Créer des expériences hybrides dans les applications Web avec des modèles hébergés sur l'appareil et dans le cloud

Créez des applications et des fonctionnalités Web optimisées par l'IA avec l'inférence hybride à l'aide de Firebase AI Logic. L'inférence hybride permet d'exécuter l'inférence à l'aide de modèles sur l'appareil lorsqu'ils sont disponibles, et de revenir de manière transparente aux modèles hébergés dans le cloud dans le cas contraire (et inversement).

Cette page explique comment démarrer avec le SDK client. Une fois cette configuration standard terminée, consultez les options et fonctionnalités de configuration supplémentaires (comme la sortie structurée).

Notez que l'inférence sur l'appareil est compatible avec les applications Web exécutées sur Chrome pour ordinateur.

Accéder aux exemples de code

Cas d'utilisation recommandés et fonctionnalités compatibles

Cas d'utilisation recommandés :

• L'utilisation d'un modèle sur l'appareil pour l'inférence offre les avantages suivants :

  • Confidentialité renforcée
  • Contexte local
  • Inférence sans frais
  • Fonctionnalités hors connexion

• Voici les avantages de l'utilisation des fonctionnalités hybrides :

  • Touchez 100% de votre audience, quelle que soit la disponibilité des modèles sur l'appareil ou la connectivité Internet.

Fonctionnalités et caractéristiques compatibles pour l'inférence sur l'appareil :

L'inférence sur l'appareil n'est compatible qu'avec la génération de texte en un seul tour (pas le chat), avec ou sans flux de sortie. Il est compatible avec les fonctionnalités de génération de texte suivantes :

• Générer du texte à partir d'une entrée textuelle uniquement

• Génération de texte à partir d'une entrée de texte et d'image, en particulier les types d'images d'entrée JPEG et PNG

Vous pouvez également générer des résultats structurés, y compris des fichiers JSON et des énumérations.

Avant de commencer

Veuillez noter les points suivants :

• L'inférence à l'aide d'un modèle sur l'appareil utilise l'API Prompt de Chrome, tandis que l'inférence à l'aide d'un modèle hébergé dans le cloud utilise le fournisseur Gemini API de votre choix (Gemini Developer API ou Vertex AI Gemini API).

• Cette page explique comment commencer à développer à l'aide de localhost (pour en savoir plus sur l'utilisation des API sur localhost, consultez la documentation Chrome).

  Une fois cette configuration standard terminée, consultez les options et fonctionnalités de configuration supplémentaires (comme la sortie structurée).

• Une fois votre fonctionnalité implémentée, vous pouvez permettre aux utilisateurs finaux de la tester dans votre application.

Premiers pas sur localhost

Ces étapes de démarrage décrivent la configuration générale requise pour toute demande de prompt compatible que vous souhaitez envoyer.

Étape 1 : Configurez Chrome et l'API Prompt pour l'inférence sur l'appareil

1. Assurez-vous d'utiliser une version récente de Chrome. Mettez à jour dans chrome://settings/help.
   L'inférence sur l'appareil est disponible à partir de Chrome 139.

2. Activez le modèle multimodal sur l'appareil en définissant le flag suivant sur Enabled :

   • chrome://flags/#prompt-api-for-gemini-nano-multimodal-input

3. Redémarrez Chrome.

4. (Facultatif) Téléchargez le modèle sur l'appareil avant la première requête.

   L'API Prompt est intégrée à Chrome, mais le modèle sur l'appareil n'est pas disponible par défaut. Si vous n'avez pas encore téléchargé le modèle avant votre première requête d'inférence sur l'appareil, la requête lancera automatiquement le téléchargement du modèle en arrière-plan.

   Afficher les instructions pour télécharger le modèle sur l'appareil

   1. Ouvrez Outils pour les développeurs > Console.

   2. Exécutez la commande suivante :

      await LanguageModel.availability();
      

   3. Assurez-vous que le résultat est available, downloading ou downloadable.

   4. Si le résultat est downloadable, lancez le téléchargement du modèle en exécutant la commande suivante :

      await LanguageModel.create();
      

   5. Vous pouvez utiliser le rappel monitor suivant pour écouter la progression du téléchargement et vous assurer que le modèle est available avant d'effectuer des requêtes :

      const session = await LanguageModel.create({
        monitor(m) {
          m.addEventListener("downloadprogress", (e) => {
            console.log(`Downloaded ${e.loaded * 100}%`);
          });
        },
      });
      

Étape 2 : Configurez un projet Firebase et associez votre application à Firebase

1. Connectez-vous à la console Firebase, puis sélectionnez votre projet Firebase.

   Vous n'avez pas encore de projet Firebase ?

   Si vous n'avez pas encore de projet Firebase, cliquez sur le bouton pour en créer un, puis utilisez l'une des options suivantes :

   • Option 1 : Créez un projet Firebase entièrement nouveau (et son projet Google Cloud sous-jacent automatiquement) en saisissant un nouveau nom de projet à la première étape du workflow.

   • Option 2 : Ajoutez Firebase à un projet Google Cloud existant en cliquant sur Ajouter Firebase à un projet Google Cloud (en bas de la page). À la première étape du workflow, commencez à saisir le nom du projet existant, puis sélectionnez-le dans la liste affichée.

   Suivez les étapes restantes du workflow à l'écran pour créer un projet Firebase. Notez que lorsque vous y êtes invité, vous n'avez pas besoin de configurer Google Analytics pour utiliser les SDK Firebase AI Logic.

2. Dans la console Firebase, accédez à Services d'IA > Logique d'IA.

3. Cliquez sur Premiers pas pour lancer un workflow guidé qui vous aide à configurer les API requises et les ressources pour votre projet.

4. Si vous y êtes invité, suivez les instructions à l'écran pour enregistrer votre application et ajouter votre configuration Firebase à votre application.

5. Lorsque vous êtes invité à choisir un "fournisseur d'API Gemini", nous vous recommandons de sélectionner l'API Gemini Developer, qui vous permet de commencer rapidement et sans frais.

   Vous pourrez toujours configurer Vertex AI Gemini API (et ses exigences de facturation) à tout moment.

6. Poursuivez le workflow pour configurer les API requises et les services associés pour Firebase AI Logic.

   À partir de début juillet 2026, cette étape du workflow appliquera automatiquement Firebase App Check pour AI Logic, qui est un service critique pour protéger Gemini API lorsqu'il est directement accessible depuis votre application. Pour commencer (voir les étapes plus loin dans ce guide), vous devrez configurer le fournisseur de débogage App Check pour le développement local lorsque App Check est appliqué.

7. Passez à l'étape suivante de ce guide pour ajouter les SDK requis à votre application.

Étape 3 : Ajouter le SDK

La bibliothèque Firebase permet d'accéder aux API pour interagir avec les modèles génératifs. La bibliothèque est incluse dans le SDK Firebase JavaScript pour le Web.

1. Installez le SDK JS Firebase pour le Web à l'aide de npm :

   npm install firebase
   

2. Initialisez Firebase dans votre application :

   import { initializeApp } from "firebase/app";
   import { initializeAppCheck, DebugProvider } from "firebase/app-check";
   
   // TODO(developer) Replace the following with your app's Firebase configuration
   // See: https://firebase.google.com/docs/web/learn-more#config-object
   const firebaseConfig = {
     // ...
   };
   
   // Initialize FirebaseApp
   const firebaseApp = initializeApp(firebaseConfig);
   

Étape 3 : Configurer le fournisseur de débogage App Check pour le développement local

Début juillet 2026, dans le cadre du workflow de configuration guidée pour AI Logic dans la console, Firebase App Check sera automatiquement appliqué pour protéger le Gemini API. Pour le développement local, vous devez configurer le fournisseur de débogage App Check afin de contourner l'attestation tout en maintenant l'application de App Check.

Voici comment utiliser le fournisseur de débogage lors de l'exécution interactive de votre application à partir de localhost (par exemple, lors du développement local) :

1. Dans votre build de débogage, activez le mode débogage en définissant self.FIREBASE_APPCHECK_DEBUG_TOKEN sur true avant d'initialiser App Check. Exemple :

   self.FIREBASE_APPCHECK_DEBUG_TOKEN = true;
   initializeAppCheck(app, { /* App Check options */ });
   

2. Accédez à votre application Web en local et ouvrez les outils pour les développeurs du navigateur. Dans la console de débogage, un jeton de débogage s'affiche :

   AppCheck debug token: "123a4567-b89c-12d3-e456-789012345678".
   You will need to safelist it in the Firebase console for it to work.
   

3. Enregistrez votre jeton de débogage auprès de App Check :

   1. Dans la consoleFirebase, accédez à l'onglet Applications : Sécurité > App Check.

   2. Recherchez votre application, cliquez sur le menu à développer (more_vert), puis sélectionnez Gérer les jetons de débogage.

   3. Suivez les instructions à l'écran pour enregistrer votre jeton de débogage.

Pour en savoir plus sur le fournisseur de débogage (y compris sur la façon d'obtenir un nouveau jeton de débogage), consultez la documentation officielle App Check.

Étape 4 : Initialisez le service et créez une instance de modèle

Avant d'envoyer une requête d'invite au modèle, configurez les éléments suivants :

1. Initialisez le service pour le fournisseur d'API de votre choix.

2. Créer une instance GenerativeModel. Veillez à définir mode sur l'une des valeurs suivantes :

   • PREFER_ON_DEVICE : utilisez le modèle sur l'appareil s'il est disponible. Sinon, utilisez le modèle hébergé dans le cloud.

   • ONLY_ON_DEVICE : utilisez le modèle sur l'appareil s'il est disponible. Sinon, générez une exception.

   • PREFER_IN_CLOUD : utilisez le modèle hébergé dans le cloud s'il est disponible. Sinon, revenez au modèle sur l'appareil.

   • ONLY_IN_CLOUD : utilisez le modèle hébergé dans le cloud s'il est disponible. Sinon, générez une exception.

import { initializeApp } from "firebase/app";
import { getAI, getGenerativeModel, GoogleAIBackend, InferenceMode } from "firebase/ai";

// TODO(developer) Replace the following with your app's Firebase configuration
// See: https://firebase.google.com/docs/web/learn-more#config-object
const firebaseConfig = {
  // ...
};

// Initialize FirebaseApp
const firebaseApp = initializeApp(firebaseConfig);

// Initialize the Gemini Developer API backend service
const ai = getAI(firebaseApp, { backend: new GoogleAIBackend() });

// Create a `GenerativeModel` instance
// Set the mode (for example, use the on-device model if it's available)
const model = getGenerativeModel(ai, { mode: InferenceMode.PREFER_ON_DEVICE });

Étape 5 : Initialisez le modèle sur l'appareil

Vous devez appeler initializeDeviceModel() après ou pendant une interaction de l'utilisateur final avec une page (comme un clic sur un bouton) et avant d'envoyer une requête de prompt au modèle. Pour en savoir plus sur les exigences d'activation des utilisateurs, consultez la documentation Chrome.

import { initializeApp } from "firebase/app";
import { getAI, getGenerativeModel, GoogleAIBackend, InferenceMode } from "firebase/ai";

// TODO(developer) Replace the following with your app's Firebase configuration
// See: https://firebase.google.com/docs/web/learn-more#config-object
const firebaseConfig = {
  // ...
};

// Initialize FirebaseApp
const firebaseApp = initializeApp(firebaseConfig);

// Initialize the Gemini Developer API backend service
const ai = getAI(firebaseApp, { backend: new GoogleAIBackend() });

// Create a `GenerativeModel` instance
// Set the mode (for example, use the on-device model if it's available)
const model = getGenerativeModel(ai, { mode: InferenceMode.PREFER_ON_DEVICE });

// `initializeDeviceModel` must be called:
// (1) after or on an end-user page interaction such as a button click
// and
// (2) before any queries to the model (such as `generateContent()`)
// You may want to `await` this promise if using `ONLY_ON_DEVICE` (see note below).
model.initializeDeviceModel((val) =>
  // Example: "Download progress: 72.62%""
  console.log(`Download progress: ${Math.round(val*10000) / 100}%`)
);

Étape 6 : Envoyer une requête à un modèle

Cette section vous explique comment envoyer différents types d'entrées pour générer différents types de sorties, y compris :

• Générer du texte à partir d'une entrée textuelle uniquement
• Générer du texte à partir d'une entrée texte et image (multimodale)

Si vous souhaitez générer une sortie structurée (comme JSON ou des énumérations), utilisez l'un des exemples de "génération de texte" suivants et configurez le modèle pour qu'il réponde selon un schéma fourni.

Générer du texte à partir d'une entrée textuelle

Vous pouvez utiliser generateContent() pour générer du texte à partir d'une requête textuelle :

// Imports + initialization of FirebaseApp and backend service + creation of model instance

// Wrap in an async function so you can use await
async function run() {
  // Provide a prompt that contains text
  const prompt = "Write a story about a magic backpack."

  // To generate text output, call `generateContent` with the text input
  const result = await model.generateContent(prompt);

  const response = result.response;
  const text = response.text();
  console.log(text);
}

run();

Notez que Firebase AI Logic accepte également le streaming des réponses textuelles à l'aide de generateContentStream (au lieu de generateContent).

Générer du texte à partir d'une entrée texte et image (multimodale)

Vous pouvez utiliser generateContent() pour générer du texte à partir d'un prompt contenant des fichiers texte et image, en fournissant le mimeType de chaque fichier d'entrée et le fichier lui-même.

Les types d'images d'entrée acceptés pour l'inférence sur l'appareil sont PNG et JPEG.

// Imports + initialization of FirebaseApp and backend service + creation of model instance

// Converts a File object to a Part object.
async function fileToGenerativePart(file) {
  const base64EncodedDataPromise = new Promise((resolve) => {
    const reader = new FileReader();
    reader.onloadend = () => resolve(reader.result.split(',')[1]);
    reader.readAsDataURL(file);
  });
  return {
    inlineData: { data: await base64EncodedDataPromise, mimeType: file.type },
  };
}

async function run() {
  // Provide a text prompt to include with the image
  const prompt = "Write a poem about this picture:";

  const fileInputEl = document.querySelector("input[type=file]");
  const imagePart = await fileToGenerativePart(fileInputEl.files[0]);

  // To generate text output, call `generateContent` with the text and image
  const result = await model.generateContent([prompt, imagePart]);

  const response = result.response;
  const text = response.text();
  console.log(text);
}

run();

Notez que Firebase AI Logic accepte également le streaming des réponses textuelles à l'aide de generateContentStream (au lieu de generateContent).

Permettre aux utilisateurs finaux d'essayer votre fonctionnalité

Pour que les utilisateurs finaux puissent tester votre fonctionnalité dans votre application, vous devez vous inscrire aux versions d'essai Chrome Origin. Notez que la durée et l'utilisation de ces versions d'essai sont limitées.

1. Inscrivez-vous à la phase d'évaluation de l'origine Chrome pour l'API Prompt. Vous recevrez un jeton.

2. Indiquez le jeton sur chaque page Web pour laquelle vous souhaitez activer la fonctionnalité bêta. Utilisez l'une des options suivantes :

   • Fournissez le jeton en tant que balise Meta dans la balise <head> : <meta http-equiv="origin-trial" content="TOKEN">

   • Fournissez le jeton en tant qu'en-tête HTTP : Origin-Trial: TOKEN

   • Fournissez le jeton de manière programmatique.

Qu'est-ce que tu sais faire d'autre ?

Vous pouvez utiliser différentes options et fonctionnalités de configuration supplémentaires pour vos expériences hybrides :

• Définir un mode d'inférence

• Remplacer le modèle de remplacement hébergé dans le cloud par défaut

• Utiliser la configuration du modèle pour contrôler les réponses (comme la température)

• Générer une sortie structurée (comme JSON)

Fonctionnalités pas encore disponibles pour l'inférence sur l'appareil

Comme il s'agit d'une version preview, toutes les fonctionnalités du SDK Web ne sont pas disponibles pour l'inférence sur l'appareil. Les fonctionnalités suivantes ne sont pas encore compatibles avec l'inférence sur l'appareil (mais elles sont généralement disponibles pour l'inférence basée sur le cloud).

• Générer du texte à partir de types de fichiers image autres que JPEG et PNG

  • Peut revenir au modèle hébergé dans le cloud. Toutefois, le mode ONLY_ON_DEVICE générera une erreur.

• Générer du texte à partir d'entrées audio, vidéo et de documents (comme des PDF)

  • Peut revenir au modèle hébergé dans le cloud. Toutefois, le mode ONLY_ON_DEVICE générera une erreur.

• Générer des images à l'aide des modèles Gemini ou Imagen

  • Peut revenir au modèle hébergé dans le cloud. Toutefois, le mode ONLY_ON_DEVICE générera une erreur.

• Fournir des fichiers à l'aide d'URL dans les requêtes multimodales. Vous devez fournir les fichiers sous forme de données intégrées aux modèles sur l'appareil.

• Chat multitour

  • Peut revenir au modèle hébergé dans le cloud. Toutefois, le mode ONLY_ON_DEVICE générera une erreur.

• Streaming bidirectionnel avec Gemini Live API

• Fournir au modèle des outils pour l'aider à générer sa réponse (comme l'appel de fonction, l'exécution de code, le contexte d'URL, l'ancrage avec Google Search et l'ancrage avec Google Maps)

• Compter les jetons

  • Génère toujours une erreur. Le nombre de résultats sera différent entre les modèles hébergés dans le cloud et ceux sur l'appareil. Il n'y a donc pas de solution de repli intuitive.

• Surveillance de l'IA dans la console Firebase pour l'inférence sur l'appareil.

  • Notez que toute inférence utilisant les modèles hébergés dans le cloud peut être surveillée comme toute autre inférence utilisant le SDK client Firebase AI Logic pour le Web.

Envoyer des commentaires sur votre expérience avec Firebase AI Logic