Diese Seite wurde von der Cloud Translation API übersetzt.

Erste Schritte mit Gemini 3

Vorschau

Dieses Produkt oder diese Funktion unterliegt den „Pre-GA-Angebotsbedingungen“ im Abschnitt „Allgemeine Dienstbedingungen“ der dienstspezifischen Nutzungsbedingungenund den Zusatzbedingungen für generative KI-Vorschauprodukte. Sie können personenbezogene Daten für dieses Produkt oder diese Funktion gemäß dem Zusatz zur Verarbeitung von Cloud-Daten verarbeiten, vorbehaltlich der in der Vereinbarung für Ihren Zugriff auf Google Cloud beschriebenen Verpflichtungen und Einschränkungen. Pre-GA-Produkte und ‑Funktionen sind „wie gesehen“ verfügbar und bieten möglicherweise nur eingeschränkten Support. Weitere Informationen finden Sie in den Beschreibungen der Produkteinführungsphasen.

Gemini 3 ist unsere bisher intelligenteste Modellfamilie, die auf modernsten Schlussfolgerungsfunktionen basiert. Es wurde entwickelt, um jede Idee zum Leben zu erwecken, indem es Agenten-Workflows, autonomes Programmieren und komplexe multimodale Aufgaben beherrscht.

Dieser Leitfaden bietet einen konsolidierten, praktischen Weg, um mit Gemini 3 in Vertex AI zu beginnen. Er hebt die wichtigsten Funktionen und Best Practices von Gemini 3 hervor.

Kurzanleitung

Bevor Sie beginnen, müssen Sie sich mit einem API-Schlüssel oder Standardanmeldedaten für Anwendungen (Application Default Credentials, ADC) bei Vertex AI authentifizieren. Weitere Informationen finden Sie unter Authentifizierungsmethoden.

Google Gen AI SDK installieren

Für Gemini 3 API-Funktionen ist das Gen AI SDK for Python ab Version 1.51.0 erforderlich.

pip install --upgrade google-genai

Umgebungsvariablen für die Verwendung des Gen AI SDK mit Vertex AI festlegen

Ersetzen Sie den Wert GOOGLE_CLOUD_PROJECT durch Ihre Google Cloud Projekt-ID. Das Gemini 3 Pro-Vorschaumodell gemini-3-pro-preview ist nur für globale Endpunkte verfügbar:

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

Erste Anfrage senden

Standardmäßig verwendet Gemini 3 Pro dynamisches Denken, um Prompts zu analysieren. Wenn keine komplexen Schlussfolgerungen erforderlich sind, können Sie die thinking_level des Modells einschränken, um schnellere Antworten mit geringerer Latenz zu erhalten. „Low Thinking“ ist ideal für Aufgaben mit hohem Durchsatz, bei denen Geschwindigkeit von größter Bedeutung ist. Es entspricht in etwa dem Latenzprofil von Gemini 2.5 Flash und bietet gleichzeitig eine höhere Antwortqualität.

So erhalten Sie schnelle Antworten mit niedriger Latenz:

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)

Komplexe Schlussfolgerungsaufgaben ausprobieren

Gemini 3 zeichnet sich durch fortschrittliche logische Schlussfolgerungen aus. Verwenden Sie für komplexe Aufgaben wie die mehrstufige Planung, die Generierung von geprüftem Code oder die intensive Nutzung von Tools hohe Denkebenen. Verwenden Sie diese Konfigurationen für Aufgaben, für die zuvor spezielle Reasoning-Modelle erforderlich waren.

Für langsamere Aufgaben, die viel Nachdenken erfordern:

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)

Neue API-Funktionen

Gemini 3 bietet leistungsstarke API-Verbesserungen und neue Parameter, mit denen Entwickler die Leistung (Latenz, Kosten), das Modellverhalten und die multimodale Genauigkeit detailliert steuern können.

In dieser Tabelle sind die wichtigsten neuen Funktionen und Parameter zusammengefasst. Außerdem finden Sie darin direkte Links zur detaillierten Dokumentation:

Neue Funktion/API-Änderung	Dokumentation
Modell: `gemini-3-pro-preview`	Modellkarte Model Garden
Denkaufwand	Denken
Auflösung von Medien	Bildverständnis Video-Understanding Audio-Understanding Dokument-Understanding
Gedankensignatur	Gedankensignaturen
Temperatur	API-Referenz
Multimodale Funktionsantworten	Funktionsaufrufe: Multimodale Funktionsantworten
Streaming-Funktionsaufrufe	Funktionsaufrufe: Streaming-Funktionsaufrufe

Denkaufwand

Mit dem Parameter thinking_level können Sie ein Budget für die Denkzeit für die Antwortgenerierung des Modells festlegen. Durch die Auswahl eines von zwei Status können Sie die Kompromisse zwischen Antwortqualität und Komplexität des Reasoning sowie zwischen Latenz und Kosten explizit ausgleichen.

Niedrig:Minimiert Latenz und Kosten. Optimal für die Befolgung von Anweisungen oder für Chats.
Hoch:Maximiert die Tiefe der Argumentation. Standard. Dynamisches Denken Es kann deutlich länger dauern, bis das Modell das erste Token ausgibt, aber die Ausgabe wird gründlicher geprüft.

Beispiel für 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)

Beispiel für OpenAI-Kompatibilität

Für Nutzer, die die OpenAI-Kompatibilitätsebene verwenden, werden Standardparameter automatisch den entsprechenden Gemini 3-Parametern zugeordnet:

reasoning_effort wird thinking_level zugeordnet.
Der reasoning_effort-Wert medium entspricht thinking_level (hoch).

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)

Auflösung von Medien

Mit Gemini 3 wird die detaillierte Steuerung der multimodalen Bildverarbeitung über den Parameter media_resolution eingeführt. Höhere Auflösungen verbessern die Fähigkeit des Modells, feinen Text zu lesen oder kleine Details zu erkennen, erhöhen aber die Token-Nutzung und die Latenz. Der Parameter media_resolution bestimmt die maximale Anzahl von Tokens, die pro Eingabebild, PDF-Seite oder Videoframes zugewiesen werden.

Sie können die Auflösung für jeden einzelnen Media-Part oder global (mit generation_config) auf low, medium oder high festlegen. Wenn nichts angegeben ist, verwendet das Modell optimale Standardwerte basierend auf dem Medientyp.

	Tokens
	Image	Video	PDF
`MEDIA_RESOLUTION_UNSPECIFIED` (STANDARD)	1120	70	560
`MEDIA_RESOLUTION_LOW`	280	70	280
`MEDIA_RESOLUTION_MEDIUM`	560	70	560
`MEDIA_RESOLUTION_HIGH`	1120	280	1120

Empfohlene Einstellungen

Media Resolution	Maximale Anzahl an Tokens	Usage Guidance
`high`	1120	Bildanalyseaufgaben, um maximale Qualität zu gewährleisten.
`medium`	560
`low`	Bild: 280 Video: 70	Für die meisten Aufgaben ausreichend. Hinweis:Bei Video `low` sind maximal 70 Tokens pro Frame zulässig.

`media_resolution` für einzelne Teile festlegen

Sie können media_resolution für jeden einzelnen Medienteil festlegen:

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)

`media_resolution` global festlegen

Sie können media_resolution auch global festlegen (mit 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)

Gedankensignaturen

Gedankensignaturen sind verschlüsselte Tokens, die den Reasoning-Status des Modells während Multi-Turn-Unterhaltungen beibehalten, insbesondere bei der Verwendung von Funktionsaufrufen.

Wenn ein Thinking-Modell beschließt, ein externes Tool aufzurufen, wird der interne Denkprozess unterbrochen. Die Gedanken-Signatur fungiert als „Speicherstatus“, sodass das Modell seinen Gedankengang nahtlos fortsetzen kann, sobald Sie das Ergebnis der Funktion bereitstellen.

Weitere Informationen finden Sie unter Gedankensignaturen.

Warum sind Gedanken-Signaturen wichtig?

Ohne Gedanken-Signaturen „vergisst“ das Modell seine spezifischen Denkschritte während der Ausführungsphase des Tools. Durch die Rückgabe der Signatur wird Folgendes sichergestellt:

Kontinuität des Kontexts: Das Modell behält den Grund für den Aufruf des Tools bei.
Komplexes Reasoning: Ermöglicht Aufgaben mit mehreren Schritten, bei denen die Ausgabe eines Tools das Reasoning für das nächste Tool beeinflusst.

Wo werden Gedanken-Signaturen zurückgegeben?

Gemini 3 Pro erzwingt eine strengere Validierung und eine aktualisierte Verarbeitung von Gedanken-Signaturen, die ursprünglich in Gemini 2.5 eingeführt wurden. Damit das Modell den Kontext über mehrere Konversationsrunden hinweg beibehält, müssen Sie die Gedanken-Signaturen in Ihren nachfolgenden Anfragen zurückgeben.

Modellantworten mit einem Funktionsaufruf geben immer eine „thought“-Signatur zurück.
Bei parallelen Funktionsaufrufen hat der erste Teil des Funktionsaufrufs, der von der Modellantwort zurückgegeben wird, eine Gedanken-Signatur.
Bei sequenziellen Funktionsaufrufen (mehrstufig) hat jeder Funktionsaufruf eine Signatur und Clients müssen die Signatur zurückgeben.
Bei Modellantworten ohne Funktionsaufruf wird im letzten vom Modell zurückgegebenen Teil eine Gedanken-Signatur zurückgegeben.

Wie gehe ich mit Gedanken-Signaturen um?

Es gibt zwei primäre Möglichkeiten, Gedanken-Signaturen zu verarbeiten: automatisch mit den Gen AI SDKs oder der OpenAI API oder manuell, wenn Sie direkt mit der API interagieren.

Automatisierte Bearbeitung (empfohlen)

Wenn Sie die Google Gen AI SDKs (Python, Node.js, Go, Java) oder die OpenAI Chat Completions API verwenden und die Standardfunktionen für den Chatverlauf nutzen oder die vollständige Modellantwort anhängen, werden thought_signatures automatisch verarbeitet. Sie müssen keine Änderungen an Ihrem Code vornehmen.

Beispiel für manuellen Funktionsaufruf

Wenn Sie das Gen AI SDK verwenden, werden Gedanken-Signaturen automatisch verarbeitet, indem die vollständige Modellantwort an sequenzielle Modellanfragen angehängt wird:

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}")

Beispiel für automatischen Funktionsaufruf

Wenn Sie das Gen AI SDK für automatische Funktionsaufrufe verwenden, werden die Signatur des Gedankens automatisch verarbeitet:


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

Beispiel für OpenAI-Kompatibilität

Wenn Sie die OpenAI Chat Completions API verwenden, werden Gedanken-Signaturen automatisch verarbeitet, indem die vollständige Modellantwort an nachfolgende Modellanfragen angehängt wird:

...
# 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)

Vollständiges Codebeispiel ansehen

Manuelle Bearbeitung

Wenn Sie direkt mit der API interagieren oder rohe JSON-Nutzlasten verwalten, müssen Sie die thought_signature im Zug des Modells richtig verarbeiten.

Sie müssen diese Signatur genau an der Stelle zurückgeben, an der sie empfangen wurde, wenn Sie den Unterhaltungsverlauf zurücksenden.

Wenn keine korrekten Signaturen zurückgegeben werden, gibt Gemini 3 den Fehler 400 „<Function Call> im Inhaltsblock <index of contents array> fehlt thought_signature“ zurück.

Multimodale Funktionsantworten

Mit multimodalen Funktionsaufrufen können Nutzer Funktionsantworten mit multimodalen Objekten erhalten. So lassen sich die Funktionsaufruffunktionen des Modells besser nutzen. Standard-Funktionsaufrufe unterstützen nur textbasierte Funktionsantworten:

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}")

Streaming-Funktionsaufrufe

Sie können Streaming-Argumente für Teilfunktionsaufrufe verwenden, um das Streaming bei der Verwendung von Tools zu verbessern. Diese Funktion kann aktiviert werden, indem Sie stream_function_call_arguments explizit auf true setzen:

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}")

Beispiel für eine Modellantwort:

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

Temperatur

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

Für Gemini 3 wird dringend empfohlen, den Parameter temperature auf dem Standardwert 1.0 zu belassen.

Bei früheren Modellen war es oft sinnvoll, die Temperatur anzupassen, um das Verhältnis zwischen Kreativität und Determinismus zu steuern. Die Schlussfolgerungsfähigkeiten von Gemini 3 sind jedoch für die Standardeinstellung optimiert.

Wenn Sie die Temperatur ändern (auf weniger als 1.0), kann dies zu unerwartetem Verhalten führen, z. B. zu Schleifen oder einer schlechteren Leistung, insbesondere bei komplexen mathematischen oder logischen Aufgaben.

Unterstützte Features

Gemini 3 Pro unterstützt auch die folgenden Funktionen:

Best Practices für die Prompt-Erstellung

Gemini 3 ist ein Modell für das Schlussfolgern, was sich auf die Art und Weise auswirkt, wie Sie Prompts erstellen sollten.

Genaue Anweisungen:Fassen Sie sich in Ihren Eingabeaufforderungen kurz. Gemini 3 reagiert am besten auf direkte, klare Anweisungen. Es kann sein, dass es ausführliche oder zu komplexe Prompt-Engineering-Techniken, die für ältere Modelle verwendet wurden, überanalysiert.
Ausführlichkeit der Ausgabe:Standardmäßig ist Gemini 3 weniger ausführlich und bevorzugt direkte, effiziente Antworten. Wenn für Ihren Anwendungsfall eine eher konversationelle oder „geschwätzige“ Persona erforderlich ist, müssen Sie das Modell im Prompt explizit darauf hinweisen (z. B. „Erkläre das als freundlicher, gesprächiger Assistent“).

Hinweise zur Migration

Beachten Sie bei der Migration die folgenden Funktionen und Einschränkungen:

Denkstufe: Gemini 3 Pro und neuere Modelle verwenden den Parameter thinking_level, um den Umfang der internen Argumentation zu steuern, die das Modell durchführt (niedrig oder hoch), und um die Reaktionsqualität, die Komplexität der Argumentation, die Latenz und die Kosten auszugleichen.
Temperatureinstellungen:Wenn in Ihrem vorhandenen Code temperature explizit festgelegt wird (insbesondere auf niedrige Werte für deterministische Ausgaben), empfiehlt es sich, diesen Parameter zu entfernen und den Gemini 3-Standardwert 1.0 zu verwenden, um potenzielle Probleme mit Schleifen oder Leistungseinbußen bei komplexen Aufgaben zu vermeiden.
Gedankensignaturen: Bei Gemini 3 Pro und späteren Modellen gibt das Modell einen Fehler anstelle einer Warnung zurück, wenn in einem Zug eine Gedankensignatur erwartet wird, aber nicht angegeben ist.
Media-Auflösung und Tokenisierung: Gemini 3 Pro und neuere Modelle verwenden für die Media-Tokenisierung eine variable Sequenzlänge anstelle von Pan & Scan. Außerdem haben sie neue Standardauflösungen und Tokenkosten für Bilder, PDFs und Videos.
Token-Zählung für multimodale Eingaben:Die Token-Anzahl für multimodale Eingaben (Bilder, Videos, Audio) ist eine Schätzung, die auf der ausgewählten media_resolution basiert. Daher stimmt das Ergebnis des count_tokens-API-Aufrufs möglicherweise nicht mit den endgültig verbrauchten Tokens überein. Die genaue Nutzung für die Abrechnung ist erst nach der Ausführung in der usage_metadata der Antwort verfügbar.
Tokenverbrauch:Durch die Migration zu den Standardeinstellungen von Gemini 3 Pro kann der Tokenverbrauch für Bilder und PDFs steigen, für Videos jedoch sinken. Wenn Anfragen aufgrund höherer Standardauflösungen das Kontextfenster überschreiten, empfiehlt es sich, die Media-Auflösung explizit zu verringern.
PDF- und Dokumentanalyse:Die standardmäßige OCR-Auflösung für PDFs hat sich geändert. Wenn Sie sich auf ein bestimmtes Verhalten beim Parsen von dichten Dokumenten verlassen haben, testen Sie die neue Einstellung media_resolution: "high", um die Genauigkeit zu gewährleisten. Bei Gemini 3 Pro und späteren Modellen wird die Anzahl der PDF-Tokens in usage_metadata unter der Modalität „IMAGE“ anstelle von „DOCUMENT“ angegeben.
Bildsegmentierung:Die Bildsegmentierung wird von Gemini 3 Pro und neueren Modellen nicht unterstützt. Für Arbeitslasten, die eine integrierte Bildsegmentierung erfordern, wird empfohlen, weiterhin Gemini 2.5 Flash ohne aktivierte Denkprozesse zu verwenden.
Multimodale Funktionsantworten: Bei Gemini 3 Pro und späteren Modellen können Sie Bild- und PDF-Daten in Funktionsantworten einfügen.

FAQ

Was ist der Wissensstand von Gemini 3 Pro? Gemini 3 hat einen Wissensstand vom Januar 2025.
In welcher Region ist gemini-3-pro-preview in Google Cloud verfügbar? Global.
Welche Einschränkungen gelten für das Kontextfenster? Gemini 3 Pro unterstützt ein Kontextfenster von 1 Million Tokens für die Eingabe und bis zu 64.000 Tokens für die Ausgabe.
Unterstützt gemini-3-pro-preview die Bildausgabe? Nein.
Wird die Gemini Live API von gemini-3-pro-preview unterstützt? Nein.

Erste Schritte mit Gemini 3 Mit Sammlungen den Überblick behalten Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.

Kurzanleitung

Google Gen AI SDK installieren

Erste Anfrage senden

Komplexe Schlussfolgerungsaufgaben ausprobieren

Neue API-Funktionen

Denkaufwand

Beispiel für Gen AI SDK

Beispiel für OpenAI-Kompatibilität

Auflösung von Medien

Empfohlene Einstellungen

media_resolution für einzelne Teile festlegen

media_resolution global festlegen

Gedankensignaturen

Warum sind Gedanken-Signaturen wichtig?

Wo werden Gedanken-Signaturen zurückgegeben?

Wie gehe ich mit Gedanken-Signaturen um?

Automatisierte Bearbeitung (empfohlen)

Beispiel für manuellen Funktionsaufruf

Beispiel für automatischen Funktionsaufruf

Beispiel für OpenAI-Kompatibilität

Manuelle Bearbeitung

Multimodale Funktionsantworten

Streaming-Funktionsaufrufe

Temperatur

Unterstützte Features

Best Practices für die Prompt-Erstellung

Hinweise zur Migration

FAQ

Nächste Schritte

Erste Schritte mit Gemini 3

`media_resolution` für einzelne Teile festlegen

`media_resolution` global festlegen