Gemini Code Assist и ответственный ИИ
Оптимизируйте свои подборки
Сохраняйте и классифицируйте контент в соответствии со своими настройками.
В этом документе описывается, как разрабатывается Gemini Code Assist с учетом возможностей, ограничений и рисков, связанных с генеративным ИИ.
Возможности и риски больших языковых моделей
Большие языковые модели (LLM) могут выполнять множество полезных задач, например следующие:
- Перевести язык.
- Обобщить текст.
- Генерируйте код и творческое письмо.
- Мощные чат-боты и виртуальные помощники.
- Дополняйте поисковые системы и системы рекомендаций.
В то же время развивающиеся технические возможности LLM создают потенциал для неправильного применения, неправильного использования и непредвиденных или непредвиденных последствий.
LLM могут генерировать результаты, которые вы не ожидаете, включая текст, который является оскорбительным, бестактным или фактически неверным. Поскольку LLM невероятно универсальны, может быть трудно точно предсказать, какие именно непреднамеренные или непредвиденные результаты они могут принести.
Учитывая эти риски и сложности, Gemini Code Assist разработан с учетом принципов искусственного интеллекта Google . Однако пользователям важно понимать некоторые ограничения Gemini Code Assist, чтобы работать безопасно и ответственно.
Ограничения Gemini Code Assist
Некоторые из ограничений, с которыми вы можете столкнуться при использовании Gemini Code Assist, включают (но не ограничиваются) следующее:
Краевые случаи. Пограничные случаи относятся к необычным, редким или исключительным ситуациям, которые плохо представлены в обучающих данных. Эти случаи могут привести к ограничениям выходных данных моделей Gemini Code Assist, таким как чрезмерная уверенность модели, неверная интерпретация контекста или неправильные выходные данные.
Модельные галлюцинации, обоснование и реальность. Моделям Gemini Code Assist может не хватать обоснования и фактов в отношении реальных знаний, физических свойств или точного понимания. Это ограничение может привести к модельным галлюцинациям, когда Gemini Code Assist может генерировать результаты, звучащие правдоподобно, но на самом деле неверные, нерелевантные, неуместные или бессмысленные. Галлюцинации также могут включать в себя создание ссылок на несуществующие веб-страницы, которых никогда не существовало. Дополнительную информацию см. в разделе Создание более эффективных подсказок для Gemini для Google Cloud .
Качество данных и настройка. Качество, точность и предвзятость данных подсказок, вводимых в продукты Gemini Code Assist, могут оказать существенное влияние на их производительность. Если пользователи вводят неточные или неправильные запросы, Gemini Code Assist может возвращать неоптимальные или ложные ответы.
Усиление смещения. Языковые модели могут непреднамеренно усиливать существующие предвзятости в данных обучения, что приводит к результатам, которые могут еще больше усилить социальные предрассудки и неравное обращение с определенными группами.
Качество языка. Хотя Gemini Code Assist обеспечивает впечатляющие многоязычные возможности в тестах, по которым мы оценивали, большинство наших тестов (включая все оценки справедливости) проводятся на американском английском.
Языковые модели могут обеспечивать неодинаковое качество обслуживания для разных пользователей. Например, генерация текста может быть не столь эффективной для некоторых диалектов или разновидностей языков, поскольку они недостаточно представлены в обучающих данных. Производительность может быть хуже для неанглийских языков или разновидностей английского языка с меньшим представительством.
Показатели справедливости и подгруппы. Анализ справедливости моделей Gemini, проведенный Google Research, не дает исчерпывающего описания различных потенциальных рисков. Например, мы фокусируемся на предвзятости по гендерным, расовым, этническим и религиозным осям, но проводим анализ только на данных американского английского языка и результатах модели.
Ограниченная экспертиза предметной области. Модели Gemini прошли обучение с использованием технологии Google Cloud, но им может не хватать глубины знаний, необходимой для предоставления точных и подробных ответов на узкоспециализированные или технические темы, что приводит к поверхностной или неверной информации.
Фильтрация безопасности и токсичности Gemini
Подсказки и ответы Gemini Code Assist проверяются по полному списку атрибутов безопасности, применимых для каждого варианта использования. Эти атрибуты безопасности направлены на фильтрацию контента, который нарушает нашу Политику допустимого использования . Если выход считается вредоносным, ответ будет заблокирован.
Что дальше
Если не указано иное, контент на этой странице предоставляется по лицензии Creative Commons "С указанием авторства 4.0", а примеры кода – по лицензии Apache 2.0. Подробнее об этом написано в правилах сайта. Java – это зарегистрированный товарный знак корпорации Oracle и ее аффилированных лиц.
Последнее обновление: 2025-08-30 UTC.
[null,null,["Последнее обновление: 2025-08-30 UTC."],[[["\u003cp\u003eGemini, a large language model (LLM), is designed with Google's AI principles to offer capabilities like language translation, text summarization, and code generation, while acknowledging the risks of misapplication and unintended outputs.\u003c/p\u003e\n"],["\u003cp\u003eGemini for Google Cloud has limitations such as producing unexpected output in edge cases, potentially generating inaccurate information, and lacking factuality, which can include hallucinated information or links.\u003c/p\u003e\n"],["\u003cp\u003eThe quality of Gemini's output is influenced by the data quality and accuracy of user prompts, and there is a potential for the amplification of societal biases present in its training data.\u003c/p\u003e\n"],["\u003cp\u003eGemini's performance can vary across languages and dialects, as it primarily evaluates fairness in American English, potentially resulting in inconsistent service quality for underrepresented language varieties.\u003c/p\u003e\n"],["\u003cp\u003eDespite being trained on Google Cloud technology, Gemini may lack the specialized knowledge required to offer accurate details on highly technical topics, and it does not have awareness of the user's specific environment in the Google Cloud console.\u003c/p\u003e\n"]]],[],null,["# Gemini Code Assist and responsible AI\n\nThis document describes how Gemini Code Assist is designed in\nview of the capabilities, limitations, and risks that are associated with\ngenerative AI.\n\nCapabilities and risks of large language models\n-----------------------------------------------\n\nLarge language models (LLMs) can perform many useful tasks such as the\nfollowing:\n\n- Translate language.\n- Summarize text.\n- Generate code and creative writing.\n- Power chatbots and virtual assistants.\n- Complement search engines and recommendation systems.\n\nAt the same time, the evolving technical capabilities of LLMs create the\npotential for misapplication, misuse, and unintended or unforeseen consequences.\n\nLLMs can generate output that you don't expect, including text that's offensive,\ninsensitive, or factually incorrect. Because LLMs are incredibly versatile, it\ncan be difficult to predict exactly what kinds of unintended or unforeseen\noutputs they might produce.\n\nGiven these risks and complexities, Gemini Code Assist is\ndesigned with [Google's AI principles](https://ai.google/responsibility/principles/)\nin mind. However, it's important for users to understand some of the limitations\nof Gemini Code Assist to work safely and responsibly.\n\nGemini Code Assist limitations\n------------------------------\n\nSome of the limitations that you might encounter using\nGemini Code Assist include (but aren't limited to) the following:\n\n- **Edge cases.** Edge cases refer to unusual, rare, or exceptional situations\n that aren't well represented in the training data. These cases can lead to\n limitations in the output of Gemini Code Assist models, such as\n model overconfidence, misinterpretation of context, or inappropriate outputs.\n\n- **Model hallucinations, grounding, and factuality.**\n Gemini Code Assist models might lack grounding and factuality\n in real-world knowledge, physical properties, or accurate understanding. This\n limitation can lead to model hallucinations, where\n Gemini Code Assist might generate outputs that are\n plausible-sounding but factually incorrect, irrelevant, inappropriate, or\n nonsensical. Hallucinations can also include fabricating links to web pages\n that don't exist and have never existed. For more information, see\n [Write better prompts for Gemini for Google Cloud](https://cloud.google.com/gemini/docs/discover/write-prompts).\n\n- **Data quality and tuning.** The quality, accuracy, and bias of the prompt\n data that's entered into Gemini Code Assist products can have a\n significant impact on its performance. If users enter inaccurate or incorrect\n prompts, Gemini Code Assist might return suboptimal or false\n responses.\n\n- **Bias amplification.** Language models can inadvertently amplify existing\n biases in their training data, leading to outputs that might further reinforce\n societal prejudices and unequal treatment of certain groups.\n\n- **Language quality.** While Gemini Code Assist yields\n impressive multilingual capabilities on the benchmarks that we evaluated\n against, the majority of our benchmarks (including all of the fairness\n evaluations) are in American English.\n\n Language models might provide inconsistent service quality to different users.\n For example, text generation might not be as effective for some dialects or\n language varieties because they are underrepresented in the training data.\n Performance might be worse for non-English languages or English language\n varieties with less representation.\n- **Fairness benchmarks and subgroups.** Google Research's fairness analyses of\n Gemini models don't provide an exhaustive account of the various\n potential risks. For example, we focus on biases along gender, race,\n ethnicity, and religion axes, but perform the analysis only on the American\n English language data and model outputs.\n\n- **Limited domain expertise.** Gemini models have been trained on\n Google Cloud technology, but it might lack the depth of knowledge that's\n required to provide accurate and detailed responses on highly specialized or\n technical topics, leading to superficial or incorrect information.\n\nGemini safety and toxicity filtering\n------------------------------------\n\nGemini Code Assist prompts and responses are checked against a\ncomprehensive list of safety attributes as applicable for each use case. These\nsafety attributes aim to filter out content that violates our\n[Acceptable Use Policy](https://cloud.google.com/terms/aup). If an output is\nconsidered harmful, the response will be blocked.\n\nWhat's next\n-----------\n\n- Learn more about [how Gemini Code Assist cites sources when helps you generate code](/gemini-code-assist/docs/works#how-when-gemini-cites-sources)."]]
