Dans un workflow d'IA classique, vous pouvez transmettre les mêmes jetons d'entrée à plusieurs reprises à un modèle. La fonctionnalité de mise en cache contextuelle de l'API Gemini vous permet de transmettre une fois du contenu au modèle, de mettre en cache les jetons d'entrée, puis de les consulter pour les requêtes ultérieures. Pour certains volumes, l'utilisation de jetons mis en cache est moins coûteuse que la transmission répétée du même corpus de jetons.
Lorsque vous mettez en cache un ensemble de jetons, vous pouvez choisir la durée d'existence du cache avant qu'ils soient automatiquement supprimés. Cette durée de mise en cache est appelée TTL (Time To Live). Si ce champ n'est pas défini, la valeur TTL est définie par défaut sur une heure. Le coût de la mise en cache dépend de la taille des jetons d'entrée et de leur durée de conservation.
La mise en cache du contexte est compatible avec Gemini 1.5 Pro et Gemini 1.5 Flash.
Quand utiliser la mise en cache de contexte
La mise en cache de contexte est particulièrement adaptée aux scénarios où un contexte initial important est référencé à plusieurs reprises par des requêtes plus courtes. Envisagez d'utiliser la mise en cache de contexte pour les cas d'utilisation suivants :
- Chatbots avec des instructions système détaillées
- Analyse répétitive de fichiers vidéo longs
- Requêtes récurrentes sur des ensembles de documents volumineux
- Analyse fréquente du dépôt de code ou correction de bugs
Comment la mise en cache réduit les coûts
La mise en cache de contexte est une fonctionnalité payante conçue pour réduire les coûts opérationnels globaux. La facturation dépend des facteurs suivants :
- Nombre de jetons mis en cache : nombre de jetons d'entrée mis en cache, facturés à un tarif réduit lorsqu'ils sont inclus dans les requêtes suivantes.
- Durée de stockage:durée pendant laquelle les jetons mis en cache sont stockés (TTL), facturés en fonction de la durée TTL du nombre de jetons mis en cache. Il n'existe aucune limite minimale ni maximale pour la valeur TTL.
- Autres facteurs : d'autres frais s'appliquent, par exemple pour les jetons d'entrée et de sortie non mis en cache.
Pour obtenir les tarifs les plus récents, consultez la page des tarifs de l'API Gemini. Pour savoir comment compter les jetons, consultez le guide relatif aux jetons.
Utiliser la mise en cache du contexte
Cette section suppose que vous avez installé un SDK Gemini (ou que curl est installé) et que vous avez configuré une clé API, comme indiqué dans le tutoriel de démarrage rapide.
Générer du contenu à l'aide d'un cache
L'exemple suivant montre comment générer du contenu à l'aide d'une instruction système mise en cache et d'un fichier vidéo.
import os
import google.generativeai as genai
from google.generativeai import caching
import datetime
import time
# Get your API key from https://aistudio.google.com/app/apikey
# and access your API key as an environment variable.
# To authenticate from a Colab, see
# https://github.com/google-gemini/cookbook/blob/main/quickstarts/Authentication.ipynb
genai.configure(api_key=os.environ['API_KEY'])
# Download video file
# curl -O https://storage.googleapis.com/generativeai-downloads/data/Sherlock_Jr_FullMovie.mp4
path_to_video_file = 'Sherlock_Jr_FullMovie.mp4'
# Upload the video using the Files API
video_file = genai.upload_file(path=path_to_video_file)
# Wait for the file to finish processing
while video_file.state.name == 'PROCESSING':
print('Waiting for video to be processed.')
time.sleep(2)
video_file = genai.get_file(video_file.name)
print(f'Video processing complete: {video_file.uri}')
# Create a cache with a 5 minute TTL
cache = caching.CachedContent.create(
model='models/gemini-1.5-flash-001',
display_name='sherlock jr movie', # used to identify the cache
system_instruction=(
'You are an expert video analyzer, and your job is to answer '
'the user\'s query based on the video file you have access to.'
),
contents=[video_file],
ttl=datetime.timedelta(minutes=5),
)
# Construct a GenerativeModel which uses the created cache.
model = genai.GenerativeModel.from_cached_content(cached_content=cache)
# Query the model
response = model.generate_content([(
'Introduce different characters in the movie by describing '
'their personality, looks, and names. Also list the timestamps '
'they were introduced for the first time.')])
print(response.usage_metadata)
# The output should look something like this:
#
# prompt_token_count: 696219
# cached_content_token_count: 696190
# candidates_token_count: 214
# total_token_count: 696433
print(response.text)
Répertorier les caches
Il n'est pas possible de récupérer ni d'afficher le contenu mis en cache, mais vous pouvez récupérer les métadonnées de cache (name, model, display_name, usage_metadata, create_time, update_time et expire_time).
Pour lister les métadonnées de tous les caches importés, utilisez CachedContent.list() :
for c in caching.CachedContent.list():
print(c)
Mettre à jour un cache
Vous pouvez définir un nouveau ttl ou expire_time pour un cache. Vous ne pouvez pas modifier d'autres éléments concernant le cache.
L'exemple suivant montre comment mettre à jour le ttl d'un cache à l'aide de CachedContent.update().
import datetime
cache.update(ttl=datetime.timedelta(hours=2))
Supprimer un cache
Le service de mise en cache fournit une opération de suppression pour supprimer manuellement du contenu du cache. L'exemple suivant montre comment supprimer un cache à l'aide de CachedContent.delete().
cache.delete()
Informations complémentaires
Tenez compte des points suivants lorsque vous utilisez la mise en cache de contexte :
- Le nombre minimal de jetons d'entrée pour le stockage en cache de contexte est de 32 768, et le nombre maximal est identique à celui du modèle donné. (Pour en savoir plus sur le comptage des jetons, consultez le guide des jetons.)
- Le modèle ne fait aucune distinction entre les jetons mis en cache et les jetons d'entrée normaux. Le contenu mis en cache est simplement un préfixe de la requête.
- Aucun taux spécial ni aucune limite d'utilisation ne s'applique à la mise en cache du contexte. Les limites de débit standards pour
GenerateContents'appliquent, et les limites de jetons incluent les jetons mis en cache. - Le nombre de jetons mis en cache est renvoyé dans
usage_metadataà partir des opérations de création, d'obtention et de liste du service de cache, ainsi que dansGenerateContentlors de l'utilisation du cache.