahankan latensi yang lebih rendah daripada HIGH.
HIGH: Memungkinkan model menggunakan lebih banyak token untuk berpikir dan cocok untuk perintah kompleks yang memerlukan penalaran mendalam, seperti perencanaan multi-langkah, pembuatan kode terverifikasi, atau skenario panggilan fungsi lanjutan. Ini adalah level default untuk Gemini 3 Pro dan Gemini 3 Flash. Gunakan konfigurasi ini saat mengganti tugas yang sebelumnya mungkin mengandalkan model penalaran khusus.

Contoh Gen AI SDK

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)

Contoh kompatibilitas OpenAI

Untuk pengguna yang memanfaatkan lapisan kompatibilitas OpenAI, parameter standar akan dipetakan secara otomatis ke parameter yang setara dengan Gemini 3:

reasoning_effort dipetakan ke thinking_level.
none: dipetakan ke minimal thinking_level (khusus Gemini 3 Flash).
medium: dipetakan ke thinking_level sedang untuk Gemini 3 Flash, dan thinking_level tinggi untuk Gemini 3 Pro.

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)

Resolusi media

Gemini 3 memperkenalkan kontrol terperinci atas pemrosesan visi multimodal menggunakan parameter media_resolution. Resolusi yang lebih tinggi meningkatkan kemampuan model untuk membaca teks kecil atau mengidentifikasi detail kecil, tetapi meningkatkan penggunaan token dan latensi. Parameter media_resolution menentukan jumlah maksimum token yang dialokasikan per gambar input, halaman PDF, atau frame video.

Anda dapat menetapkan resolusi ke low, medium, atau high secara global (menggunakan generation_config) atau untuk setiap bagian media. Resolusi ultra_high hanya dapat ditetapkan untuk setiap bagian media. Jika tidak ditentukan, model akan menggunakan default optimal berdasarkan jenis media.

Jumlah token

Tabel ini merangkum perkiraan jumlah token untuk setiap nilai media_resolution dan jenis media.

Resolusi Media	Gambar	Video	PDF
`UNSPECIFIED` (Default)	1120	70	560
`LOW`	280	70	280 + Teks
`MEDIUM`	560	70	560 + Teks
`HIGH`	1120	280	1120 + Teks
`ULTRA_HIGH`	2240	T/A	T/A

Setelan yang direkomendasikan

Resolusi Media	Token Maksimal	Panduan Penggunaan
`ultra_high`	2240	Tugas yang memerlukan analisis detail halus dalam gambar, seperti memproses gambar diam rekaman layar atau foto beresolusi tinggi.
`high`	1120	Tugas analisis gambar untuk memastikan kualitas maksimum.
`medium`	560
`low`	Gambar: 280 Video: 70	Cukup untuk sebagian besar tugas. Catatan: Untuk Video, `low` adalah maksimum 70 token per frame.

Menetapkan `media_resolution` per bagian individual

Anda dapat menetapkan media_resolution per bagian media individual:

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)

Menetapkan `media_resolution` secara global

Anda juga dapat menetapkan media_resolution secara global (menggunakan 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)

Tanda tangan pemikiran

Tanda tangan pemikiran adalah token terenkripsi yang mempertahankan status penalaran model selama percakapan multi-giliran, khususnya saat menggunakan panggilan fungsi.

Saat model pemikiran memutuskan untuk memanggil alat eksternal, model tersebut akan menjeda proses penalaran internalnya. Tanda tangan pemikiran berfungsi sebagai "status penyimpanan", yang memungkinkan model melanjutkan rantai pemikirannya dengan lancar setelah Anda memberikan hasil fungsi.

Untuk mengetahui informasi selengkapnya, lihat Tanda tangan pikiran.

Mengapa tanda tangan pikiran penting?

Tanpa tanda tangan pemikiran, model "melupakan" langkah-langkah penalaran spesifiknya selama fase eksekusi alat. Mengirimkan kembali tanda tangan memastikan:

Kontinuitas konteks: Model mempertahankan alasan mengapa alat dipanggil.
Penalaran kompleks: Memungkinkan tugas multi-langkah di mana output dari satu alat menginformasikan penalaran untuk alat berikutnya.

Di mana tanda tangan pikiran ditampilkan?

Gemini 3 Pro dan Gemini 3 Flash menerapkan validasi yang lebih ketat dan penanganan yang diupdate pada tanda tangan pemikiran yang awalnya diperkenalkan di Gemini 2.5. Untuk memastikan model mempertahankan konteks di beberapa giliran percakapan, Anda harus menampilkan tanda tangan pemikiran dalam permintaan berikutnya.

Respons model dengan panggilan fungsi akan selalu menampilkan tanda tangan pemikiran, meskipun saat menggunakan tingkat pemikiran MINIMAL.
Jika ada panggilan fungsi paralel, bagian panggilan fungsi pertama yang ditampilkan oleh respons model akan memiliki tanda tangan pemikiran.
Jika ada panggilan fungsi berurutan (multi-langkah), setiap panggilan fungsi akan memiliki tanda tangan dan klien diharapkan untuk meneruskan tanda tangan kembali
Respons model tanpa panggilan fungsi akan menampilkan tanda tangan pemikiran di dalam bagian terakhir yang ditampilkan oleh model.

Bagaimana cara menangani tanda tangan pikiran?

Ada dua cara utama untuk menangani tanda pikiran: secara otomatis menggunakan SDK AI Generatif atau OpenAI API, atau secara manual jika Anda berinteraksi langsung dengan API.

Penanganan otomatis (direkomendasikan)

Jika Anda menggunakan Google Gen AI SDK (Python, Node.js, Go, Java) atau OpenAI Chat Completions API, dan memanfaatkan fitur histori chat standar atau menambahkan respons model lengkap, thought_signatures akan ditangani secara otomatis. Anda tidak perlu melakukan perubahan apa pun pada kode.

Contoh panggilan fungsi manual

Saat menggunakan Gen AI SDK, tanda tangan pemikiran ditangani secara otomatis dengan menambahkan respons model lengkap dalam permintaan model berurutan:

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}")

Contoh panggilan fungsi otomatis

Saat menggunakan Gen AI SDK dalam panggilan fungsi otomatis, tanda tangan pemikiran ditangani secara otomatis:


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

Contoh kompatibilitas OpenAI

Saat menggunakan OpenAI Chat Completions API, tanda tangan pemikiran ditangani secara otomatis dengan menambahkan respons model lengkap dalam permintaan model berurutan:

...
# 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)

Lihat contoh kode lengkap.

Penanganan manual

Jika Anda berinteraksi dengan API secara langsung atau mengelola payload JSON mentah, Anda harus menangani thought_signature yang disertakan dalam giliran model dengan benar.

Anda harus menampilkan tanda tangan ini di bagian yang sama persis dengan saat tanda tangan diterima saat mengirimkan kembali histori percakapan.

Jika tanda tangan yang tepat tidak ditampilkan, Gemini 3 akan menampilkan Error 400 "<Function Call> di blok konten <index of contents array> tidak memiliki thought_signature".

Respons fungsi multimodal

Panggilan fungsi multimodal memungkinkan pengguna mendapatkan respons fungsi yang berisi objek multimodal sehingga meningkatkan pemanfaatan kemampuan panggilan fungsi model. Panggilan fungsi standar hanya mendukung respons fungsi berbasis teks:

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}")

Panggilan fungsi streaming

Anda dapat menggunakan argumen panggilan fungsi parsial streaming untuk meningkatkan pengalaman streaming saat menggunakan alat. Fitur ini dapat diaktifkan dengan menetapkan stream_function_call_arguments ke true secara eksplisit:

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}")

Contoh respons model:

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

Temperatur

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

Untuk Gemini 3, sebaiknya pertahankan parameter temperature pada nilai defaultnya, yaitu 1.0.

Meskipun model sebelumnya sering kali diuntungkan dengan menyesuaikan temperatur untuk mengontrol kreativitas versus determinisme, kemampuan penalaran Gemini 3 dioptimalkan untuk setelan default.

Mengubah suhu (menetapkannya ke kurang dari 1.0) dapat menyebabkan perilaku yang tidak terduga, seperti perulangan atau penurunan performa, terutama dalam tugas matematika atau penalaran yang kompleks.

Fitur yang didukung

Model Gemini 3 juga mendukung fitur berikut:

Praktik terbaik perintah

Gemini 3 adalah model penalaran, yang mengubah cara Anda memberikan perintah.

Petunjuk yang presisi: Berikan perintah input yang ringkas. Gemini 3 merespons dengan baik petunjuk yang langsung dan jelas. Model ini dapat menganalisis secara berlebihan teknik pembuatan perintah yang panjang atau terlalu rumit yang digunakan untuk model lama.
Panjang output: Secara default, Gemini 3 tidak terlalu panjang dan lebih suka memberikan jawaban yang langsung dan efisien. Jika kasus penggunaan Anda memerlukan persona yang lebih komunikatif atau "ramah", Anda harus secara eksplisit mengarahkan model dalam perintah (misalnya, "Jelaskan ini sebagai asisten yang ramah dan suka berbicara").
Perujukan: Untuk kasus penggunaan perujukan, sebaiknya gunakan petunjuk developer berikut: 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.
Menggunakan alat Google Penelusuran: Saat menggunakan alat Google Penelusuran, Gemini 3 Flash terkadang mengacaukan tanggal/waktu saat ini dengan tanggal/waktu acara pada tahun 2024. Hal ini dapat menyebabkan model merumuskan kueri penelusuran untuk tahun yang salah. Untuk memastikan model menggunakan jangka waktu yang benar, perkuat secara eksplisit tanggal saat ini di 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.
Batas pengetahuan: Untuk kueri tertentu, Gemini 3 Flash akan lebih efektif jika diberi tahu batas pengetahuannya secara eksplisit. Hal ini terjadi saat alat Google Penelusuran dinonaktifkan dan kueri secara eksplisit mengharuskan model dapat mengidentifikasi data batas dalam pengetahuan parametrik. Rekomendasi: Menambahkan klausa berikut ke system instructions: Your knowledge cutoff date is January 2025.
Menggunakan media_resolution: Gunakan parameter media_resolution untuk mengontrol jumlah maksimum token yang digunakan model untuk merepresentasikan gambar atau frame dalam video. Resolusi tinggi akan memungkinkan model menangkap detail dalam gambar, dan dapat menggunakan lebih banyak token per frame, sementara resolusi rendah memungkinkan pengoptimalan biaya dan latensi untuk gambar dengan detail visual yang lebih sedikit.
Meningkatkan kualitas analisis video: Gunakan kecepatan pengambilan sampel Frame Per Detik (FPS) yang lebih tinggi untuk video yang memerlukan analisis temporal terperinci, seperti pemahaman tindakan cepat atau pelacakan gerakan berkecepatan tinggi.

Pertimbangan migrasi

Pertimbangkan fitur dan batasan berikut saat melakukan migrasi:

Tingkat penalaran: Model Gemini 3 menggunakan parameter thinking_level untuk mengontrol jumlah penalaran internal yang dilakukan model (rendah atau tinggi) dan untuk menyeimbangkan kualitas respons, kompleksitas penalaran, latensi, dan biaya.
Setelan suhu: Jika kode yang ada secara eksplisit menetapkan temperature (terutama ke nilai rendah untuk output deterministik), sebaiknya hapus parameter ini dan gunakan default Gemini 3 1.0 untuk menghindari potensi masalah perulangan atau penurunan performa pada tugas yang kompleks.
Tanda tangan pemikiran: Untuk model Gemini 3, jika tanda tangan pemikiran diharapkan dalam giliran, tetapi tidak diberikan, model akan menampilkan error, bukan peringatan.
Resolusi media dan tokenisasi: Model Gemini 3 menggunakan panjang urutan variabel untuk tokenisasi media, bukan Pan dan Scan, serta memiliki resolusi default dan biaya token baru untuk gambar, PDF, dan video.
Penghitungan token untuk input multimodal: Jumlah token untuk input multimodal (gambar, video, audio) adalah perkiraan berdasarkan media_resolution yang dipilih. Oleh karena itu, hasil dari panggilan API count_tokens mungkin tidak sesuai dengan token yang digunakan pada akhirnya. Penggunaan yang akurat untuk penagihan hanya tersedia setelah eksekusi dalam usage_metadata respons.
Penggunaan token: Bermigrasi ke default Gemini 3 dapat meningkatkan penggunaan token untuk gambar dan PDF, tetapi menurunkan penggunaan token untuk video. Jika permintaan kini melebihi jendela konteks karena resolusi default yang lebih tinggi, sebaiknya kurangi resolusi media secara eksplisit.
Pemahaman PDF & dokumen: Resolusi OCR default untuk PDF telah berubah. Jika Anda mengandalkan perilaku tertentu untuk penguraian dokumen padat, uji setelan media_resolution: "high" baru untuk memastikan akurasi berkelanjutan. Untuk model Gemini 3, jumlah token PDF di usage_metadata dilaporkan dalam modalitas IMAGE, bukan DOCUMENT.
Segmentasi gambar: Segmentasi gambar tidak didukung oleh model Gemini 3. Untuk beban kerja yang memerlukan segmentasi gambar bawaan, sebaiknya terus gunakan Gemini 2.5 Flash dengan fitur penalaran dinonaktifkan.
Respons fungsi multimodal: Untuk model Gemini 3, Anda dapat menyertakan data gambar dan PDF dalam respons fungsi.

FAQ

Berapa batas pengetahuan untuk Gemini 3 Pro? Gemini 3 memiliki batas pengetahuan hingga Januari 2025.
Region mana yang gemini-3-pro-preview tersedia di Google Cloud? Global.
Berapa batas jendela konteks? Model Gemini 3 mendukung jendela konteks input 1 juta token dan output hingga 64 ribu token.
Apakah gemini-3-pro-preview mendukung output gambar? Tidak.
Apakah gemini-3-pro-preview mendukung Gemini Live API? Tidak.

Langkah berikutnya

Pelajari lebih lanjut Gemini 3 Pro.
Pelajari praktik terbaik perintah dengan panduan perintah Gemini 3 kami.
Coba tutorial notebook Pengantar Gemini 3 Pro.
Pelajari Panggilan fungsi.
Pelajari Pemikiran.

Mulai menggunakan Gemini 3 Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

Panduan Memulai

Menginstal Google Gen AI SDK

Membuat permintaan pertama Anda

Mencoba tugas penalaran yang kompleks

Tingkat pemikiran lainnya

Fitur API baru

Tingkat pemikiran

Contoh Gen AI SDK

Contoh kompatibilitas OpenAI

Resolusi media

Jumlah token

Setelan yang direkomendasikan

Menetapkan media_resolution per bagian individual

Menetapkan media_resolution secara global

Tanda tangan pemikiran

Mengapa tanda tangan pikiran penting?

Di mana tanda tangan pikiran ditampilkan?

Bagaimana cara menangani tanda tangan pikiran?

Penanganan otomatis (direkomendasikan)

Contoh panggilan fungsi manual

Contoh panggilan fungsi otomatis

Contoh kompatibilitas OpenAI

Penanganan manual

Respons fungsi multimodal

Panggilan fungsi streaming

Temperatur

Fitur yang didukung

Praktik terbaik perintah

Pertimbangan migrasi

FAQ

Langkah berikutnya

Mulai menggunakan Gemini 3

Menetapkan `media_resolution` per bagian individual

Menetapkan `media_resolution` secara global