La famiglia di modelli di intelligenza artificiale (IA) Gemini è concepita per gestire vari tipi di dati di input, tra cui testo, immagini e audio. Poiché questi possono gestire più di un tipo o modalità di dati, i modelli Gemini sono chiamati modelli multimodali o sono descritti come dotati di funzionalità multimodali.
Questa pagina fornisce indicazioni e best practice per l'utilizzo di file multimediali con per l'API Gemini. Per informazioni sull'utilizzo dell'API Gemini Files per caricare file multimediali e includerli nei prompt, consulta le Vision, Audio e Guide all'elaborazione dei documenti.
Utilizzo di file multimediali con prompt
La possibilità di usare vari tipi di dati nei prompt offre maggiori e flessibilità in termini di attività che puoi svolgere con l'API Gemini. Per Ad esempio, puoi inviare al modello la foto di un piatto delizioso e chiedergli di scrivere un breve blog sul pasto.
| Prompt | Risposta |
|
Scrivi un breve e accattivante post del blog basato su questa immagine. Dovrebbe includi nella foto una descrizione del pasto e parla del mio viaggio nella preparazione di pasti. 
|
La preparazione dei pasti è un ottimo modo per risparmiare tempo e denaro e può anche ti aiutano a mangiare più sano. Questo pasto è un ottimo esempio di cibo salutare e delizioso, possono essere preparati facilmente in anticipo. Questo pasto include riso integrale, verdure arrosti e teriyaki di pollo. Il riso integrale è un carboidrato salutare e complesso che ti dà senza interruzione dell'energia. Le verdure arrosti sono un ottimo modo per di vitamine e minerali, mentre il teriyaki di pollo è una deliziosa ricco di proteine. Questo pasto è anche molto facile da preparare. Cucinare il riso integrale, arrostire le verdure e cucina il teriyaki di pollo. Quando tutto è cucinato, dividerlo in contenitori per la preparazione dei pasti e conservarli in frigorifero. Puoi quindi prendere un container e passare le mattine più impegnative! Se stai cercando un pasto sano e delizioso che possa essere facilmente preparato in anticipo, questo pasto è un'ottima opzione. È ricco di nutrienti e sapore, ti farà sentire sazio e soddisfatto. Ecco la preparazione di pasti salutari e deliziosi! |
Strategie per la creazione di prompt con i media
Se hai difficoltà a ottenere l'output desiderato da prompt che utilizzano multimediali, esistono alcune strategie che possono aiutarti a ottenere desiderato. Le seguenti sezioni illustrano gli approcci alla progettazione e la risoluzione dei problemi suggerimenti per migliorare i prompt che utilizzano l'input multimodale.
Puoi migliorare i prompt multimodali seguendo queste best practice:
-
Concetti di base sulla progettazione dei prompt
- Scrivi istruzioni specifiche: crea istruzioni chiare e concise che lascino il minimo spazio a possibili interpretazioni errate.
- Aggiungi alcuni esempi al prompt:utilizza esempi realistici con poche foto per spiegare ciò che vuoi ottenere.
- Suddividi il modello passo dopo passo: dividi le attività complesse in sottoobiettivi gestibili, guidando il modello attraverso il processo.
- Specifica il formato di output: nel prompt, chiedi che l'output sia nel formato che preferisci, ad esempio markdown, JSON, HTML e altro ancora.
- Metti l'immagine al primo posto per i prompt con immagine singola: anche se Gemini può gestire l'input di immagini e testo in qualsiasi ordine, per i prompt contenenti una singola immagine, potrebbe avere un rendimento migliore se l'immagine viene posizionata prima del prompt di testo.
-
Risoluzione dei problemi relativi al prompt multimodale
- Se il modello non sta estraendo informazioni dalla parte pertinente dell'immagine: inserisci i suggerimenti con gli aspetti dell'immagine da cui vuoi che il prompt tragga informazioni.
- Se l'output del modello è troppo generico (non sufficientemente personalizzato per l'immagine): all'inizio del prompt, prova a chiedere al modello di descrivere le immagini prima di fornire l'istruzione oppure prova a chiedere al modello di fare riferimento ai contenuti dell'immagine.
Concetti di base sulla progettazione dei prompt
Questa sezione illustra le best practice elencate nella sezione precedente.
Nota: i risultati del modello dei seguenti esempi di Gemini possono variare a seconda dell'esecuzione.
Usa istruzioni specifiche
I prompt sono più efficaci se sono chiari e dettagliati. Se hai in mente un output specifico, è meglio includere questo requisito nel prompt per assicurarti di ottenere l'output desiderato.
A volte, l'intento di un prompt può sembrare chiaro a chi lo ha scritto, ma in realtà è poco specificato. Per personalizzare il comportamento del modello, considera come potrebbe essere (erroneamente) interpretato il tuo prompt e assicurati che le istruzioni fornite siano specifiche e chiare. Ricordati di lasciare un margine minimo per possibili interpretazioni errate.
Per questa immagine di un aeroportuale, chiedere al modello di "descrivere l'immagine" potrebbe generare una descrizione generale. Se vuoi che il modello analizzi l'ora e la città dall'immagine, puoi includere questa richiesta direttamente nel prompt.
| Prompt | Risposta del modello |
|---|---|
 Descrivi questa immagine. |
L'immagine mostra un tabellone degli arrivi e delle partenze dell'aeroporto. |
| Prompt aggiornato | Risposta migliorata |
|---|---|
Analizza l'ora e la città dal pannello dell'aeroporto mostrata in questa immagine in un elenco. |
Aggiungi alcuni esempi
Il modello Gemini può accettare più input che può utilizzare come esempi per comprendere l'output desiderato. L'aggiunta di questi esempi può aiutare il modello a identificare i pattern e ad applicare relazione tra le immagini date e le risposte al nuovo esempio. Questo sistema è chiamato anche "few-shot" machine learning.
Nell'esempio seguente, l'output iniziale è scritto in forma di frase e contiene anche la macro paese (Brasile). Supponiamo di volere l'output in un formato o uno stile diverso e di voler solo la città, non il paese. L'aggiunta di esempi few-shot al prompt può indirizzare il modello per rispondere nel modo che desideri.
| Prompt | Risposta del modello |
|---|---|
 Stabilire la città e il punto di riferimento. |
Il monumento è la statua del Cristo Redentore a Rio de Janeiro, in Brasile. |
| Prompt aggiornato | Risposta migliorata |
|---|---|
|
Stabilire la città e il punto di riferimento. 
|
città: Roma, punto di riferimento: il Colosseo. |
|
città: Pechino, punto di riferimento: Città Proibita |
|
|
città: Rio de Janeiro, punto di riferimento: statua del Cristo Redentore |
Analizzalo dettagliatamente
Può essere utile per attività complesse come quelle che richiedono sia la comprensione che il ragionamento visivo per suddividere l'attività in passaggi più piccoli e semplici. In alternativa, potrebbe essere efficace anche chiedere direttamente al modello di "pensare passo dopo passo" nel prompt.
| Prompt | Risposta del modello |
|---|---|
 Quando avrò finito la carta igienica? |
A breve ti restano solo 3 lanci. |
| Prompt aggiornato | Risposta migliorata |
|---|---|
|
|
I problemi di matematica o altri tipi di problemi con enunciato sono ottimi candidati per chiedere al modello di pensare passo dopo passo.
| Prompt | Risposta |
|---|---|
Qual è il quarto termine della sequenza? |
-135 |
La risposta del modello non è corretta. Alcuni modi per migliorare questo risultato sono chiedere al modello di analizzare il problema prima di rispondere al prompt.
| Prompt | Risposta |
|---|---|
Analizza prima la formula nell'immagine. Quindi, in base alla formula, rispondi "qual è il quarto termine della sequenza?". |
Fai clic per espandere il risultato$$ b(n) = b(n-1) * (-3) $$ $$ b(1) = 15 $$
$$ b(4) = b(4-1) * (-3) $$ $$ b(4) = b(3) * (-3) $$ $$ b(3) = b(3-1) * (-3) $$ $$ b(3) = b(2) * (-3) $$ $$ b(2) = b(2-1) * (-3) $$ $$ b(2) = b(1) * (-3) $$ $$ b(2) = 15 * (-3) $$ $$ b(2) = -45 $$ $$ b(3) = b(2) * (-3) $$ $$ b(3) = -45 * (-3) $$ $$ b(3) = 135 $$ $$ b(4) = b(3) * (-3) $$ $$ b(4) = 135 * (-3) $$ $$ b(4) = -405 $$ Pertanto, il quarto termine nella sequenza è -405. |
Questa risposta del modello è corretta: ora, per rendere la risposta ancora più semplice, puoi chiedere al modello di pensare passo passo.
| Prompt aggiornato | Risposta migliorata |
|---|---|
Qual è il quarto termine della sequenza? Pensa passo passo. |
Il primo termine è 15. Il secondo termine è b(1) * (-3) = 15 * (-3) = -45. Il terzo termine è b(2) * (-3) = -45 * (-3) = 135. Il quarto termine è b(3) * (-3) = 135 * (-3) = -405. |
Prova a specificare il formato di output
Un problema comune è la necessità che l'output del modello sia in un determinato formato (ad es. markdown, JSON, HTML), soprattutto se l'output del modello deve importati da un'attività downstream. Puoi provare a produrre un output in quel formato indicando al modello di farlo all'interno del prompt. Di seguito sono riportati due esempi:
| Prompt | Risposta del modello |
|---|---|
 Analizza la tabella in questa immagine in formato markdown |
| Oggetto | Stato | Ora | Data di inizio | Scadenza | | ------- | ------ | ---- | --------- | ------ | | Matematica | Fine | 1,5 h | 29/11/2023 | 1/12/2023 | | Area geografica | Fine | 30 min | 2/12/2023 | 4/12/2023 | | Fisica | In corso | 2 ore | 3/12/2023 | 5/12/2023 | | Biologia | Non avviata | 6 ore | 2/11/2016 | 6/12/2023 | |
| Prompt | Risposta del modello |
|---|---|
Fornisci un elenco di tutti i seguenti attributi: ingredienti, tipo di cucina, vegetariano o meno, in formato JSON |
|
Metti l'immagine al primo posto per i prompt con una singola immagine
Gemini può interpretare immagini e testo in qualsiasi ordine all'interno di un prompt, inserendo una singola immagine prima del prompt di testo possa portare a risultati migliori. Nei seguenti esempi, noterai l'immagine precede il testo di ogni prompt.
Risoluzione dei problemi del prompt multimodale
Se non ricevi una risposta utile, potrebbe essere necessario risolvere i problemi del tuo prompt. Ecco alcune strategie che puoi provare a utilizzare.
Se il modello non trae informazioni dalla parte pertinente dell'immagine
Per ottenere una risposta più specifica, puoi indicare a quali aspetti dell'immagine vuoi che venga generato il prompt estrarre informazioni per influenzare la sua risposta.
| Prompt | Risposta del modello |
|---|---|
 Quanti giorni dureranno questi pannolini a un bambino? |
I pannolini dureranno 198 giorni prima di esaurirsi. |
| Prompt aggiornato | Risposta migliorata |
|---|---|
|
Quanto dureranno questi pannolini prima di esaurirmi? Utilizza il peso indicato sulla confezione per determinare l'età del bambino e utilizza il numero totale di pannolini inclusi nella confezione. Dividi il numero totale per il numero di pannolini che il bambino passa al giorno. |
La confezione contiene 198 pannolini. La confezione indica che i pannolini sono per un bambino di peso compreso tra 22 e 37 libbre. Il bambino medio di questo intervallo di peso ha probabilmente tra 1 e 2 anni. Un bambino di 2 anni di solito passa attraverso 6 pannolini al giorno, quindi i pannolini dureranno circa 33 giorni (198/6). |
Se l'output del modello è troppo generico e non sufficientemente personalizzato per l'input dell'immagine
Per consentire al modello di personalizzare la risposta alle immagini, prova a chiedergli di descrivere le immagini prima di eseguire il ragionamento.
| Prompt | Risposta del modello |
|---|---|
Cosa c'è in comune tra queste immagini? |
Tutte e quattro le immagini sono esempi di fotografia di paesaggi. |
| Prompt aggiornato | Risposta migliorata |
|---|---|
|
Innanzitutto, descrivi in dettaglio i contenuti di ogni immagine. Cosa c'è in comune tra queste immagini? |
La prima immagine mostra una persona che prepara una valigia. La seconda immagine mostra un corridoio vuoto di un centro commerciale. La terza immagine mostra un rotolo di carta igienica. La quarta immagine mostra un mare scuro e in tempesta. La caratteristica comune tra queste immagini è che sono tutte esempi di spazi liminali. Gli spazi liminali sono luoghi o situazioni che si trovano tra due altri luoghi o situazioni. Spesso sono caratterizzati da un senso di incertezza o ambiguità. La prima immagine mostra la persona tra una casa e un viaggio. La seconda immagine mostra il corridoio tra due negozi. La terza immagine è di carta igienica, che può rappresentare un bagno. Un bagno è uno spazio di transizione tra privato e nei regni pubblici. È un luogo in cui ci prepariamo a entrare o uscire dal mondo esterno. La quarta immagine mostra il mare tra la calma e il temporale. Gli spazi liminali possono essere emozionanti e inquietanti. Possono essere un luogo di un nuovo inizio o di finali. Possono essere un luogo di riflessione o di azione. |
Puoi anche provare a chiedere esplicitamente al modello di fare riferimento ai contenuti dell'immagine.
| Prompt aggiornato | Risposta migliorata |
|---|---|
|
Cosa c'è in comune tra queste immagini? Fai riferimento a cosa c'è nelle immagini nella risposta. |
Tutte le immagini sono relative ai viaggi. La prima immagine mostra una persona che prepara una valigia, la seconda mostra un corridoio vuoto di un centro commerciale, la terza immagine mostra una pila di carta igienica e la quarta immagine mare scuro e in tempesta. Queste immagini sono tutte correlate ai viaggi perché sono tutto ciò di cui le persone hanno bisogno o utilizzano quando durante il viaggio. La prima immagine mostra una persona che prepara una valigia, cosa che le persone fanno quando si in viaggio. La seconda immagine mostra un corridoio vuoto in un centro commerciale, dove le persone spesso vanno a comprare articoli per i viaggi. La terza immagine mostra una pila di carta igienica, qualcosa che le persone usano spesso quando sono in viaggio. La quarta immagine mostra un mare scuro e in tempesta, che è qualcosa che le persone incontrano spesso quando sono in viaggio. |
Gli stessi suggerimenti valgono anche per l'output creativo delle immagini. Nell'esempio seguente con chiedere esplicitamente al modello di includere aspetti dell'immagine può migliorare l'output.
| Prompt | Risposta del modello |
|---|---|
Puoi scrivermi una poesia su questa immagine? |
Coniglietto così morbido e marrone, Mangia l'erba così verde e dolce, |
| Prompt aggiornato | Risposta migliorata |
|---|---|
|
Puoi scrivermi una poesia descrittiva e drammatica su questa immagine e includere il luogo? |
Coniglietto sul verde, È blu dell'oceano? Coniglietto, dimmi il vero, Forse è la vastità di tutto, Coniglietto, mi chiedo cosa tu sogni, Di qualunque cosa si tratti, coniglietto, |
Risolvere i problemi relativi alla parte del prompt non riuscita
Può essere difficile sapere se un prompt non è riuscito perché il modello non ha capito l'immagine all'inizio o se ha capito l'immagine, non ha eseguito i passaggi di ragionamento corretti in seguito.
Per distinguerli, chiedi al modello di descrivere cosa c'è nell'immagine.
Nell'esempio seguente, se il modello risponde con uno snack che sembra sorprendente se abbinato a (ad es. popcorn), prova innanzitutto a risolvere i problemi per determinare se il modello ha riconosciuto correttamente che l'immagine contiene tè.
| Prompt | Richiesta di risoluzione dei problemi |
|---|---|
 Quale spuntino in 1 minuto può andare bene? |
Descrivi cosa c'è in questa immagine. |
Un'altra strategia consiste nel chiedere al modello di spiegare il suo ragionamento. Questo può aiutarti a restringere l'eventuale parte del ragionamento eventualmente interrotta.
| Prompt | Richiesta di risoluzione dei problemi |
|---|---|
Quale spuntino in 1 minuto può andare bene? |
Quale spuntino in 1 minuto può andare bene? Spiega perché. |
Ottimizzazione dei parametri di campionamento
In ogni richiesta non invii solo il prompt multimodale, ma anche un set di parametri di campionamento al modello. Il modello può generare risultati diversi a seconda dei valori parametro. Sperimenta con i diversi per ottenere i valori migliori per l'attività. I parametri regolati più di frequente sono i seguenti:
- Temperatura
- top-P
- top-k
Temperatura
La temperatura viene utilizzata per il campionamento durante la generazione della risposta, che si verifica quando vengono applicati top-P e top-K.
La temperatura controlla il grado di casualità nella selezione dei token. Le temperature più basse sono ideali per prompt che
richiedono una risposta più deterministica e meno aperta o creativa, mentre le temperature più alte possono portare a
diversi o creativi. Una temperatura pari a 0 è deterministica, il che significa che la risposta con la probabilità più alta
è sempre selezionata.
Per la maggior parte dei casi d'uso, prova a iniziare con una temperatura di 0,4. Se hai bisogno di più risultati creativi, prova ad aumentare la temperatura dell'acqua. Se noti allucinazioni chiare, prova a ridurre la temperatura.
Top-K
Top-K cambia il modo in cui il modello seleziona i token per l'output. Un top-K pari a 1 indica che il successivo token selezionato
il più probabile tra tutti i token nel vocabolario del modello (chiamato anche decodifica greedy), mentre
un top-K di 3 indica che il token successivo viene selezionato tra i tre token più probabili per
utilizzando la temperatura.
Per ogni fase di selezione dei token, vengono campionati i token top-K con le probabilità più alte. Poi vengono ulteriormente filtrati in base a top-P e il token finale viene selezionato utilizzando il campionamento con temperatura.
Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Il valore predefinito di top-K è 32.
Top-P
Top-P cambia il modo in cui il modello seleziona i token per l'output. I token vengono selezionati tra il più alto (vedi top-K).
al meno probabile finché la somma delle probabilità non corrisponde al valore di top-P. Ad esempio, se i token
A, B e C hanno una probabilità di 0,6, 0,3, 0,1 e il valore di top-P è 0,9, il modello
seleziona A o B come token successivo utilizzando la temperatura ed esclude C come candidato.
Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Il valore predefinito di top-P è 1,0.
Passaggi successivi
- Prova a scrivere prompt multimodali utilizzando l'IA di Google Google Studio.
- Per ulteriori indicazioni sulla progettazione dei prompt, consulta Pagina Strategie di prompt.