Ao chamar o Vertex AI Gemini API do seu app usando um SDK Vertex AI in Firebase, você pode solicitar que o modelo Gemini gere texto com base em uma entrada multimodal. Os comandos multimodais podem incluir várias modalidades (ou tipos de entrada), como texto com imagens, PDFs, vídeo e áudio.
Para as partes não textuais da entrada (como arquivos de mídia), é necessário usar tipos de arquivos compatíveis, especificar um tipo MIME compatível e garantir que os arquivos e as solicitações multimodais atendam aos requisitos e sigam as práticas recomendadas.
Esta página descreve os tipos MIME, as práticas recomendadas e as limitações para o seguinte:
Requisitos específicos para os SDKs Vertex AI in Firebase
Para SDKs Vertex AI in Firebase, o tamanho máximo da solicitação é 20 MB. Você recebe um erro HTTP 413 se uma solicitação for muito grande.
Se o tamanho de um arquivo fizer com que o tamanho total da solicitação exceda 20 MB, use um URL Cloud Storage for Firebase para incluir o arquivo na solicitação multimodal.
Se um arquivo for pequeno, é possível transmiti-lo diretamente como dados inline. No entanto, um arquivo fornecido como dados inline é codificado em base64 em trânsito, o que aumenta o tamanho da solicitação. Para conferir exemplos de como incluir arquivos como dados inline, consulte Gerar texto de comandos multimodais usando a API Gemini.
Imagens: requisitos, práticas recomendadas e limitações
Imagens: requisitos
Nesta seção, saiba mais sobre os tipos MIME compatíveis e os limites por solicitação de imagens.
Tipos MIME compatíveis
Os modelos multimodais do Gemini são compatíveis com os seguintes tipos MIME de imagem:
| Tipo de Mime da imagem | Gemini 1.5 Flash | Gemini 1.5 Pro | Gemini 1.0 Pro Vision |
|---|---|---|---|
PNG - image/png |
|||
JPEG - image/jpeg |
|||
WebP: image/webp |
Limites por solicitação
Não há um limite específico para o número de pixels em uma imagem. No entanto, imagens maiores são reduzidas e preenchidas para caber em uma resolução máxima de 3072 x 3072, preservando a proporção original.
Este é o número máximo de arquivos de imagem permitidos em uma solicitação de comando:
- Gemini 1.0 Pro Vision: 16 imagens
- Gemini 1.5 Flash e Gemini 1.5 Pro: 3.000 imagens
Imagens: tokenização
Veja como os tokens são calculados para imagens:
- Gemini 1.0 Pro Vision: cada imagem representa 258 tokens.
- Gemini 1.5 Flash e
Gemini 1.5 Pro:
- Se as duas dimensões de uma imagem forem menores ou iguais a 384 pixels, então 258 tokens serão usados.
- Se uma dimensão de uma imagem for maior do que 384 pixels, a imagem será cortada em blocos. O padrão de cada tamanho de bloco é a menor dimensão (largura ou altura) dividida por 1,5. Se necessário, cada bloco é ajustado para não ser menor que 256 pixels nem maior que 768 pixels. Cada bloco é redimensionado para 768 x 768 e usa 258 tokens.
Imagens: práticas recomendadas
Ao usar imagens, siga as práticas recomendadas e informações a seguir para ter os melhores resultados.
- Se você quiser detectar texto em uma imagem, use comandos com uma única imagem para produzir resultados melhores do que comandos com várias imagens.
- Se o comando tiver apenas uma imagem, coloque-a antes do comando de texto na solicitação.
- Se o comando tiver várias imagens e você quiser consultá-las
posteriormente no comando ou fazer com que o modelo as mencione na resposta do modelo,
atribua um índice a cada imagem antes da imagem. Use
abcimage 1image 2image 3image 1
image 2 image 3 Write a blogpost about my day using image 1 and image 2. Then, give me ideas for tomorrow based on image 3. - Use imagens com resolução mais alta para gerar resultados melhores.
- Inclua alguns exemplos no comando.
- Gire as imagens para a orientação correta antes de adicioná-las ao comando.
- Evite imagens desfocadas.
Imagens: limitações
Embora os modelos multimodais do Gemini sejam eficientes em muitos casos de uso multimodais, é importante entender as limitações dos modelos:
- Moderação de conteúdo: os modelos se recusam a fornecer respostas sobre imagens que violam nossas políticas de segurança.
- Raciocínio espacial: os modelos não são precisos para localizar texto ou objetos em imagens. Talvez eles retornem somente as contagens aproximadas de objetos.
- Usos médicos: os modelos não são adequados para interpretar eimagens médicas (por exemplo, raios-X e tomografias computadorizadas) ou fornecer aconselhamento médico.
- Reconhecimento de pessoas: os modelos não são usados para identificar pessoas que não são celebridades em imagens.
- Precisão: os modelos podem apresentar alucinação artificial ou cometer erros ao interpretar imagens de baixa qualidade, rotacionadas ou de resolução extremamente baixa. Os modelos também podem apresentar erros ao interpretar texto escrito à mão em imagens ou documentos.
Vídeo: requisitos, práticas recomendadas e limitações
Vídeo: requisitos
Nesta seção, saiba mais sobre os tipos MIME compatíveis e os limites por solicitação de vídeo.
Tipos MIME compatíveis
Os modelos multimodais do Gemini são compatíveis com os seguintes tipos MIME de vídeo:
| Tipo de vídeo MIME | Gemini 1.5 Flash | Gemini 1.5 Pro | Gemini 1.0 Pro Vision |
|---|---|---|---|
FLV - video/x-flv |
|||
MOV - video/quicktime |
|||
MPEG - video/mpeg |
|||
MPEGPS - video/mpegps |
|||
MPG - video/mpg |
|||
MP4 - video/mp4 |
|||
WEBM - video/webm |
|||
WMV - video/wmv |
|||
3GPP - video/3gpp |
Limites por solicitação
Este é o número máximo de arquivos de vídeo permitidos em uma solicitação de comando:
- Gemini 1.0 Pro Vision: 1 arquivo de vídeo
- Gemini 1.5 Flash e Gemini 1.5 Pro: 10 arquivos de vídeo
Vídeo: Tokenização
Confira como os tokens são calculados para vídeos:
- Todos os modelos multimodais do Gemini: as amostras de vídeo são feitas a
1 frame por segundo (QPS) . Cada frame de vídeo representa 258 tokens. - Gemini 1.5 Flash e
Gemini 1.5 Pro: a faixa de áudio é codificada
com frames de vídeo. A faixa de áudio também é dividida em
troncos de um segundo que representam 32 tokens. O frame de vídeo e os tokens de áudio são intercalados com os respectivos carimbos de data/hora. Os carimbos de data/hora são representados como sete tokens.
Vídeo: práticas recomendadas
Ao usar vídeos, siga as práticas recomendadas e informações a seguir para ter os melhores resultados:
- Se o comando contiver um único vídeo, coloque o vídeo antes do comando de texto.
- Se você precisar de localização de carimbo de data/hora em um vídeo com áudio, peça ao modelo
para gerar carimbos de data/hora no formato
MM:SS, em que os dois primeiros dígitos representam minutos e os dois últimos dígitos representam segundos. Use o mesmo formato para perguntas sobre carimbo de data/hora. Se você estiver usando o Gemini 1.0 Pro Vision, observe o seguinte:
- Use no máximo um vídeo por comando.
- O modelo só processa as informações nos primeiros dois minutos do vídeo.
- O modelo processa vídeos como frames de imagem não contíguos do vídeo. O áudio não está incluído. Se você notar que falta algum conteúdo do vídeo no modelo, tente encurtar o vídeo para que ele capture uma parte maior do conteúdo.
- O modelo não processa nenhuma informação de áudio ou metadados de carimbo de data/hora. Por isso, o modelo pode não funcionar bem em casos de uso que exigem entrada de áudio, como legendas de áudio ou informações relacionadas ao tempo, como velocidade ou ritmo.
Vídeo: limitações
Embora os modelos multimodais do Gemini sejam eficientes em muitos casos de uso multimodais, é importante entender as limitações dos modelos:
- Moderação de conteúdo: os modelos se recusam a responder a vídeos que violam nossas políticas de segurança.
- Reconhecimento de som sem fala: os modelos compatíveis com áudio podem cometer erros ao reconhecer sons que não são fala.
- Movimento de alta velocidade: os modelos podem cometer erros
na compreensão do movimento de alta velocidade nos vídeos devido à taxa de amostragem fixa
de
1 frame por segundo (QPS) . - Pontuação da transcrição: (se estiver usando o Gemini 1.5 Flash) Os modelos podem retornar transcrições que não incluem pontuação.
Áudio: requisitos e limitações
Áudio: requisitos
Nesta seção, você vai conhecer os tipos MIME e os limites por solicitação de áudio.
Tipos MIME compatíveis
Os modelos multimodais do Gemini são compatíveis com os seguintes tipos MIME de áudio:
| Tipo MIME de áudio | Gemini 1.5 Flash | Gemini 1.5 Pro |
|---|---|---|
AAC - audio/aac |
||
FLAC - audio/flac |
||
MP3 - audio/mp3 |
||
MPA - audio/m4a |
||
MPEG - audio/mpeg |
||
MPGA - audio/mpga |
||
MP4 - audio/mp4 |
||
OPUS - audio/opus |
||
PCM - audio/pcm |
||
WAV - audio/wav |
||
WEBM - audio/webm |
Limites por solicitação
Você pode incluir no máximo
Áudio: limitações
Embora os modelos multimodais do Gemini sejam eficientes em muitos casos de uso multimodais, é importante entender as limitações dos modelos:
- Reconhecimento de som sem fala: os modelos compatíveis com áudio podem cometer erros ao reconhecer sons que não são fala.
- Carimbos de data/hora somente de áudio: para gerar carimbos de data/hora com precisão para arquivos somente de áudio, configure o parâmetro
audio_timestampemgeneration_config. - Pontuação da transcrição: (se estiver usando o Gemini 1.5 Flash) Os modelos podem retornar transcrições que não incluem pontuação.
Documentos (como PDFs): requisitos, práticas recomendadas e limitações
Documentos: requisitos
Nesta seção, você vai conhecer os tipos MIME compatíveis e os limites por solicitação para documentos (como PDFs).
Tipos MIME compatíveis
Os modelos multimodais do Gemini são compatíveis com os seguintes tipos MIME de documento:
| Tipo MIME do documento | Gemini 1.5 Flash | Gemini 1.5 Pro | Gemini 1.0 Pro Vision |
|---|---|---|---|
PDF - application/pdf |
|||
Texto: text/plain |
Limites por solicitação
PDFs são tratados como imagens, portanto, uma única página de um PDF é tratada como uma imagem. O número de páginas permitido em um comando é limitado ao número de imagens que o modelo aceita:
- Gemini 1.0 Pro Vision: 16 páginas
- Gemini 1.5 Pro e Gemini 1.5 Flash: 1.000 páginas
Documentos: Tokenização
Tokenização de PDFs
Os PDFs são tratados como imagens. Por isso, cada página de um PDF é tokenizada da mesma forma que uma imagem.
Além disso, o custo dos PDFs segue os preços de imagens do Gemini. Por exemplo, se você incluir um PDF de duas páginas em uma chamada da API Gemini, será cobrada uma taxa de entrada pelo processamento de duas imagens.
Tokenização de texto simples
Os documentos de texto simples são tokenizados como texto. Por exemplo, se você incluir um documento de texto simples de 100 palavras em uma chamada da API Gemini, será cobrada uma taxa de entrada pelo processamento de 100 palavras.
Documentos: práticas recomendadas
Ao usar PDFs, siga as práticas recomendadas e informações a seguir para ter os melhores resultados:
- Se o comando contiver um único PDF, coloque o PDF antes do comando de texto na solicitação.
- Se você tiver um documento longo, considere dividi-lo em vários PDFs para processá-lo.
- Use PDFs criados com texto renderizado como texto em vez de usar texto em imagens digitalizadas. Esse formato garante que o texto seja legível por máquina para que seja mais fácil editar, pesquisar e manipular o texto em comparação com PDFs de imagens digitalizadas. Essa prática fornece resultados ideais ao trabalhar com documentos com muito texto, como contratos.
Documentos: limitações
Embora os modelos multimodais do Gemini sejam eficientes em muitos casos de uso multimodais, é importante entender as limitações dos modelos:
- Raciocínio espacial: os modelos não são precisos para localizar texto ou objetos em PDFs. Talvez eles retornem somente as contagens aproximadas de objetos.
- Precisão: os modelos podem apresentar erros ao interpretar texto escrito à mão em documentos PDF.