Gemini 3 시작하기

Gemini 3는 최첨단 추론을 기반으로 구축된, 현재까지 가장 지능적인 모델 제품군입니다. 이 모델은 에이전트형 워크플로, 자율 코딩, 복잡한 멀티모달 작업을 정교하게 처리하여 어떠한 아이디어든 실현할 수 있도록 설계되었습니다.

이 가이드에서는 Vertex AI에서 Gemini 3를 시작하기 위한 통합적이고 실용적인 경로를 제공하며, Gemini 3의 핵심 기능과 권장사항을 강조합니다.

빠른 시작

시작하기 전에 API 키 또는 애플리케이션 기본 사용자 인증 정보(ADC)를 사용해 Vertex AI에 인증해야 합니다. 자세한 내용은 인증 방법을 참조하세요.

Google 생성형 AI SDK 설치

Gemini 3 API 기능을 사용하려면 Python용 생성형 AI SDK 버전 1.51.0 이상이 필요합니다.

pip install --upgrade google-genai

Vertex AI에서 생성형 AI SDK를 사용하도록 환경 변수를 설정합니다.

GOOGLE_CLOUD_PROJECT 값을 Google Cloud 프로젝트 ID로 바꿉니다. Gemini 3 Pro 프리뷰 모델인 gemini-3-pro-preview는 글로벌 엔드포인트에서만 사용할 수 있습니다.

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

첫 번째 요청하기

기본적으로 Gemini 3 Pro는 동적 사고를 사용하여 프롬프트를 통해 추론합니다. 복잡한 추론이 필요하지 않은 경우 더 빠르고 지연 시간이 짧은 대답을 위해 모델의 thinking_level를 제한할 수 있습니다. 낮은 사고 수준은 속도가 최우선인 고처리량 작업에 적합하며, Gemini 2.5 Flash와 유사한 지연 시간으로 더 우수한 응답 품질을 제공합니다.

빠르고 지연 시간이 짧은 응답을 위해서는 다음을 수행하세요.

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)

복잡한 추론 작업 시도

Gemini 3는 고급 추론에서 뛰어난 성능을 보입니다. 다단계 계획, 검증된 코드 생성, 심층적인 도구 사용과 같은 복잡한 작업에는 높은 사고 수준을 사용하세요. 이 구성은 이전에는 전문적인 추론 모델이 필요했던 작업에 적합합니다.

더 느리지만 고급 추론이 필요한 작업의 경우 다음을 수행하세요.

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)

새로운 API 기능

Gemini 3는 개발자가 성능(지연 시간, 비용), 모델 동작, 멀티모달 충실도를 보다 세밀하게 제어할 수 있도록 설계된 강력한 API 개선사항과 새로운 파라미터를 제공합니다.

다음 표에서는 사용 가능한 핵심 신규 기능과 매개변수를 요약하고, 각 기능의 상세 문서 링크를 제공합니다.

신규 기능/API 변경사항	문서
모델: `gemini-3-pro-preview`	모델 카드 Model Garden
사고 수준	사고
미디어 해상도	이미지 이해 동영상 이해 오디오 이해 문서 이해
생각 서명	생각 서명
온도	API 참조
멀티모달 함수 응답	함수 호출: 멀티모달 함수 응답
스트리밍 함수 호출	함수 호출: 스트리밍 함수 호출

사고 수준

thinking_level 파라미터를 사용하면 모델이 응답을 생성할 때 사용할 사고 예산을 지정할 수 있습니다. 두 가지 상태 중 하나를 선택하여 응답 품질과 추론 복잡성, 지연 시간과 비용 간의 균형을 명확하게 조정할 수 있습니다.

낮음: 지연 시간과 비용을 최소화합니다. 지시 수행 또는 일반 채팅에 가장 적합합니다.
높음: 추론 깊이를 극대화합니다. 기본값입니다. 동적 사고 모드입니다. 토큰이 첫 번째 토큰에 도달하기까지 시간이 더 오래 걸릴 수 있지만, 출력은 훨씬 더 정밀하게 검증됩니다.

생성형 AI SDK 예시

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 호환성 예시

OpenAI 호환성 레이어를 사용하는 경우, 표준 파라미터는 자동으로 Gemini 3에 상응하는 파라미터로 매핑됩니다.

reasoning_effort는 thinking_level로 매핑됩니다.
reasoning_effort 값 medium은 thinking_level 높음으로 매핑됩니다.

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)

미디어 해상도

Gemini 3는 media_resolution 파라미터를 통해 멀티모달 비전 처리에 대한 세밀한 제어 기능을 제공합니다. 해상도가 높을수록 모델이 작은 텍스트를 읽거나 세부 요소를 식별하는 능력을 향상시키지만, 토큰 사용량과 지연 시간이 증가합니다. media_resolution 파라미터는 입력 이미지, PDF 페이지 또는 동영상 프레임당 할당되는 최대 토큰 수를 결정합니다.

해상도는 각 미디어 파트별로 low, medium, high로 설정하거나 generation_config를 사용해 전역적으로 설정할 수 있습니다. 지정하지 않으면 모델이 미디어 유형에 따라 최적의 기본값을 사용합니다.

	토큰
	이미지	동영상	PDF
`MEDIA_RESOLUTION_UNSPECIFIED`(기본값)	1120	70	560
`MEDIA_RESOLUTION_LOW`	280	70	280
`MEDIA_RESOLUTION_MEDIUM`	560	70	560
`MEDIA_RESOLUTION_HIGH`	1120	280	1120

권장 설정

미디어 해상도	최대 토큰 수	사용 안내
`high`	1120	최대 품질을 보장하기 위한 이미지 분석 작업
`medium`	560
`low`	이미지: 280 동영상: 70	대부분의 태스크에 충분합니다. 참고: 동영상의 경우 `low`는 프레임당 최대 70개 토큰입니다.

개별 파트별로 `media_resolution` 설정

개별 미디어 파트별로 media_resolution을 설정할 수 있습니다.

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)

전역적으로 `media_resolution` 설정

또한 GenerateContentConfig를 사용하여 media_resolution을 전역적으로 설정할 수도 있습니다.

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)

생각 서명

생각 서명은 멀티턴 대화, 특히 함수 호출을 사용할 때 모델의 추론 상태를 보존하는 암호화된 토큰입니다.

사고 모델이 외부 도구를 호출하기로 결정하면 내부 추론 프로세스가 일시중지됩니다. 생각 서명은 "저장 상태"처럼 동작하여, 함수 결과를 제공하면 모델이 자신의 추론 흐름을 자연스럽게 이어갈 수 있도록 해줍니다.

자세한 내용은 생각 서명을 참조하세요.

생각 서명이 중요한 이유는 무엇인가요?

생각 서명이 없으면 모델은 도구 실행 단계에서 자신의 구체적인 추론 단계를 "잊어버리게" 됩니다. 서명을 다시 전달하면 다음을 보장할 수 있습니다.

컨텍스트 연속성: 모델은 도구를 호출한 이유를 그대로 유지합니다.
복잡한 추론: 한 도구의 출력이 다음 단계의 추론에 반영되는 다단계 작업을 가능하게 합니다.

생각 서명은 어디에서 반환되나요?

Gemini 3 Pro는 Gemini 2.5에서 처음 도입된 생각 서명에 대해 더 엄격한 검증과 업데이트된 처리 방식을 적용합니다. 모델이 여러 턴의 대화에서 컨텍스트를 유지하도록 하려면 후속 요청에서 생각 서명을 반드시 반환해야 합니다.

함수 호출이 포함된 모델 응답에는 항상 생각 서명이 반환됩니다.
병렬 함수 호출이 있는 경우 모델 응답에서 반환되는 첫 번째 함수 호출 파트에 생각 서명이 포함됩니다.
순차적(다단계) 함수 호출이 있는 경우, 각 함수 호출에는 서명이 포함되며, 클라이언트는 이를 다시 전달해야 합니다.
함수 호출이 없는 모델 응답의 경우, 모델에서 반환된 마지막 파트 내부에 생각 서명이 포함되어 반환됩니다.

생각 서명을 처리하는 방법

생각 서명을 처리하는 방법은 두 가지입니다. 생성형 AI SDK 또는 OpenAI API를 사용해 자동으로 처리하거나 API와 직접 상호작용할 경우 수동으로 처리할 수 있습니다.

자동 처리(권장)

Google 생성형 AI SDK(Python, Node.js, Go, Java) 또는 OpenAI Chat Completions API를 사용하고 표준 채팅 기록 기능을 사용하거나 모델 응답 전체를 그대로 전달하는 경우, thought_signatures는 자동으로 처리됩니다. 코드를 변경할 필요가 없습니다.

수동 함수 호출 예시

생성형 AI SDK를 사용할 때는, 순차적 모델 요청에 모델 응답 전체를 추가함으로써 생각 서명이 자동으로 처리됩니다.

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}")

자동 함수 호출 예시

생성형 AI SDK에서 자동 함수 호출을 사용할 때도 생각 서명은 자동으로 처리됩니다.


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 호환성 예시

OpenAI Chat Completions API를 사용할 때도, 연속 모델 요청에 모델 응답 전체를 추가하여 생각 서명이 자동으로 처리됩니다.

...
# 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)

전체 코드 예시를 참조하세요.

수동 처리

API와 직접 상호작용하거나 원시 JSON 페이로드를 관리하는 경우, 모델의 턴에 포함된 thought_signature를 올바르게 처리해야 합니다.

대화 기록을 다시 보낼 때는 이 서명을 수신했던 바로 그 파트에 정확히 반환해야 합니다.

올바른 서명이 반환되지 않으면, Gemini 3는 400 오류 "<콘텐츠 색인 배열> 콘텐츠 블록의 <Function Call>에 thought_signature가 없습니다"를 반환합니다.

멀티모달 함수 응답

멀티모달 함수 호출을 사용하면, 사용자 함수 응답에 멀티모달 객체를 포함할 수 있어, 모델의 함수 호출 기능을 더욱 효과적으로 활용할 수 있습니다. 표준 함수 호출은 텍스트 기반 함수 응답만 지원합니다.

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}")

스트리밍 함수 호출

도구 사용 시 스트리밍 경험을 개선하기 위해, 부분 함수 호출 인수를 스트리밍 방식으로 사용할 수 있습니다. 이 기능은 stream_function_call_arguments를 true로 명시적으로 설정하여 사용 설정할 수 있습니다.

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}")

모델 응답 예시:

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

온도

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

Gemini 3에서는 temperature 파라미터를 기본값인 1.0으로 유지하는 것이 가장 좋습니다.

이전 모델에서는 창의성과 결정성 간 균형을 위해 온도 조정이 도움이 되었지만, Gemini 3의 추론 기능은 기본 설정에 최적화되어 있습니다.

온도를 변경하여(1.0 미만으로 설정) 복잡한 수학적 또는 추론 작업에서 루핑이나 성능 저하와 같은 예기치 않은 동작이 발생할 수 있습니다.

지원되는 기능

Gemini 3 Pro는 다음 기능도 지원합니다.

프롬프트 권장사항

Gemini 3는 추론 모델이므로 프롬프트 작성 방식에도 변화가 필요합니다.

정확한 지시: 입력 프롬프트는 간결하게 작성하세요. Gemini 3는 직접적이고 명확한 지시에 가장 잘 반응합니다. 이전 모델에서 사용되던 장황하거나 지나치게 복잡한 프롬프트 엔지니어링 기법은 과분석을 유발할 수 있습니다.
출력 장황도: 기본적으로 Gemini 3는 덜 장황하며, 직접적이고 효율적인 답변을 제공하는 것을 선호합니다. 보다 대화형이거나 "수다스러운" 스타일의 응답이 필요하다면, 프롬프트에서 명시적으로 모델을 유도해야 합니다(예: "친근하고 말이 많은 조수처럼 설명해 주세요").

마이그레이션 고려사항

마이그레이션할 때 다음 기능과 제약 조건을 고려하세요.

사고 수준: Gemini 3 Pro 이상 모델은 thinking_level 파라미터를 사용해 모델이 수행하는 내부 추론량(낮음 또는 높음)을 제어하고, 응답 품질, 추론 복잡성, 지연 시간, 비용 간의 균형을 맞춥니다.
온도 설정: 기존 코드에서 temperature를 명시적으로 설정하고 있다면(특히 결정적 출력을 위해 낮은 값으로 설정한 경우), 해당 파라미터를 삭제하고 Gemini 3의 기본값인 1.0를 사용하는 것이 좋습니다. 이는 복잡한 작업에서 잠재적인 루핑 문제나 성능 저하를 방지하는 위함입니다.
생각 서명: Gemini 3 Pro 이상 모델에서는 특정 턴에 생각 서명이 필요함에도 제공되지 않으면 모델에서 경고 대신 오류가 반환됩니다.
미디어 해상도 및 토큰화: Gemini 3 Pro 이상의 모델은 팬 및 스캔 방식 대신 가변 시퀀스 길이를 사용해 미디어를 토큰화하며, 이미지, PDF, 동영상에 대해 새로운 기본 해상도와 토큰 비용을 적용합니다.
멀티모달 입력의 토큰 수 계산: 멀티모달 입력(이미지, 동영상, 오디오)의 토큰 계산은 선택한 media_resolution을 기반으로 한 추정치입니다. 따라서 count_tokens API 호출의 결과가 실제 소비된 최종 토큰 수와 일치하지 않을 수 있습니다. 청구에 사용되는 정확한 사용량은 실행 후 응답의 usage_metadata에서만 확인할 수 있습니다.
토큰 소비량: Gemini 3 Pro 기본값으로 마이그레이션하면 이미지 및 PDF의 토큰 사용량은 증가할 수 있지만 동영상의 토큰 사용량은 감소할 수 있습니다. 기본 해상도 상승으로 인해 요청이 컨텍스트 윈도우를 초과한다면 미디어 해상도를 명시적으로 낮추는 것이 좋습니다.
PDF 및 문서 이해: PDF의 기본 OCR 해상도가 변경되었습니다. 밀도 높은 문서 파싱을 위해 특정 동작에 의존하고 있었다면, 정확도를 유지하기 위해 새로운 media_resolution: "high" 설정을 테스트해 보세요. 또한 Gemini 3 Pro 이상 모델에서는 usage_metadata에서 PDF 토큰 수가 DOCUMENT가 아니라 IMAGE 모달리티로 보고됩니다.
이미지 분할: Gemini 3 Pro 이상 모델에서는 이미지 분할 기능이 지원되지 않습니다. 기본 제공되는 이미지 분할 기능이 필요한 워크로드의 경우, 사고를 끈 상태의 Gemini 2.5 Flash를 계속 사용하는 것이 좋습니다.
멀티모달 함수 응답: Gemini 3 Pro 이상 모델에서는 함수 응답에 이미지 및 PDF 데이터를 포함할 수 있습니다.

FAQ

Gemini 3 Pro의 지식 단절 시점은 언제인가요? Gemini 3의 지식 단절 시점은 2025년 1월입니다.
Google Cloud에서 gemini-3-pro-preview는 어느 리전에서 사용할 수 있나요? 전역에서 사용할 수 있습니다.
컨텍스트 윈도우 한도는 어떻게 되나요? Gemini 3 Pro는 최대 100만 토큰의 입력 컨텍스트 윈도우와 최대 64,000의 토큰 출력을 지원합니다.
gemini-3-pro-preview는 이미지 출력을 지원하나요? 아니요.
gemini-3-pro-preview는 Gemini Live API를 지원하나요? 아니요.

다음 단계

Gemini 3 Pro에 대해 자세히 알아봅니다.
Gemini 3 Pro 소개 노트북 튜토리얼을 사용해봅니다.
함수 호출에 대해 알아봅니다.
사고에 대해 알아봅니다.

Gemini 3 시작하기 컬렉션을 사용해 정리하기 내 환경설정을 기준으로 콘텐츠를 저장하고 분류하세요.

빠른 시작

Google 생성형 AI SDK 설치

첫 번째 요청하기

복잡한 추론 작업 시도

새로운 API 기능

사고 수준

생성형 AI SDK 예시

OpenAI 호환성 예시

미디어 해상도

권장 설정

개별 파트별로 media_resolution 설정

전역적으로 media_resolution 설정

생각 서명

생각 서명이 중요한 이유는 무엇인가요?

생각 서명은 어디에서 반환되나요?

생각 서명을 처리하는 방법

자동 처리(권장)

수동 함수 호출 예시

자동 함수 호출 예시

OpenAI 호환성 예시

수동 처리

멀티모달 함수 응답

스트리밍 함수 호출

온도

지원되는 기능

프롬프트 권장사항

마이그레이션 고려사항

FAQ

다음 단계

Gemini 3 시작하기

개별 파트별로 `media_resolution` 설정

전역적으로 `media_resolution` 설정