Các tệp đầu vào và yêu cầu được hỗ trợ cho API Gemini của Vertex AI

Khi gọi Vertex AI Gemini API từ ứng dụng bằng SDK Vertex AI in Firebase, bạn có thể nhắc mô hình Gemini tạo văn bản dựa trên dữ liệu đầu vào đa phương thức. Lời nhắc đa phương thức có thể bao gồm nhiều phương thức (hoặc loại dữ liệu đầu vào), chẳng hạn như văn bản cùng với hình ảnh, tệp PDF, video và âm thanh.

Đối với các phần không phải văn bản của dữ liệu đầu vào (chẳng hạn như tệp phương tiện), bạn cần sử dụng các loại tệp được hỗ trợ, chỉ định loại MIME được hỗ trợ và đảm bảo rằng các tệp và yêu cầu đa phương thức của bạn đáp ứng các yêu cầu và tuân thủ các phương pháp hay nhất.

Trang này mô tả các loại MIME được hỗ trợ, các phương pháp hay nhất và các giới hạn đối với:

Yêu cầu dành riêng cho SDK Vertex AI in Firebase

Đối với SDK Vertex AI in Firebase, tổng kích thước yêu cầu tối đa là 20 MB. Bạn sẽ gặp lỗi HTTP 413 nếu yêu cầu quá lớn.


Hình ảnh: Yêu cầu, phương pháp hay nhất và giới hạn

Hình ảnh: Yêu cầu

Trong phần này, hãy tìm hiểu về các loại MIME được hỗ trợ và giới hạn cho mỗi yêu cầu đối với hình ảnh.

Loại MIME được hỗ trợ

Các mô hình đa phương thức của Gemini hỗ trợ các loại MIME hình ảnh sau:

Loại MIME hình ảnh Gemini 1.5 Flash Gemini 1.5 Pro Gemini 1.0 Pro Vision
PNG – image/png
JPEG – image/jpeg
WebP – image/webp

Giới hạn cho mỗi yêu cầu

Không có giới hạn cụ thể về số lượng pixel trong một hình ảnh. Tuy nhiên, hình ảnh lớn hơn sẽ được điều chỉnh theo tỷ lệ và được thêm vào để phù hợp với độ phân giải tối đa là 3072 x 3072 trong khi vẫn giữ nguyên tỷ lệ khung hình gốc.

Sau đây là số lượng tệp hình ảnh tối đa được phép trong một yêu cầu lời nhắc:

  • Gemini 1.0 Pro Vision: 16 hình ảnh
  • Gemini 1.5 Flash và Gemini 1.5 Pro: 3.000 hình ảnh

Hình ảnh: Mã hoá

Dưới đây là cách tính mã thông báo cho hình ảnh:

  • Gemini 1.0 Pro Vision: Mỗi hình ảnh chiếm 258 mã thông báo.
  • Gemini 1.5 Flash và Gemini 1.5 Pro:
    • Nếu cả hai kích thước của hình ảnh đều nhỏ hơn hoặc bằng 384 pixel, thì 258 mã thông báo sẽ được sử dụng.
    • Nếu một kích thước của hình ảnh lớn hơn 384 pixel, thì hình ảnh sẽ được cắt thành ô. Mỗi kích thước thẻ thông tin mặc định là kích thước nhỏ nhất (chiều rộng hoặc chiều cao) chia cho 1,5. Nếu cần, mỗi thẻ thông tin sẽ được điều chỉnh để không nhỏ hơn 256 pixel và không lớn hơn 768 pixel. Sau đó, mỗi thẻ thông tin được đổi kích thước thành 768x768 và sử dụng 258 mã thông báo.

Hình ảnh: Các phương pháp hay nhất

Khi sử dụng hình ảnh, hãy áp dụng các phương pháp hay nhất và thông tin sau đây để có kết quả tốt nhất:

  • Nếu bạn muốn phát hiện văn bản trong hình ảnh, hãy sử dụng câu lệnh có một hình ảnh để có kết quả tốt hơn so với câu lệnh có nhiều hình ảnh.
  • Nếu câu lệnh của bạn chứa một hình ảnh, hãy đặt hình ảnh đó trước câu lệnh văn bản trong yêu cầu.
  • Nếu câu lệnh của bạn chứa nhiều hình ảnh và bạn muốn tham chiếu đến các hình ảnh đó sau này trong câu lệnh hoặc yêu cầu mô hình tham chiếu đến các hình ảnh đó trong phản hồi của mô hình, thì bạn có thể đặt chỉ mục trước mỗi hình ảnh. Sử dụng a b c hoặc image 1 image 2 image 3 cho chỉ mục của bạn. Sau đây là ví dụ về cách sử dụng hình ảnh được lập chỉ mục trong một lời nhắc: 
    image 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.
  • Sử dụng hình ảnh có độ phân giải cao hơn để có kết quả tốt hơn.
  • Đưa một vài ví dụ vào câu lệnh.
  • Xoay hình ảnh theo hướng thích hợp trước khi thêm hình ảnh vào lời nhắc.
  • Tránh sử dụng hình ảnh bị mờ.

Hình ảnh: Các điểm hạn chế

Mặc dù các mô hình đa phương thức của Gemini rất mạnh mẽ trong nhiều trường hợp sử dụng đa phương thức, nhưng bạn cần hiểu rõ các hạn chế của các mô hình này:

  • Quy trình kiểm duyệt nội dung: Người mẫu từ chối trả lời về những hình ảnh vi phạm chính sách an toàn của chúng tôi.
  • Suy luận không gian: Các mô hình không chính xác khi xác định vị trí văn bản hoặc đối tượng trong hình ảnh. Các phương thức này có thể chỉ trả về số lượng đối tượng được ước tính.
  • Mục đích sử dụng y tế: Các mô hình này không phù hợp để diễn giải hình ảnh y tế (ví dụ: X-quang và chụp CT) hoặc đưa ra lời khuyên y tế.
  • Nhận dạng người: Các mô hình này không được dùng để xác định những người không phải là người nổi tiếng trong hình ảnh.
  • Tính chính xác: Các mô hình có thể ảo tưởng hoặc mắc lỗi khi diễn giải hình ảnh chất lượng thấp, bị xoay hoặc có độ phân giải cực thấp. Các mô hình cũng có thể ảo tưởng khi diễn giải văn bản viết tay trong tài liệu hình ảnh.


Video: Yêu cầu, phương pháp hay nhất và giới hạn

Video: Yêu cầu

Trong phần này, hãy tìm hiểu về các loại MIME được hỗ trợ và giới hạn cho mỗi yêu cầu đối với video.

Loại MIME được hỗ trợ

Các mô hình đa phương thức của Gemini hỗ trợ các loại MIME video sau:

Loại MIME của video 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

Giới hạn cho mỗi yêu cầu

Sau đây là số lượng tệp video tối đa được phép trong một yêu cầu lời nhắc:

  • Gemini 1.0 Pro Vision: 1 tệp video
  • Gemini 1.5 Flash và Gemini 1.5 Pro: 10 tệp video

Video: Mã hoá

Dưới đây là cách tính mã thông báo cho video:

  • Tất cả mô hình đa phương thức Gemini: Video được lấy mẫu ở tốc độ 1 khung hình/giây (fps). Mỗi khung hình video chiếm 258 mã thông báo.
  • Gemini 1.5 Flash và Gemini 1.5 Pro: Bản âm thanh được mã hoá bằng khung hình video. Bản âm thanh cũng được chia thành các thân 1 giây, mỗi thân chiếm 32 mã thông báo. Khung video và mã thông báo âm thanh được xen kẽ với dấu thời gian. Dấu thời gian được biểu thị dưới dạng 7 mã thông báo.

Video: Các phương pháp hay nhất

Khi sử dụng video, hãy áp dụng các phương pháp hay nhất và thông tin sau đây để đạt được kết quả tốt nhất:

  • Nếu câu lệnh của bạn chứa một video, hãy đặt video đó trước câu lệnh dạng văn bản.
  • Nếu bạn cần bản địa hoá dấu thời gian trong một video có âm thanh, hãy yêu cầu mô hình tạo dấu thời gian ở định dạng MM:SS, trong đó hai chữ số đầu tiên biểu thị phút và hai chữ số cuối cùng biểu thị giây. Sử dụng cùng một định dạng cho các câu hỏi hỏi về dấu thời gian.

  • Hãy lưu ý những điều sau nếu bạn đang sử dụng Gemini 1.0 Pro Vision:

    • Mỗi câu lệnh chỉ được sử dụng tối đa một video.
    • Mô hình này chỉ xử lý thông tin trong 2 phút đầu của video.
    • Mô hình này xử lý video dưới dạng các khung hình không liền nhau từ video. Không có âm thanh. Nếu bạn nhận thấy mô hình thiếu một số nội dung trong video, hãy thử rút ngắn video để mô hình có thể chụp được nhiều nội dung hơn trong video.
    • Mô hình này không xử lý bất kỳ thông tin âm thanh hoặc siêu dữ liệu dấu thời gian nào. Do đó, mô hình này có thể không hoạt động tốt trong các trường hợp sử dụng yêu cầu đầu vào âm thanh, chẳng hạn như chú thích âm thanh hoặc thông tin liên quan đến thời gian, chẳng hạn như tốc độ hoặc nhịp điệu.

Video: Các điểm hạn chế

Mặc dù các mô hình đa phương thức của Gemini rất mạnh mẽ trong nhiều trường hợp sử dụng đa phương thức, nhưng bạn cần hiểu rõ các hạn chế của các mô hình này:

  • Quản lý nội dung: Người mẫu từ chối trả lời câu hỏi về những video vi phạm chính sách an toàn của chúng tôi.
  • Nhận dạng âm thanh không phải lời nói: Các mẫu hỗ trợ âm thanh có thể mắc lỗi khi nhận dạng âm thanh không phải lời nói.
  • Chuyển động tốc độ cao: Các mô hình có thể mắc lỗi khi hiểu chuyển động tốc độ cao trong video do tốc độ lấy mẫu cố định 1 khung hình/giây (fps).
  • Dấu câu trong bản chép lời: (nếu sử dụng Gemini 1.5 Flash) Các mô hình có thể trả về bản chép lời không có dấu câu.


Âm thanh: Yêu cầu và hạn chế

Âm thanh: Yêu cầu

Trong phần này, hãy tìm hiểu về các loại MIME được hỗ trợ và giới hạn cho mỗi yêu cầu về âm thanh.

Loại MIME được hỗ trợ

Các mô hình đa phương thức của Gemini hỗ trợ các loại MIME âm thanh sau:

Loại MIME âm thanh 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

Giới hạn cho mỗi yêu cầu

Bạn có thể đưa vào tối đa 1 tệp âm thanh trong một yêu cầu lời nhắc.

Âm thanh: Các điểm hạn chế

Mặc dù các mô hình đa phương thức của Gemini rất mạnh mẽ trong nhiều trường hợp sử dụng đa phương thức, nhưng bạn cần hiểu rõ các hạn chế của các mô hình này:

  • Nhận dạng âm thanh không phải lời nói: Các mẫu hỗ trợ âm thanh có thể mắc lỗi khi nhận dạng âm thanh không phải lời nói.
  • Dấu thời gian chỉ có âm thanh: Để tạo dấu thời gian chính xác cho các tệp chỉ có âm thanh, bạn phải định cấu hình tham số audio_timestamp trong generation_config.
  • Dấu câu trong bản chép lời: (nếu sử dụng Gemini 1.5 Flash) Các mô hình có thể trả về bản chép lời không có dấu câu.


Tài liệu (chẳng hạn như PDF): Yêu cầu, phương pháp hay nhất và giới hạn

Giấy tờ: Yêu cầu

Trong phần này, hãy tìm hiểu về các loại MIME được hỗ trợ và giới hạn cho mỗi yêu cầu đối với tài liệu (chẳng hạn như PDF).

Loại MIME được hỗ trợ

Các mô hình đa phương thức của Gemini hỗ trợ các loại MIME tài liệu sau:

Loại MIME của tài liệu Gemini 1.5 Flash Gemini 1.5 Pro Gemini 1.0 Pro Vision
PDF – application/pdf
Văn bản – text/plain

Giới hạn cho mỗi yêu cầu

Tệp PDF được coi là hình ảnh, vì vậy, một trang của tệp PDF được coi là một hình ảnh. Số trang được phép trong một câu lệnh chỉ giới hạn ở số lượng hình ảnh mà mô hình có thể hỗ trợ:

  • Gemini 1.0 Pro Vision: 16 trang
  • Gemini 1.5 Pro và Gemini 1.5 Flash: 1.000 trang

Tài liệu: Mã hoá kỹ thuật số

Mã hoá tệp PDF

Tệp PDF được coi là hình ảnh, vì vậy, mỗi trang của tệp PDF được mã hoá theo cách tương tự như hình ảnh.

Ngoài ra, chi phí cho tệp PDF tuân theo mức giá của hình ảnh trên Gemini. Ví dụ: nếu thêm tệp PDF gồm hai trang vào lệnh gọi API Gemini, bạn sẽ phải trả phí đầu vào để xử lý hai hình ảnh.

Mã hoá văn bản thuần tuý

Tài liệu văn bản thuần tuý được mã hoá dưới dạng văn bản. Ví dụ: nếu đưa một tài liệu văn bản thuần tuý gồm 100 từ vào lệnh gọi API Gemini, bạn sẽ phải trả phí đầu vào để xử lý 100 từ.

Tài liệu: Các phương pháp hay nhất

Khi sử dụng tệp PDF, hãy áp dụng các phương pháp hay nhất và thông tin sau đây để có kết quả tốt nhất:

  • Nếu câu lệnh của bạn chứa một tệp PDF, hãy đặt tệp PDF đó trước câu lệnh văn bản trong yêu cầu.
  • Nếu bạn có một tài liệu dài, hãy cân nhắc chia tài liệu đó thành nhiều tệp PDF để xử lý.
  • Sử dụng tệp PDF được tạo bằng văn bản được hiển thị dưới dạng văn bản thay vì sử dụng văn bản trong hình ảnh được quét. Định dạng này đảm bảo văn bản có thể đọc được bằng máy để mô hình dễ dàng chỉnh sửa, tìm kiếm và thao tác hơn so với PDF hình ảnh được quét. Phương pháp này mang lại kết quả tối ưu khi xử lý các tài liệu có nhiều văn bản như hợp đồng.

Giấy tờ: Các điểm hạn chế

Mặc dù các mô hình đa phương thức của Gemini rất mạnh mẽ trong nhiều trường hợp sử dụng đa phương thức, nhưng bạn cần hiểu rõ các hạn chế của các mô hình này:

  • Suy luận không gian: Các mô hình không chính xác trong việc xác định vị trí văn bản hoặc đối tượng trong tệp PDF. Các hàm này có thể chỉ trả về số lượng gần đúng của các đối tượng.
  • Tính chính xác: Các mô hình có thể bị ảo giác khi diễn giải văn bản viết tay trong tài liệu PDF.