از پیکربندی مدل برای کنترل پاسخ ها استفاده کنید

در هر فراخوانی یک مدل، می‌توانید پیکربندی مدل را برای کنترل نحوه‌ی تولید پاسخ توسط مدل ارسال کنید. هر مدل گزینه‌های پیکربندی متفاوتی ارائه می‌دهد.

همچنین می‌توانید با استفاده از Google AI Studio با دستورات و پیکربندی‌های مدل آزمایش کنید.

پرش به گزینه‌های پیکربندی پرش به گزینه‌های پیکربندی ایمیجن

---

پیکربندی مدل‌های Gemini

برای مشاهده محتوا و کد مخصوص ارائه‌دهنده در این صفحه، روی ارائه‌دهنده API Gemini خود کلیک کنید. API توسعه‌دهندگان Gemini، Vertex AI، API Gemini

این بخش به شما نشان می‌دهد که چگونه یک پیکربندی برای استفاده با مدل‌های Gemini راه‌اندازی کنید و توضیحی در مورد هر پارامتر ارائه می‌دهد.

پیکربندی مدل ( Gemini ) را تنظیم کنید

توجه: در اکثر موارد استفاده هنگام دسترسی به یک مدل Gemini ، شما مدل را با استفاده GenerationConfig پیکربندی می‌کنید. با این حال، اگر در حال پیکربندی یک مدل برای Gemini Live API هستید، از LiveGenerationConfig استفاده می‌کنید.

پیکربندی برای موارد استفاده عمومی

این پیکربندی در طول عمر نمونه حفظ می‌شود. اگر می‌خواهید از پیکربندی متفاوتی استفاده کنید، یک نمونه GenerativeModel جدید با آن پیکربندی ایجاد کنید.

سویفت

مقادیر پارامترها را در GenerationConfig به عنوان بخشی از ایجاد یک نمونه GenerativeModel تنظیم کنید.

g: config
)

// ...

import FirebaseAILogic

// Set parameter values in a `GenerationConfig`.
// IMPORTANT: Example values shown here. Make sure to update for your use case.
let config = GenerationConfig(
  candidateCount: 1,
  temperature: 0.9,
  topP: 0.1,
  topK: 16,
  maxOutputTokens: 200,
  stopSequences: ["red"]
)

// Initialize the Gemini Developer API backend service
// Specify the config as part of creating the `GenerativeModel` instance
let model = FirebaseAI.firebaseAI(backend: .googleAI()).generativeModel(
  modelName: "GEMINI_MODEL_NAME",
  generationConfig: config
)

// ...

Kotlin

مقادیر پارامترها را در GenerationConfig به عنوان بخشی از ایجاد یک نمونه GenerativeModel تنظیم کنید.

 = config
)

// ...

// ...

// Set parameter values in a `GenerationConfig`.
// IMPORTANT: Example values shown here. Make sure to update for your use case.
val config = generationConfig {
    candidateCount = 1
    maxOutputTokens = 200
    stopSequences = listOf("red")
    temperature = 0.9f
    topK = 16
    topP = 0.1f
}

// Initialize the Gemini Developer API backend service
// Specify the config as part of creating the `GenerativeModel` instance
val model = Firebase.ai(backend = GenerativeBackend.googleAI()).generativeModel(
    modelName = "GEMINI_MODEL_NAME",
    generationConfig = config
)

// ...

Java

مقادیر پارامترها را در GenerationConfig به عنوان بخشی از ایجاد یک نمونه GenerativeModel تنظیم کنید.

      );
);

// ...

// ...

// Set parameter values in a `GenerationConfig`.
// IMPORTANT: Example values shown here. Make sure to update for your use case.
GenerationConfig.Builder configBuilder = new GenerationConfig.Builder();
configBuilder.candidateCount = 1;
configBuilder.maxOutputTokens = 200;
configBuilder.stopSequences = List.of("red");
configBuilder.temperature = 0.9f;
configBuilder.topK = 16;
configBuilder.topP = 0.1f;

GenerationConfig config = configBuilder.build();

// Specify the config as part of creating the `GenerativeModel` instance
GenerativeModelFutures model = GenerativeModelFutures.from(
        FirebaseAI.getInstance(GenerativeBackend.googleAI())
                .generativeModel(
                    "GEMINI_MODEL_NAME",
                    config
                );
);

// ...

Web

مقادیر پارامترها را در GenerationConfig به عنوان بخشی از ایجاد یک نمونه GenerativeModel تنظیم کنید.

nConfig });

// ...

// ...

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

// Set parameter values in a `GenerationConfig`.
// IMPORTANT: Example values shown here. Make sure to update for your use case.
const generationConfig = {
  candidate_count: 1,
  maxOutputTokens: 200,
  stopSequences: ["red"],
  temperature: 0.9,
  topP: 0.1,
  topK: 16,
};

// Specify the config as part of creating the `GenerativeModel` instance
const model = getGenerativeModel(ai, { model: "GEMINI_MODEL_NAME",  generationConfig });

// ...

Dart

مقادیر پارامترها را در GenerationConfig به عنوان بخشی از ایجاد یک نمونه GenerativeModel تنظیم کنید.

onfig,
);

// ...

// ...

// Set parameter values in a `GenerationConfig`.
// IMPORTANT: Example values shown here. Make sure to update for your use case.
final generationConfig = GenerationConfig(
  candidateCount: 1,
  maxOutputTokens: 200,
  stopSequences: ["red"],
  temperature: 0.9,
  topP: 0.1,
  topK: 16,
);

// Initialize the Gemini Developer API backend service
// Specify the config as part of creating the `GenerativeModel` instance
final model = FirebaseAI.googleAI().generativeModel(
  model: 'GEMINI_MODEL_NAME',
  config: generationConfig,
);

// ...

وحدت

مقادیر پارامترها را در GenerationConfig به عنوان بخشی از ایجاد یک نمونه GenerativeModel تنظیم کنید.

generationConfig
);

// ...

// Set parameter values in a `GenerationConfig`.
// IMPORTANT: Example values shown here. Make sure to update for your use case.
var generationConfig = new GenerationConfig(
  candidateCount: 1,
  maxOutputTokens: 200,
  stopSequences: new string[] { "red" },
  temperature: 0.9f,
  topK: 16,
  topP: 0.1f
);

// Specify the config as part of creating the `GenerativeModel` instance
var ai = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI());
var model = ai.GetGenerativeModel(
  modelName: "GEMINI_MODEL_NAME",
  generationConfig: generationConfig
);

می‌توانید توضیحات مربوط به هر پارامتر را در بخش بعدی این صفحه بیابید.

پیکربندی برای Gemini Live API

این پیکربندی در طول عمر نمونه حفظ می‌شود. اگر می‌خواهید از پیکربندی متفاوتی استفاده کنید، یک نمونه LiveModel جدید با آن پیکربندی ایجاد کنید.

سویفت

مقادیر پارامترها را در liveGenerationConfig هنگام مقداردهی اولیه نمونه LiveGenerativeModel تنظیم کنید:

g: config
)

// ...

import FirebaseAILogic

// ...

// Set parameter values in a `LiveGenerationConfig` (example values shown here)
let config = LiveGenerationConfig(
  temperature: 0.9,
  topP: 0.1,
  topK: 16,
  maxOutputTokens: 200,
  responseModalities: [.audio],
  speech: SpeechConfig(voiceName: "Fenrir"),
)

// Initialize the Vertex AI Gemini API backend service
// Specify the config as part of creating the `LiveGenerativeModel` instance
let model = FirebaseAI.firebaseAI(backend: .googleAI()).liveModel(
  modelName: "GEMINI_MODEL_NAME",
  generationConfig: config
)

// ...

Kotlin

مقادیر پارامترها را در LiveGenerationConfig به عنوان بخشی از ایجاد یک نمونه LiveModel تنظیم کنید.

)

// ...

// ...

// Set parameter values in a `LiveGenerationConfig` (example values shown here)
val config = liveGenerationConfig {
    maxOutputTokens = 200
    responseModality = ResponseModality.AUDIO
    speechConfig = SpeechConfig(voice = Voices.FENRIR)
    temperature = 0.9f
    topK = 16
    topP = 0.1f
}

// Initialize the Gemini Developer API backend service
// Specify the config as part of creating the `LiveModel` instance
val model = Firebase.ai(backend = GenerativeBackend.googleAI()).liveModel(
    modelName = "GEMINI_MODEL_NAME",
    generationConfig = config
)

// ...

Java

مقادیر پارامترها را در LiveGenerationConfig به عنوان بخشی از ایجاد یک نمونه LiveModel تنظیم کنید.

;

// ...

// ...

// Set parameter values in a `LiveGenerationConfig` (example values shown here)
LiveGenerationConfig.Builder configBuilder = new LiveGenerationConfig.Builder();
configBuilder.setMaxOutputTokens(200);
configBuilder.setResponseModalities(ResponseModality.AUDIO);

configBuilder.setSpeechConfig(new SpeechConfig(Voices.FENRIR));
configBuilder.setTemperature(0.9f);
configBuilder.setTopK(16);
configBuilder.setTopP(0.1f);

LiveGenerationConfig config = configBuilder.build();

// Initialize the Gemini Developer API backend service
// Specify the config as part of creating the `LiveModel` instance
LiveModelFutures model = LiveModelFutures.from(
        FirebaseAI.getInstance(GenerativeBackend.googleAI())
                .generativeModel(
                    "GEMINI_MODEL_NAME",
                    config
                );
);

// ...

Web

مقادیر پارامترها را در LiveGenerationConfig هنگام مقداردهی اولیه نمونه LiveGenerativeModel تنظیم کنید:

generationConfig,
});

// ...

// ...

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

// Set parameter values in a `LiveGenerationConfig` (example values shown here)
const generationConfig = {
  maxOutputTokens: 200,
  responseModalities: [ResponseModality.AUDIO],
  speechConfig: {
    voiceConfig: {
      prebuiltVoiceConfig: { voiceName: "Fenrir" },
    },
  },
  temperature: 0.9,
  topP: 0.1,
  topK: 16,
};

// Specify the config as part of creating the `LiveGenerativeModel` instance
const model = getLiveGenerativeModel(ai, {
  model: "GEMINI_MODEL_NAME",
  generationConfig,
});

// ...

Dart

مقادیر پارامترها را در LiveGenerationConfig به عنوان بخشی از ایجاد یک نمونه LiveModel تنظیم کنید.

fig,
);

// ...


// ...

// Set parameter values in a `LiveGenerationConfig` (example values shown here)
final generationConfig = LiveGenerationConfig(
  maxOutputTokens: 200,
  responseModalities: [ResponseModalities.audio],
  speechConfig: SpeechConfig(voiceName: 'Fenrir'),
  temperature: 0.9,
  topP: 0.1,
  topK: 16,
);

// Initialize the Gemini Developer API backend service
// Specify the config as part of creating the `LiveModel` instance
final model = FirebaseAI.googleAI().liveGenerativeModel(
  model: 'GEMINI_MODEL_NAME',
  config: generationConfig,
);

// ...

وحدت

مقادیر پارامترها را در LiveGenerationConfig به عنوان بخشی از ایجاد یک نمونه LiveModel تنظیم کنید.

GenerationConfig
);

// ...

// Set parameter values in a `LiveGenerationConfig` (example values shown here)
var liveGenerationConfig = new LiveGenerationConfig(
  maxOutputTokens: 200,
  responseModalities: new [] { ResponseModality.Audio },
  speechConfig: SpeechConfig.UsePrebuiltVoice("Fenrir"),
  temperature: 0.9f,
  topK: 16,
  topP: 0.1f
);

// Initialize the Gemini Developer API backend service
// Specify the config as part of creating the `LiveModel` instance
var ai = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI());
var model = ai.GetLiveModel(
  modelName: "GEMINI_MODEL_NAME",
  liveGenerationConfig: liveGenerationConfig
);

می‌توانید توضیحات مربوط به هر پارامتر را در بخش بعدی این صفحه بیابید.

شرح پارامترها ( جمینی )

در اینجا، در صورت لزوم، مروری کلی بر پارامترهای موجود ارائه شده است.می‌توانید لیست جامعی از پارامترها و مقادیر آنها را در مستندات Gemini Developer API بیابید.

پارامتر	توضیحات	مقدار پیش‌فرض
مهر زمانی صوتی audioTimestamp	یک مقدار بولی که امکان درک مهر زمانی را برای فایل‌های ورودی فقط صوتی فراهم می‌کند. فقط هنگام استفاده از فراخوانی‌های generateContent یا generateContentStream و نوع ورودی یک فایل فقط صوتی، قابل اجرا است.	false
تعداد کاندیداها candidateCount	تعداد تغییرات پاسخ برای بازگشت را مشخص می‌کند. برای هر درخواست، هزینه توکن‌های خروجی همه کاندیداها از شما دریافت می‌شود، اما برای توکن‌های ورودی فقط یک بار هزینه دریافت می‌شود. مقادیر پشتیبانی شده: 1 تا 8 (شامل) فقط هنگام استفاده از generateContent و جدیدترین مدل‌های Gemini قابل اجرا است. مدل‌های Live API و generateContentStream پشتیبانی نمی‌شوند.	1
جریمه فرکانس frequencyPenalty	احتمال گنجاندن توکن‌هایی که مکرراً در پاسخ تولید شده ظاهر می‌شوند را کنترل می‌کند. مقادیر مثبت، توکن‌هایی را که مکرراً در محتوای تولید شده ظاهر می‌شوند، جریمه می‌کنند و احتمال تکرار محتوا را کاهش می‌دهند.	---
حداکثر توکن‌های خروجی maxOutputTokens	حداکثر تعداد توکن‌هایی که می‌توانند در پاسخ تولید شوند را مشخص می‌کند.	---
جریمه حضور presencePenalty	احتمال گنجاندن توکن‌هایی که از قبل در پاسخ تولید شده ظاهر شده‌اند را کنترل می‌کند. مقادیر مثبت، توکن‌هایی را که از قبل در محتوای تولید شده ظاهر می‌شوند، جریمه می‌کنند و احتمال تولید محتوای متنوع‌تر را افزایش می‌دهند.	---
توالی‌های توقف stopSequences	لیستی از رشته‌ها را مشخص می‌کند که به مدل می‌گوید در صورت مواجهه با یکی از رشته‌ها در پاسخ، تولید محتوا را متوقف کند. فقط هنگام استفاده از پیکربندی GenerativeModel قابل اجرا است.	---
دما temperature	میزان تصادفی بودن پاسخ را کنترل می‌کند. دماهای پایین‌تر منجر به پاسخ‌های قطعی‌تر و دماهای بالاتر منجر به پاسخ‌های متنوع‌تر یا خلاقانه‌تر می‌شوند.	بستگی به مدل دارد
تاپ-کی topK	تعداد کلمات با بالاترین احتمال استفاده شده در محتوای تولید شده را محدود می‌کند. مقدار top-K برابر با 1 به این معنی است که توکن انتخاب شده بعدی باید محتمل‌ترین در میان تمام توکن‌های موجود در واژگان مدل باشد، در حالی که مقدار top-K برابر با n به این معنی است که توکن بعدی باید از میان n توکن محتمل‌تر انتخاب شود (همه بر اساس دمای تنظیم شده).	بستگی به مدل دارد
تاپ-پی topP	تنوع محتوای تولید شده را کنترل می‌کند. توکن‌ها از محتمل‌ترین (به K بالا در بالا مراجعه کنید) تا کم‌احتمال‌ترین انتخاب می‌شوند تا زمانی که مجموع احتمالات آنها برابر با مقدار P بالا شود.	بستگی به مدل دارد
روش پاسخ responseModality	نوع خروجی استریم شده را هنگام استفاده از Live API یا خروجی چندوجهی بومی توسط یک مدل Gemini ، به عنوان مثال متن، صدا یا تصاویر، مشخص می‌کند. فقط هنگام استفاده از Live API و پیکربندی LiveModel یا هنگام استفاده از مدل Gemini با قابلیت خروجی چندوجهی قابل اجرا است.	---
گفتار (صدا) speechConfig	صدای مورد استفاده برای خروجی صدای پخش شده هنگام استفاده از Live API را مشخص می‌کند. فقط هنگام استفاده از Live API و پیکربندی LiveModel قابل اجرا است.	Puck

توجه : دو پیکربندی زیر نیز در GenerationConfig پشتیبانی می‌شوند:

• تولید خروجی ساختاریافته (مانند JSON) با استفاده از پارامترهای responseMimeType و responseSchema کنترل می‌شود.
• تنظیم بودجه تفکر با استفاده از پارامتر thinkingBudget (فقط برای مدل‌های Gemini 2.5 قابل اجرا است) کنترل می‌شود.

---

پیکربندی مدل‌های Imagen

برای مشاهده محتوا و کد مخصوص ارائه‌دهنده در این صفحه، روی ارائه‌دهنده Imagen API خود کلیک کنید. API توسعه‌دهندگان Gemini، Vertex AI، API Gemini

این بخش به شما نشان می‌دهد که چگونه یک پیکربندی برای استفاده با مدل‌های Imagen تنظیم کنید و توضیحی در مورد هر پارامتر ارائه می‌دهد.

پیکربندی مدل را تنظیم کنید ( Imagen )

این پیکربندی در طول عمر نمونه حفظ می‌شود. اگر می‌خواهید از پیکربندی متفاوتی استفاده کنید، یک نمونه ImagenModel جدید با آن پیکربندی ایجاد کنید.

سویفت

مقادیر پارامترها را در ImagenGenerationConfig به عنوان بخشی از ایجاد یک نمونه ImagenModel تنظیم کنید.

g: config
)

// ...

import FirebaseAILogic

// Set parameter values in a `ImagenGenerationConfig` (example values shown here)
let config = ImagenGenerationConfig(
  negativePrompt: "frogs",
  numberOfImages: 2,
  aspectRatio: .landscape16x9,
  imageFormat: .jpeg(compressionQuality: 100),
  addWatermark: false
)

// Initialize the Gemini Developer API backend service
// Specify the config as part of creating the `ImagenModel` instance
let model = FirebaseAI.firebaseAI(backend: .googleAI()).imagenModel(
  modelName: "IMAGEN_MODEL_NAME",
  generationConfig: config
)

// ...

Kotlin

مقادیر پارامترها را در ImagenGenerationConfig به عنوان بخشی از ایجاد یک نمونه ImagenModel تنظیم کنید.

 = config
)

// ...

// ...

// Set parameter values in a `ImagenGenerationConfig` (example values shown here)
val config = ImagenGenerationConfig {
    negativePrompt = "frogs",
    numberOfImages = 2,
    aspectRatio = ImagenAspectRatio.LANDSCAPE_16x9,
    imageFormat = ImagenImageFormat.jpeg(compressionQuality = 100),
    addWatermark = false
}

// Initialize the Gemini Developer API backend service
// Specify the config as part of creating the `GenerativeModel` instance
val model = Firebase.ai(backend = GenerativeBackend.vertexAI()).imagenModel(
    modelName = "IMAGEN_MODEL_NAME",
    generationConfig = config
)

// ...

Java

مقادیر پارامترها را در ImagenGenerationConfig به عنوان بخشی از ایجاد یک نمونه ImagenModel تنظیم کنید.

      );
);

// ...

// ...

// Set parameter values in a `ImagenGenerationConfig` (example values shown here)
ImagenGenerationConfig config = new ImagenGenerationConfig.Builder()
    .setNegativePrompt("frogs")
    .setNumberOfImages(2)
    .setAspectRatio(ImagenAspectRatio.LANDSCAPE_16x9)
    .setImageFormat(ImagenImageFormat.jpeg(100))
    .setAddWatermark(false)
    .build();

// Specify the config as part of creating the `ImagenModel` instance
ImagenModelFutures model = ImagenModelFutures.from(
        FirebaseAI.getInstance(GenerativeBackend.googleAI())
                .imagenModel(
                    "IMAGEN_MODEL_NAME",
                    config
                );
);

// ...

Web

مقادیر پارامترها را در ImagenGenerationConfig به عنوان بخشی از ایجاد یک نمونه ImagenModel تنظیم کنید.

nConfig });

// ...

// ...

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

// Set parameter values in a `ImagenGenerationConfig` (example values shown here)
const generationConfig = {
  negativePrompt: "frogs",
  numberOfImages: 2,
  aspectRatio: ImagenAspectRatio.LANDSCAPE_16x9,
  imageFormat: ImagenImageFormat.jpeg(100),
  addWatermark: false
};

// Specify the config as part of creating the `ImagenModel` instance
const model = getImagenModel(ai, { model: "IMAGEN_MODEL_NAME", generationConfig });

// ...

Dart

مقادیر پارامترها را در ImagenGenerationConfig به عنوان بخشی از ایجاد یک نمونه ImagenModel تنظیم کنید.

fig,
);

// ...

// ...

// Set parameter values in a `ImagenGenerationConfig` (example values shown here)
final generationConfig = ImagenGenerationConfig(
  negativePrompt: 'frogs',
  numberOfImages: 2,
  aspectRatio: ImagenAspectRatio.landscape16x9,
  imageFormat: ImagenImageFormat.jpeg(compressionQuality: 100)
  addWatermark: false
);

// Initialize the Gemini Developer API backend service
// Specify the config as part of creating the `ImagenModel` instance
final model = FirebaseAI.googleAI().imagenModel(
  model: 'IMAGEN_MODEL_NAME',
  config: generationConfig,
);

// ...

وحدت

مقادیر پارامترها را در ImagenGenerationConfig به عنوان بخشی از ایجاد یک نمونه ImagenModel تنظیم کنید.

: config
);

// ...

using Firebase.AI;

// Set parameter values in a `ImagenGenerationConfig` (example values shown here)
var config = new ImagenGenerationConfig(
  numberOfImages: 2,
  aspectRatio: ImagenAspectRatio.Landscape16x9,
  imageFormat: ImagenImageFormat.Jpeg(100)
);

// Initialize the Gemini Developer API backend service
// Specify the config as part of creating the `ImagenModel` instance
var model = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI()).GetImagenModel(
  modelName: "imagen-4.0-generate-001",
  generationConfig: config
);

// ...

می‌توانید توضیحات مربوط به هر پارامتر را در بخش بعدی این صفحه بیابید.

شرح پارامترها ( Imagen )

در اینجا، در صورت لزوم، مروری کلی بر پارامترهای موجود ارائه شده است. می‌توانید لیست جامعی از پارامترها و مقادیر آنها را در مستندات Google Cloud بیابید.

پارامتر	توضیحات	مقدار پیش‌فرض
پیشنهاد منفی negativePrompt	توضیحی در مورد آنچه می‌خواهید در تصاویر تولید شده حذف کنید این پارامتر هنوز توسط imagen-3.0-generate-002 پشتیبانی نمی‌شود.	---
تعداد نتایج numberOfImages	تعداد تصاویر تولید شده برای هر درخواست بازگردانده شده	پیش‌فرض یک تصویر است
نسبت ابعاد aspectRatio	نسبت عرض به ارتفاع تصاویر تولید شده	پیش‌فرض مربع (۱:۱) است
قالب تصویر imageFormat	گزینه‌های خروجی، مانند فرمت تصویر (نوع MIME) و سطح فشرده‌سازی تصاویر تولید شده	نوع MIME پیش‌فرض PNG است فشرده‌سازی پیش‌فرض ۷۵ است (اگر نوع MIME روی JPEG تنظیم شده باشد)
واترمارک addWatermark	آیا یک واترمارک دیجیتال نامرئی (به نام SynthID ) به تصاویر تولید شده اضافه شود یا خیر	پیش‌فرض true است
نسل شخص personGeneration	آیا اجازه تولید مثل افراد توسط مدل داده شود یا خیر	پیش‌فرض به مدل بستگی دارد
شامل ویژگی‌های ایمنی includeSafetyAttributes	آیا نمرات هوش مصنوعی مسئول گرد شده برای لیستی از ویژگی‌های ایمنی در پاسخ‌ها برای ورودی و خروجی فیلتر نشده فعال شود؟ دسته‌های ویژگی‌های ایمنی: "Death, Harm & Tragedy" ، "Firearms & Weapons" ، "Hate" ، "Health" ، "Illicit Drugs" ، "Politics" ، "Porn" ، "Religion & Belief" ، "Toxic" ، "Violence" ، "Vulgarity" ، "War & Conflict" .	پیش‌فرض false است

توجه : Firebase AI Logic هنوز از پارامترهای زیر پشتیبانی نمی‌کند :

• تعیین شماره سید (پارامتر seed )
• تنظیم یک مخزن Google Cloud Storage برای ذخیره تصاویر تولید شده (پارامتر storageUri )
• غیرفعال کردن بهبود عملکرد اعلان (پارامتر enhancePrompt )

---

گزینه‌های دیگر برای کنترل تولید محتوا

• درباره طراحی سریع بیشتر بیاموزید تا بتوانید مدل را طوری تحت تأثیر قرار دهید که خروجی خاص نیازهای شما را تولید کند.
• از تنظیمات ایمنی برای تنظیم احتمال دریافت پاسخ‌هایی که ممکن است مضر تلقی شوند، از جمله سخنان نفرت‌پراکن و محتوای صریح جنسی، استفاده کنید.
• دستورالعمل‌های سیستم را برای هدایت رفتار مدل تنظیم کنید. این ویژگی مانند مقدمه‌ای است که قبل از اینکه مدل در معرض هرگونه دستورالعمل دیگری از کاربر نهایی قرار گیرد، اضافه می‌کنید.
• یک طرحواره پاسخ را به همراه اعلان ارسال کنید تا یک طرحواره خروجی خاص مشخص شود. این ویژگی معمولاً هنگام تولید خروجی JSON استفاده می‌شود، اما می‌تواند برای وظایف طبقه‌بندی نیز مورد استفاده قرار گیرد (مانند زمانی که می‌خواهید مدل از برچسب‌ها یا تگ‌های خاصی استفاده کند).