ส่งคำขอที่กำหนดเองด้วยสิทธิ์เข้าถึงโมเดล Gemini Nano โดยตรง

การเข้าถึงโมเดลโดยตรงของ ML Kit (com.google.mlkit:genai-prompt) ช่วยให้คุณส่งคำขอภาษาธรรมชาติที่กำหนดเองในอุปกรณ์ไปยังโมเดลพื้นฐาน Gemini Nano ผ่านคลาส GenerativeModel ได้ การเข้าถึงโมเดลโดยตรงจะยอมรับอินพุตข้อความหรืออินพุตแบบหลายรูปแบบ (รูปภาพและข้อความ) รองรับการสนทนาแบบหลายรอบที่จัดการโดยไคลเอ็นต์ (List<Content> ที่มีบทบาท USER และ MODEL และ sessionId) และแสดงเอาต์พุตข้อความหรือเอาต์พุตที่มีโครงสร้างที่พิมพ์

คุณสามารถใช้การเข้าถึงโมเดลโดยตรงสำหรับกรณีการใช้งานที่หลากหลาย ซึ่งรวมถึงกรณีต่อไปนี้

กรณีการใช้งาน

ตัวอย่าง

การทำความเข้าใจรูปภาพ

การวิเคราะห์รูปภาพเพื่อจัดประเภท เช่น "สัตว์เลี้ยง" "อาหาร" หรือ "การเดินทาง"

คำแปลสั้นๆ

แปลข้อความสั้นๆ ระหว่างคนขับรถส่งของกับลูกค้า

การสรุปแบบมีคำแนะนำ

สรุปรีวิวร้านอาหารตามความสนใจเฉพาะของผู้ใช้

การแยกเอนทิตี

ดึงรายละเอียดที่สำคัญเกี่ยวกับกิจกรรมที่กำลังจะเกิดขึ้นจากชุดข้อความอีเมล

แรงบันดาลใจในการสร้างเนื้อหา

แนะนำพรอมต์สำหรับรายการบันทึก

การสแกนเอกสารอัจฉริยะ

การดึงข้อมูลและจัดหมวดหมู่รายการจากรูปภาพใบเสร็จ

การจัดประเภทข้อความ

การจัดประเภทรีวิวของลูกค้าเป็นหมวดหมู่เชิงบวก กลางๆ หรือเชิงลบ

การเข้าถึงโมเดลโดยตรงเทียบกับ API สำหรับงานที่เฉพาะเจาะจง

นอกเหนือจากการเข้าถึงโมเดลพื้นฐาน Gemini Nano โดยตรงสำหรับพรอมต์ที่กำหนดเองแล้ว ML Kit ยังมี API ที่กำหนดค่าไว้ล่วงหน้าสำหรับงานด้านเสียงพูด รูปภาพ และข้อความโดยเฉพาะ ได้แก่ การจดจำเสียงพูด, คำอธิบายรูปภาพ, การสรุป, การพิสูจน์อักษร, การเขียนใหม่ และอื่นๆ API งานข้อความและรูปภาพใช้ประเภทฟีเจอร์เฉพาะงานและอะแดปเตอร์ LoRA ที่ปรับแต่งอย่างละเอียดบนโมเดลพื้นฐานที่ใช้ร่วมกัน ตารางต่อไปนี้แสดงประโยชน์ของแต่ละแนวทาง

การพิจารณา

สิทธิ์เข้าถึงโมเดลโดยตรง (GenerativeModel)

Tasks API ข้อความและรูปภาพ

ความพยายามในการผสานรวม

สูง

ต้องใช้ความพยายามมากขึ้นในการนำไปใช้ เนื่องจากต้องอาศัยวิศวกรรมพรอมต์ (Prompt Engineering) และการประกันคุณภาพ

ระหว่างเดินทาง

ใช้ความพยายามน้อยลง เนื่องจาก API เหล่านี้ใช้ประเภทฟีเจอร์เฉพาะงานและอะแดปเตอร์ LoRA ที่ปรับแต่งอย่างละเอียดบนโมเดลพื้นฐาน โดยไม่จำเป็นต้องทำงานกับ LLM โดยตรง

ความยืดหยุ่น

มีความยืดหยุ่นมากขึ้น เนื่องจากคุณสามารถออกแบบพรอมต์ที่กำหนดเอง จัดการบริบทแบบหลายเทิร์น บังคับใช้สคีมาที่มีโครงสร้างแบบพิมพ์ หรือสร้างเวิร์กโฟลว์แบบ Agentic (AgentRunner) ระดับสูงขึ้นต่อยอดจาก GenerativeModel ได้

มีความยืดหยุ่นน้อยกว่า API เฉพาะงานแต่ละรายการมีการปรับแต่ง LoRA แบบคงที่และพรอมต์ในตัวซึ่งมีลักษณะดังต่อไปนี้

  • คำอธิบายรูปภาพเป็นแบบทั่วไปและสั้น
  • สรุปต้องมีหัวข้อย่อย 1-3 รายการเท่านั้น
  • การเขียนใหม่รองรับเฉพาะสไตล์ที่กำหนดไว้ล่วงหน้าเท่านั้น

โดยทั่วไป ให้ใช้การเข้าถึงโมเดลโดยตรงเมื่อต้องการการปรับแต่งและความยืดหยุ่นมากขึ้น และใช้ API สำหรับงานที่เฉพาะเจาะจงสำหรับงานมาตรฐานที่ไม่ต้องใช้ตรรกะที่กำหนดเอง

โค้ดตัวอย่าง