開始使用 Gemini 3

Gemini 3 是我們迄今最強大的模型系列，以最先進的推論技術為基礎建構而成。這項功能可掌握代理式工作流程、自主編碼和複雜的多模態工作，將任何想法化為現實。

本指南提供實用的整合式路徑，協助您開始使用 Vertex AI 的 Gemini 3，並重點介紹 Gemini 3 的主要功能和最佳做法。

快速入門導覽課程

開始之前，請務必使用 API 金鑰或應用程式預設憑證 (ADC) 向 Vertex AI 進行驗證。詳情請參閱「驗證方式」。

安裝 Google Gen AI SDK

Gemini 3 API 功能需要 Gen AI SDK for Python 1.51.0 以上版本。

pip install --upgrade google-genai

設定環境變數，透過 Vertex AI 使用 Gen AI SDK

將 GOOGLE_CLOUD_PROJECT 值替換為 Google Cloud 專案 ID。Gemini 3 Pro 預先發布版模型 gemini-3-pro-preview 和 Gemini 3 Flash 預先發布版模型 gemini-3-flash-preview 僅適用於全球端點：

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

發出第一項要求

根據預設，Gemini 3 Pro 和 Gemini 3 Flash 會使用動態思考功能，根據提示進行推理。如果不需要複雜的推理，可以限制模型的 thinking_level，加快回應速度並縮短延遲時間。低思考量適合用於高處理量的工作，這類工作會優先考量速度。

如要快速取得低延遲的回覆：

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)

嘗試複雜的推理工作

Gemini 3 擅長進階推理，如果是多步驟規劃、驗證程式碼生成或深入使用工具等複雜工作，請使用高思考層級。如果先前需要使用專業推理模型才能完成工作，現在可以改用這些設定。

對於較慢速、需要高度推理的任務：

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)

其他思考程度

Gemini 3 Flash 推出兩種新的思考層級：MINIMAL 和 MEDIUM，讓您進一步掌控模型處理複雜推理工作的方式。

MINIMAL提供接近零的思考預算選項，適用於針對總處理量而非推理能力進行最佳化的工作。MEDIUM 可在速度和推理之間取得平衡，提供一定的推理能力，但仍以低延遲作業為優先。

全新 API 功能

Gemini 3 推出強大的 API 強化功能和新參數，可讓開發人員精細控管效能 (延遲時間、成本)、模型行為和多模態準確度。

下表列出可用的主要新功能和參數，並提供詳細說明文件的直接連結：

新功能/API 變更	說明文件
模型：`gemini-3-pro-preview`	Model Card Model Garden
思考程度	思考
媒體解析度	圖片理解影片理解音訊理解文件理解
思想簽名	想法簽名
溫度參數	API 參考資料
多模態函式回應	函式呼叫：多模態函式回應
串流函式呼叫	函式呼叫：串流函式呼叫

思考程度

thinking_level 參數可讓您指定模型生成回覆的思考預算。選取其中一個狀態，即可明確權衡回覆品質、推理複雜度、延遲時間和成本之間的取捨。

MINIMAL：(僅限 Gemini 3 Flash) 限制模型盡可能使用較少的權杖進行思考，最適合用於不會因大量推理而受益的低複雜度工作。MINIMAL 盡可能接近零預算，但仍需要思想簽章。
LOW：限制模型思考時使用的詞元數量，適合不需要大量推理的簡單工作。LOW非常適合需要速度的高處理量工作。
MEDIUM：(僅限 Gemini 3 Flash) 適合中等複雜度的任務，這類任務需要推論，但不需要深入的多步驟規劃。與 LOW 相比，這項模型提供更強大的推理能力，且延遲時間比 HIGH 短。
HIGH：允許模型使用更多權杖進行思考，適合需要深入推論的複雜提示，例如多步驟規劃、經過驗證的程式碼生成，或進階函式呼叫情境。這是 Gemini 3 Pro 和 Gemini 3 Flash 的預設層級。如果您先前依賴專門的推理模型來執行工作，現在想改用 Gemini，請使用這項設定。

Gen AI SDK 範例

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 相容性範例

如果使用者採用 OpenAI 相容層，系統會自動將標準參數對應至 Gemini 3 的對等項目：

reasoning_effort 對應到 thinking_level。
none：對應至thinking_level最少 (僅限 Gemini 3 Flash)。
medium：對應至 Gemini 3 Flash 的thinking_level中等，以及 Gemini 3 Pro 的thinking_level高。

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)

媒體解析度

Gemini 3 導入了 media_resolution 參數，可精細控管多模態視覺處理作業。解析度越高，模型就越能讀取細小文字或辨識微小細節，但也會增加權杖用量和延遲時間。media_resolution 參數會決定每個輸入圖片、PDF 頁面或影片影格分配到的詞元數量上限。

您可以全域設定解析度 (使用 generation_config)，也可以為個別媒體部分設定解析度，選項包括 low、medium 或 high。ultra_high解析度只能針對個別媒體部分設定。如未指定，模型會根據媒體類型使用最佳預設值。

權杖數量

下表彙整了各個 media_resolution 值和媒體類型的概略權杖數。

媒體解析度	圖片	影片	PDF
`UNSPECIFIED` (預設)	1120	70	560
`LOW`	280	70	280 + 文字
`MEDIUM`	560	70	560 + 文字
`HIGH`	1120	280	1120 + 文字
`ULTRA_HIGH`	2240	不適用	不適用

建議設定

媒體解析度	最多權杖	使用指南
`ultra_high`	2240	需要分析圖片細節的任務，例如處理螢幕錄影靜止畫面或高解析度相片。
`high`	1120	圖片分析工作，確保最高品質。
`medium`	560
`low`	圖片：280 影片：70	足以應付大多數工作。注意：影片的每個影格最多可有 70 個權杖。`low`

為個別零件設定 `media_resolution`

您可以為個別媒體部分設定 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)

全域設定 `media_resolution`

您也可以全域設定 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)

思想簽名

思想簽章是加密權杖，可在多輪對話期間保留模型的推理狀態，特別是在使用函式呼叫時。

當思考模型決定呼叫外部工具時，會暫停內部推論程序。思維簽章可做為「儲存狀態」，讓模型在您提供函式結果後，順暢地繼續思維鏈。

詳情請參閱「想法簽章」。

為什麼思想簽章很重要？

如果沒有思維簽章，模型會在工具執行階段「忘記」具體的推論步驟。將簽章傳回可確保：

背景資訊連續性：模型會保留呼叫工具的原因。
複雜推理：可執行多步驟工作，其中一項工具的輸出結果會做為下一個步驟的推理依據。

系統會在何處傳回思維簽章？

Gemini 3 Pro 和 Gemini 3 Flash 會對思維簽章執行更嚴格的驗證，並更新處理方式。思維簽章最初是在 Gemini 2.5 中推出。為確保模型在多輪對話中維持脈絡，您必須在後續要求中傳回思維簽章。

即使使用 MINIMAL 思考層級，模型回覆 (含函式呼叫) 一律會傳回思考簽章。
如果有多個函式呼叫並行執行，模型回應傳回的第一個函式呼叫部分會包含想法簽章。
如果函式呼叫是循序進行 (多步驟)，每個函式呼叫都會有簽章，且用戶端應傳回簽章
如果模型回應未呼叫函式，模型傳回的最後一部分會包含思維簽章。

如何處理思想簽章？

處理想法簽章的主要方式有兩種：使用 Gen AI SDK 或 OpenAI API 自動處理，或是直接與 API 互動時手動處理。

自動處理 (建議)

如果您使用 Google Gen AI SDK (Python、Node.js、Go、Java) 或 OpenAI Chat Completions API，並運用標準對話記錄功能或附加完整模型回覆，系統會自動處理 thought_signatures。您不需要變更任何程式碼。

手動函式呼叫範例

使用 Gen AI SDK 時，系統會自動處理思維簽章，方法是在連續模型要求中附加完整的模型回應：

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}")

自動函式呼叫範例

在自動函式呼叫中使用 Gen AI SDK 時，系統會自動處理想法簽章：


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 相容性範例

使用 OpenAI Chat Completions API 時，系統會自動處理思維簽章，方法是在連續模型要求中附加完整模型回應：

...
# 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)

請參閱完整程式碼範例。

手動處理

如果您直接與 API 互動或管理原始 JSON 酬載，請務必正確處理模型回合中包含的 thought_signature。

傳回對話記錄時，您必須在收到簽章的確切位置傳回簽章。

如果未傳回正確的簽章，Gemini 3 會傳回 400 錯誤「<Function Call> in the <index of contents array> content block is missing a thought_signature」。

多模態函式回應

透過多模態函式呼叫，使用者可以取得包含多模態物件的函式回應，進而更有效運用模型的函式呼叫功能。標準函式呼叫僅支援以文字為基礎的函式回應：

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}")

串流函式呼叫

您可以透過串流部分函式呼叫引數，提升工具使用時的串流體驗。如要啟用這項功能，請將 stream_function_call_arguments 明確設為 true：

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}")

模型回覆範例：

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

溫度參數

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

對於 Gemini 3，強烈建議將 temperature 參數保留在預設值 1.0。

先前的模型通常會調整溫度，以控制創意與確定性，但 Gemini 3 的推理能力已針對預設設定進行最佳化。

如果將溫度設為低於 1.0，可能會導致意料之外的行為，例如迴圈或效能降低，尤其是在複雜的數學或推理工作。

支援功能

Gemini 3 模型也支援下列功能：

提示最佳做法

Gemini 3 是推理模型，因此提示方式有所不同。

明確的指令：輸入提示時請簡潔扼要。Gemini 3 最適合直接且清楚的指令。如果使用舊版模型，系統可能會過度分析冗長或過於複雜的提示工程技術。
輸出內容詳細程度：Gemini 3 預設會提供較簡潔的答案，如果您的用途需要更具對話感或「健談」的風格，請務必在提示中明確引導模型 (例如「請以友善健談的助理身分說明這件事」)。
基礎：如要瞭解基礎用途，建議使用下列開發人員操作說明： 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 搜尋工具：使用 Google 搜尋工具時，Gemini 3 Flash 有時會混淆 2024 年活動的當下日期 / 時間。這可能導致模型為錯誤年份擬定搜尋查詢。為確保模型使用正確的時間範圍，請在 system instructions 中明確強調目前日期： 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.
知識截點：對於特定查詢，明確告知 Gemini 3 Flash 知識截點，有助於提升模型效能。如果 Google 搜尋工具已停用，且查詢明確要求模型能夠識別參數知識中的截止資料，就會發生這種情況。建議：在 system instructions 中加入下列條款： Your knowledge cutoff date is January 2025.
使用 media_resolution：使用 media_resolution 參數控管模型用來表示圖片或影片影格的詞元數量上限。高解析度可讓模型擷取圖片中的細節，但每個影格可能會使用更多權杖；低解析度則可針對視覺細節較少的圖片，最佳化成本和延遲時間。
提升影片分析品質：如果影片需要細微的時間分析，例如瞭解快速動作或追蹤高速移動物體，請使用較高的每秒影格數 (FPS) 取樣率。

遷移注意事項

遷移時，請考量下列功能和限制：

思考程度：Gemini 3 模型會使用 thinking_level 參數，控管模型執行的內部推理量 (低或高)，並平衡回覆品質、推理複雜度、延遲時間和成本。
溫度設定：如果現有程式碼明確設定 temperature (尤其是將值設為低值以取得確定性輸出內容)，建議移除這個參數並使用 Gemini 3 的預設值 1.0，以免複雜工作發生潛在的迴圈問題或效能下降。
想法簽章：如果是 Gemini 3 模型，如果輪流中預期會有想法簽章，但未提供，模型會傳回錯誤，而不是警告。
媒體解析度和符記化：Gemini 3 模型會使用媒體符記化的可變序列長度，而非 Pan and Scan，並為圖片、PDF 和影片提供新的預設解析度和符記費用。
多模態輸入的權杖計數：多模態輸入 (圖像、影片、音訊) 的權杖計數是根據所選media_resolution估算而得。因此，count_tokens API 呼叫的結果可能與最終消耗的權杖不符。只有在回應的 usage_metadata 中執行後，才能取得準確的帳單用量。
符記用量：遷移至 Gemini 3 預設值後，圖片和 PDF 的符記用量可能會增加，但影片的符記用量會減少。如果要求現在因預設解析度較高而超出脈絡視窗，建議明確降低媒體解析度。
PDF 和文件理解：PDF 的預設 OCR 解析度已變更。如果您依賴特定行為來剖析密集文件，請測試新的 media_resolution: "high" 設定，確保準確度不受影響。如果是 Gemini 3 模型，PDF 權杖計數會回報在usage_metadata「IMAGE」模態下方，而非「DOCUMENT」。
圖片區隔：Gemini 3 模型不支援圖片區隔功能。如果工作負載需要內建圖像分割功能，建議繼續使用 Gemini 2.5 Flash，並關閉思考模式。
多模態函式回應：對於 Gemini 3 模型，您可以在函式回應中加入圖片和 PDF 資料。

常見問題

Gemini 3 Pro 的知識截止日期為何？Gemini 3 的知識截止日期為 2025 年 1 月。
Google Cloud 提供 gemini-3-pro-preview 哪些區域？全球。
脈絡窗口的限制為何？Gemini 3 模型支援 100 萬個詞元的輸入脈絡窗口，以及最多 64,000 個詞元的輸出。
gemini-3-pro-preview 是否支援輸出圖片？不會。
gemini-3-pro-preview 是否支援 Gemini Live API？不會。

後續步驟

進一步瞭解 Gemini 3 Pro。
如要瞭解提示詞最佳做法，請參閱 Gemini 3 提示詞指南。
試試Gemini 3 Pro 簡介筆記本教學課程。
瞭解函式呼叫。
瞭解思考。

開始使用 Gemini 3 透過集合功能整理內容 你可以依據偏好儲存及分類內容。

快速入門導覽課程

安裝 Google Gen AI SDK

發出第一項要求

嘗試複雜的推理工作

其他思考程度

全新 API 功能

思考程度

Gen AI SDK 範例

OpenAI 相容性範例

媒體解析度

權杖數量

建議設定

為個別零件設定 media_resolution

全域設定 media_resolution

思想簽名

為什麼思想簽章很重要？

系統會在何處傳回思維簽章？

如何處理思想簽章？

自動處理 (建議)

手動函式呼叫範例

自動函式呼叫範例

OpenAI 相容性範例

手動處理

多模態函式回應

串流函式呼叫

溫度參數

支援功能

提示最佳做法

遷移注意事項

常見問題

後續步驟

開始使用 Gemini 3

為個別零件設定 `media_resolution`

全域設定 `media_resolution`