חשיבה של Gemini

מודלי Gemini משתמשים ב'תהליך חשיבה' פנימי שמשפר באופן משמעותי את יכולות החשיבה הרציונלית והתכנון הרב-שלבי שלהם, מה שהופך אותם ליעילים מאוד במשימות מורכבות כמו תכנות, מתמטיקה מתקדמת וניתוח נתונים.

במדריך הזה מוסבר איך להשתמש ביכולות החשיבה של Gemini באמצעות Gemini API.

יצירת תוכן עם חשיבה

הפעלת בקשה באמצעות מודל חשיבה דומה לכל בקשה ליצירה אחרת. ההבדל העיקרי הוא שצריך לציין בשדה model אחד מהמודלים שתומכים בחשיבה, כמו בדוגמה הבאה ליצירת טקסט:

Python

from google import genai

client = genai.Client()
prompt = "Explain the concept of Occam's Razor and provide a simple, everyday example."
response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents=prompt
)

print(response.text)

JavaScript

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({});

async function main() {
  const prompt = "Explain the concept of Occam's Razor and provide a simple, everyday example.";

  const response = await ai.models.generateContent({
    model: "gemini-3.8-flash",
    contents: prompt,
  });

  console.log(response.text);
}

main();

Go

package main

import (
  "context"
  "fmt"
  "log"
  "os"
  "google.golang.org/genai"
)

func main() {
  ctx := context.Background()
  client, err := genai.NewClient(ctx, nil)
  if err != nil {
      log.Fatal(err)
  }

  prompt := "Explain the concept of Occam's Razor and provide a simple, everyday example."
  model := "gemini-3.8-flash"

  resp, _ := client.Models.GenerateContent(ctx, model, genai.Text(prompt), nil)

  fmt.Println(resp.Text())
}

REST

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.8-flash:generateContent" \
 -H "x-goog-api-key: $GEMINI_API_KEY" \
 -H 'Content-Type: application/json' \
 -X POST \
 -d '{
   "contents": [
     {
       "parts": [
         {
           "text": "Explain the concept of Occam'\''s Razor and provide a simple, everyday example."
         }
       ]
     }
   ]
 }'
 ```

סיכומי חשיבה

סיכומי תהליך החשיבה הם גרסאות מסוכמות של תהליכי החשיבה הגולמיים של המודל, והם מספקים תובנות לגבי תהליך החשיבה הפנימי של המודל. חשוב לזכור שרמות החשיבה והתקציבים חלים על המחשבות הגולמיות של המודל ולא על סיכומי המחשבות.

כדי להפעיל סיכומי מחשבות, צריך להגדיר את includeThoughts ל-true בהגדרות הבקשה. כדי לגשת לסיכום, עוברים על parts של הפרמטר response ובודקים את הערך הבוליאני thought.

הנה דוגמה שמראה איך להפעיל את סיכומי המחשבות ולאחזר אותם בלי סטרימינג. בדוגמה הזו, המודל מחזיר סיכום מחשבות סופי אחד עם התשובה:

Python

from google import genai
from google.genai import types

client = genai.Client()
prompt = "What is the sum of the first 50 prime numbers?"
response = client.models.generate_content(
  model="gemini-3.8-flash",
  contents=prompt,
  config=types.GenerateContentConfig(
    thinking_config=types.ThinkingConfig(
      include_thoughts=True
    )
  )
)

for part in response.candidates[0].content.parts:
  if not part.text:
    continue
  if part.thought:
    print("Thought summary:")
    print(part.text)
    print()
  else:
    print("Answer:")
    print(part.text)
    print()

JavaScript

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({});

async function main() {
  const response = await ai.models.generateContent({
    model: "gemini-3.8-flash",
    contents: "What is the sum of the first 50 prime numbers?",
    config: {
      thinkingConfig: {
        includeThoughts: true,
      },
    },
  });

  for (const part of response.candidates[0].content.parts) {
    if (!part.text) {
      continue;
    }
    else if (part.thought) {
      console.log("Thoughts summary:");
      console.log(part.text);
    }
    else {
      console.log("Answer:");
      console.log(part.text);
    }
  }
}

main();

Go

package main

import (
  "context"
  "fmt"
  "google.golang.org/genai"
  "os"
)

func main() {
  ctx := context.Background()
  client, err := genai.NewClient(ctx, nil)
  if err != nil {
      log.Fatal(err)
  }

  contents := genai.Text("What is the sum of the first 50 prime numbers?")
  model := "gemini-3.8-flash"
  resp, _ := client.Models.GenerateContent(ctx, model, contents, &genai.GenerateContentConfig{
    ThinkingConfig: &genai.ThinkingConfig{
      IncludeThoughts: true,
    },
  })

  for _, part := range resp.Candidates[0].Content.Parts {
    if part.Text != "" {
      if part.Thought {
        fmt.Println("Thoughts Summary:")
        fmt.Println(part.Text)
      } else {
        fmt.Println("Answer:")
        fmt.Println(part.Text)
      }
    }
  }
}

הנה דוגמה לשימוש בתהליך חשיבה עם סטרימינג, שמחזיר סיכומים מצטברים במהלך היצירה:

Python

from google import genai
from google.genai import types

client = genai.Client()

prompt = """
Alice, Bob, and Carol each live in a different house on the same street: red, green, and blue.
The person who lives in the red house owns a cat.
Bob does not live in the green house.
Carol owns a dog.
The green house is to the left of the red house.
Alice does not own a cat.
Who lives in each house, and what pet do they own?
"""

thoughts = ""
answer = ""

for chunk in client.models.generate_content_stream(
    model="gemini-3.8-flash",
    contents=prompt,
    config=types.GenerateContentConfig(
      thinking_config=types.ThinkingConfig(
        include_thoughts=True
      )
    )
):
  for part in chunk.candidates[0].content.parts:
    if not part.text:
      continue
    elif part.thought:
      if not thoughts:
        print("Thoughts summary:")
      print(part.text)
      thoughts += part.text
    else:
      if not answer:
        print("Answer:")
      print(part.text)
      answer += part.text

JavaScript

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({});

const prompt = `Alice, Bob, and Carol each live in a different house on the same
street: red, green, and blue. The person who lives in the red house owns a cat.
Bob does not live in the green house. Carol owns a dog. The green house is to
the left of the red house. Alice does not own a cat. Who lives in each house,
and what pet do they own?`;

let thoughts = "";
let answer = "";

async function main() {
  const response = await ai.models.generateContentStream({
    model: "gemini-3.8-flash",
    contents: prompt,
    config: {
      thinkingConfig: {
        includeThoughts: true,
      },
    },
  });

  for await (const chunk of response) {
    for (const part of chunk.candidates[0].content.parts) {
      if (!part.text) {
        continue;
      } else if (part.thought) {
        if (!thoughts) {
          console.log("Thoughts summary:");
        }
        console.log(part.text);
        thoughts = thoughts + part.text;
      } else {
        if (!answer) {
          console.log("Answer:");
        }
        console.log(part.text);
        answer = answer + part.text;
      }
    }
  }
}

await main();

Go

package main

import (
  "context"
  "fmt"
  "log"
  "os"
  "google.golang.org/genai"
)

const prompt = `
Alice, Bob, and Carol each live in a different house on the same street: red, green, and blue.
The person who lives in the red house owns a cat.
Bob does not live in the green house.
Carol owns a dog.
The green house is to the left of the red house.
Alice does not own a cat.
Who lives in each house, and what pet do they own?
`

func main() {
  ctx := context.Background()
  client, err := genai.NewClient(ctx, nil)
  if err != nil {
      log.Fatal(err)
  }

  contents := genai.Text(prompt)
  model := "gemini-3.8-flash"

  resp := client.Models.GenerateContentStream(ctx, model, contents, &genai.GenerateContentConfig{
    ThinkingConfig: &genai.ThinkingConfig{
      IncludeThoughts: true,
    },
  })

  for chunk := range resp {
    for _, part := range chunk.Candidates[0].Content.Parts {
      if len(part.Text) == 0 {
        continue
      }

      if part.Thought {
        fmt.Printf("Thought: %s\n", part.Text)
      } else {
        fmt.Printf("Answer: %s\n", part.Text)
      }
    }
  }
}

שליטה בתהליך החשיבה

כברירת מחדל, מודלים של Gemini משתמשים בחשיבה דינמית ומתאימים באופן אוטומטי את כמות מאמץ החשיבה בהתאם למורכבות של בקשת המשתמש. עם זאת, אם יש לכם אילוצים ספציפיים לגבי זמן האחזור או שאתם רוצים שהמודל יבצע ניתוח מעמיק יותר מהרגיל, אתם יכולים להשתמש בפרמטרים כדי לשלוט בהתנהגות החשיבה.

רמות ההעמקה (Gemini 4 ו-Gemini 3)

הפרמטר thinkingLevel, שנדרש למודלים של Gemini 4 ומומלץ למודלים של Gemini 3, מאפשר לכם לשלוט בהתנהגות הנימוקים. ‫Gemini 4‏ (gemini-4-argon) תומך ב-low, ב-medium (ברירת המחדל) וב-high.

בטבלה הבאה מפורטות ההגדרות של thinkingLevel לכל סוג מודל:

רמת ההעמקה Gemini 3.8 Flash Gemini 3.6 Flash Gemini 4 Argon ‫Gemini 3.5 ו-‎3.1 Flash-Lite תמונה של Gemini 3.1 Flash-Lite Gemini 3 Flash Gemini Robotics ER 2 תיאור
minimal לא נתמך (שגיאה) נתמך לא נתמך (שגיאה) ‫יש תמיכה (ברירת מחדל) ‫יש תמיכה (ברירת מחדל) נתמך נתמך מתאים להגדרה 'ללא חשיבה' ברוב השאילתות. חשוב לזכור ש-minimal לא מבטיח שהמודל לא יבצע תהליך חשיבה. יכול להיות שהמודל יבצע תהליך חשיבה מינימלי מאוד במשימות מורכבות.
low נתמך נתמך נתמך נתמך לא נתמך נתמך נתמך מצמצם את זמן האחזור ואת העלות.
medium נתמך (ברירת מחדל) ‫יש תמיכה (ברירת מחדל) ‫יש תמיכה (ברירת מחדל) נתמך לא נתמך נתמך נתמך חשיבה מאוזנת לרוב המשימות.
high נתמך (דינמי) נתמך (דינמי) נתמך (דינמי) נתמך (דינמי) נתמך (דינמי) ‫יש תמיכה (ברירת מחדל, דינמי) ‫יש תמיכה (ברירת מחדל, דינמי) העומק המקסימלי של החשיבה הרציונלית. יכול להיות שיעבור הרבה יותר זמן עד שהמודל יפיק את הטוקן הראשון של הפלט (לא של החשיבה), אבל הפלט יהיה מנומק בצורה מעמיקה יותר.

בדוגמה הבאה מוסבר איך להגדיר את רמת החשיבה.

Python

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents="Provide a list of 3 famous physicists and their key contributions",
    config=types.GenerateContentConfig(
        thinking_config=types.ThinkingConfig(thinking_level="low")
    ),
)

print(response.text)

JavaScript

import { GoogleGenAI, ThinkingLevel } from "@google/genai";

const ai = new GoogleGenAI({});

async function main() {
  const response = await ai.models.generateContent({
    model: "gemini-3.8-flash",
    contents: "Provide a list of 3 famous physicists and their key contributions",
    config: {
      thinkingConfig: {
        thinkingLevel: ThinkingLevel.LOW,
      },
    },
  });

  console.log(response.text);
}

main();

Go

package main

import (
  "context"
  "fmt"
  "google.golang.org/genai"
  "os"
)

func main() {
  ctx := context.Background()
  client, err := genai.NewClient(ctx, nil)
  if err != nil {
      log.Fatal(err)
  }

  thinkingLevelVal := "low"

  contents := genai.Text("Provide a list of 3 famous physicists and their key contributions")
  model := "gemini-3.8-flash"
  resp, _ := client.Models.GenerateContent(ctx, model, contents, &genai.GenerateContentConfig{
    ThinkingConfig: &genai.ThinkingConfig{
      ThinkingLevel: &thinkingLevelVal,
    },
  })

fmt.Println(resp.Text())
}

REST

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.8-flash:generateContent" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H 'Content-Type: application/json' \
-X POST \
-d '{
  "contents": [
    {
      "parts": [
        {
          "text": "Provide a list of 3 famous physicists and their key contributions"
        }
      ]
    }
  ],
  "generationConfig": {
    "thinkingConfig": {
          "thinkingLevel": "low"
    }
  }
}'

אי אפשר להשבית את מצב החשיבה ב-Gemini 4 Argon. בנוסף, אי אפשר להשבית את המודל המעמיק ב-Gemini 3 Flash וב-Flash-Lite. אם לא מציינים רמת העמקה, Gemini ישתמש ברמת העמקה שמוגדרת כברירת מחדל במודל (למשל, "medium" ב-Gemini 4 Argon, ב-Gemini 3.8 Flash וב-Gemini 3.6 Flash).

מודלים מסדרת Gemini 2.5 לא תומכים ב-thinkingLevel. במקום זאת, צריך להשתמש ב-thinkingBudget .

מגבלות על טוקנים וmax_output_tokens

הפרמטר max_output_tokens מגדיר את המספר המקסימלי של טוקנים שהמודל יכול ליצור בתשובה, כולל טוקנים של חשיבה.

כשהפרמטר הזה מוגדר, הוא משמש כסף קשיח שנאכף על ידי התשתית, בלי לשנות את האופן שבו המודל מקצה את תקציב החשיבה שלו (thinking_level).

אם המודל מגיע למגבלה הזו בזמן שהוא חושב, הוא מפסיק ליצור פלט עם finish_reason: MAX_TOKENS ומחזיר פלט חלקי או ריק (אבל עדיין מחייב על כל טוקן של חשיבה שנוצר). כדי להפחית את העלות או זמן האחזור בלי לקצר את התשובות, כדאי להקטין את הערך של thinking_level (low או medium) במקום להגדיר ערך קטן ל-max_output_tokens.

‫במודלים של Gemini 4‏ (gemini-4-argon), חשוב לזכור את המגבלות הבאות על ההקשר והפלט:

  • חלון הקשר המשותף של מיליון טוקנים: טוקנים של קלט, חשיבה ופלט חולקים חלון הקשר יחיד של מיליון טוקנים (1,048,576 טוקנים). אם מספר הטוקנים של הקלט בתוספת max_output_tokens חורג מ-1,048,576 טוקנים, ה-API מגביל אוטומטית את הפלט למקום שנותר בחלון ההקשר (1,048,576 פחות הטוקנים של הקלט).
  • מגבלות על פלט לכל בקשה (64,000 טוקנים בסטרימינג / 32,000 טוקנים ללא סטרימינג) ופענוח ארוך (עד מיליון טוקנים): בקשת סטרימינג יחידה (streamGenerateContent) מחזירה עד 65,536 טוקנים, ובקשה יחידה ללא סטרימינג (generateContent) מחזירה עד 32,768 טוקנים. כדי ליצור מעבר למגבלה לכל בקשה (עד 1,048,576 טוקנים פחות הקלט), צריך להגדיר את max_output_tokens מעל המגבלה. ערכות ה-SDK העדכניות של Google GenAI ממשיכות באופן אוטומטי בין הדילוגים כברירת מחדל (automatic_continuation=True), או שאפשר להריץ לולאת לקוח באמצעות continuation_token שמוחזר כשדילוג נעצר עם finish_reason: "CONTINUATION". במאמר בנושא פענוח ארוך מפורטות דוגמאות קוד.

תקציבי חשיבה

הפרמטר thinkingBudget, שהושק בסדרת Gemini 2.5, מגדיר למודל את מספר הטוקנים הספציפי של חשיבה שבהם הוא צריך להשתמש כדי להסיק מסקנות.

בהמשך מפורטים thinkingBudget פרטי ההגדרה של כל סוג מודל. כדי להשבית את החשיבה, צריך להגדיר את thinkingBudget ל-0. אם מגדירים את thinkingBudget ל-1-, המודל מפעיל חשיבה דינמית, כלומר הוא מתאים את התקציב לפי מורכבות הבקשה.

מודל הגדרת ברירת המחדל
(התקציב לא מוגדר)
טווח השבתת החשיבה הפעלת חשיבה דינמית
‫2.5 Pro חשיבה דינמית 128 עד 32768 לא רלוונטי: אי אפשר להשבית את החשיבה ‫thinkingBudget = -1 (ברירת מחדל)
‫2.5 Flash חשיבה דינמית 0 עד 24576 thinkingBudget = 0 ‫thinkingBudget = -1 (ברירת מחדל)
‫‎2.5 Flash Preview חשיבה דינמית 0 עד 24576 thinkingBudget = 0 ‫thinkingBudget = -1 (ברירת מחדל)
‫2.5 Flash Lite המודל לא חושב 512 עד 24576 thinkingBudget = 0 thinkingBudget = -1
2.5 Flash Lite Preview המודל לא חושב 512 עד 24576 thinkingBudget = 0 thinkingBudget = -1
Robotics-ER 1.6 Preview חשיבה דינמית 0 עד 24576 thinkingBudget = 0 ‫thinkingBudget = -1 (ברירת מחדל)
‫2.5 Flash Live Native Audio Preview (09-2025) חשיבה דינמית 0 עד 24576 thinkingBudget = 0 ‫thinkingBudget = -1 (ברירת מחדל)

Python

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents="Provide a list of 3 famous physicists and their key contributions",
    config=types.GenerateContentConfig(
        thinking_config=types.ThinkingConfig(thinking_budget=1024)
        # Turn off thinking:
        # thinking_config=types.ThinkingConfig(thinking_budget=0)
        # Turn on dynamic thinking:
        # thinking_config=types.ThinkingConfig(thinking_budget=-1)
    ),
)

print(response.text)

JavaScript

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({});

async function main() {
  const response = await ai.models.generateContent({
    model: "gemini-2.5-flash",
    contents: "Provide a list of 3 famous physicists and their key contributions",
    config: {
      thinkingConfig: {
        thinkingBudget: 1024,
        // Turn off thinking:
        // thinkingBudget: 0
        // Turn on dynamic thinking:
        // thinkingBudget: -1
      },
    },
  });

  console.log(response.text);
}

main();

Go

package main

import (
  "context"
  "fmt"
  "google.golang.org/genai"
  "os"
)

func main() {
  ctx := context.Background()
  client, err := genai.NewClient(ctx, nil)
  if err != nil {
      log.Fatal(err)
  }

  thinkingBudgetVal := int32(1024)

  contents := genai.Text("Provide a list of 3 famous physicists and their key contributions")
  model := "gemini-2.5-flash"
  resp, _ := client.Models.GenerateContent(ctx, model, contents, &genai.GenerateContentConfig{
    ThinkingConfig: &genai.ThinkingConfig{
      ThinkingBudget: &thinkingBudgetVal,
      // Turn off thinking:
      // ThinkingBudget: int32(0),
      // Turn on dynamic thinking:
      // ThinkingBudget: int32(-1),
    },
  })

fmt.Println(resp.Text())
}

REST

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-2.5-flash:generateContent" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H 'Content-Type: application/json' \
-X POST \
-d '{
  "contents": [
    {
      "parts": [
        {
          "text": "Provide a list of 3 famous physicists and their key contributions"
        }
      ]
    }
  ],
  "generationConfig": {
    "thinkingConfig": {
          "thinkingBudget": 1024
    }
  }
}'

בהתאם להנחיה, המודל עשוי לחרוג מתקציב הטוקנים או לא להגיע אליו.

חתימות של מחשבות

‫Gemini API הוא ללא שמירת מצב (stateless), ולכן המודל מתייחס לכל בקשת API באופן עצמאי ואין לו גישה להקשר של תהליך החשיבה מסבבים קודמים באינטראקציות עם כמה סבבים.

כדי לאפשר שמירה על הקשר החשיבה באינטראקציות רב-שלביות, Gemini מחזיר חתימות חשיבה, שהן ייצוגים מוצפנים של תהליך החשיבה הפנימי של המודל.

  • המודלים של Gemini 2.5 מחזירים חתימות חשיבה כשתהליך החשיבה מופעל והבקשה כוללת קריאה להפעלת פונקציות, ובמיוחד הצהרות על פונקציות.
  • מודלים של Gemini 4 ו-Gemini 3 עשויים להחזיר חתימות חשיבה לכל סוגי החלקים. מומלץ תמיד להחזיר את כל החתימות כמו שהן, אבל זה חובה כשמדובר בחתימות של קריאות לפונקציות. מידע נוסף זמין בדף חתימות מחשבה.

מגבלות שימוש נוספות שכדאי להביא בחשבון כשמשתמשים בקריאה להפעלת פונקציות:

  • החתימות מוחזרות מהמודל בחלקים אחרים של התשובה, למשל קריאה להפעלת פונקציות או חלקי טקסט. להחזיר את כל התשובה עם כל החלקים שלה למודל בסבבים הבאים.
  • אל תשרשרו חלקים עם חתימות.
  • אל תמזגו חלק עם חתימה עם חלק אחר בלי חתימה.

תמחור

כשהחשיבה מופעלת, התמחור של התגובה הוא סכום הטוקנים של הפלט והטוקנים של החשיבה. בשדה thoughtsTokenCount אפשר לראות את המספר הכולל של טוקנים של חשיבה שנוצרו.

Python

# ...
print("Thoughts tokens:", response.usage_metadata.thoughts_token_count)
print("Output tokens:", response.usage_metadata.candidates_token_count)

JavaScript

// ...
console.log(`Thoughts tokens: ${response.usageMetadata.thoughtsTokenCount}`);
console.log(`Output tokens: ${response.usageMetadata.candidatesTokenCount}`);

Go

// ...
fmt.Println("Thoughts tokens:", response.UsageMetadata.ThoughtsTokenCount)
fmt.Println("Output tokens:", response.UsageMetadata.CandidatesTokenCount)

מודלים חושבים יוצרים מחשבות מלאות כדי לשפר את איכות התשובה הסופית, ואז מפיקים סיכומים שנותנים תובנות לגבי תהליך החשיבה. לכן, התמחור מבוסס על כל הטוקנים של החשיבה שהמודל צריך ליצור כדי להפיק סיכום, למרות שרק הסיכום הוא הפלט מה-API.

מידע נוסף על טוקנים זמין במדריך ספירת טוקנים.

שיטות מומלצות

בקטע הזה יש כמה הנחיות לשימוש יעיל במודלים חושבים. כמו תמיד, כדי להשיג את התוצאות הטובות ביותר, חשוב לפעול לפי ההנחיות והשיטות המומלצות שלנו ליצירת הנחיות.

ניפוי באגים והנחיה

  • לבדוק את תהליך החשיבה: אם אתם לא מקבלים את התשובה שציפיתם לה מהמודלים החושבים, כדאי לנתח בקפידה את סיכומי החשיבה של Gemini. אתם יכולים לראות איך הוא פירק את המשימה והגיע למסקנה, ולהשתמש במידע הזה כדי לתקן את התוצאות.

  • הנחיות לגבי תהליך החשיבה: אם אתם רוצים לקבל פלט ארוך במיוחד, כדאי לתת בהנחיה הוראות שיגבילו את כמות החשיבה של המודל. כך אפשר לשמור יותר טוקנים לתשובה.

מורכבות המשימה

  • משימות פשוטות (החשיבה יכולה להיות מושבתת): לבקשות פשוטות שלא דורשות נימוקים מורכבים, כמו אחזור עובדות או סיווג, לא נדרשת חשיבה. דוגמאות:
    • "Where was DeepMind founded?‎"
    • "האם באימייל הזה מבקשים לקיים פגישה או רק מספקים מידע?"
  • משימות בינוניות (ברירת מחדל/חלק מהחשיבה): הרבה בקשות נפוצות נהנות ממידה מסוימת של עיבוד שלב אחר שלב או מהבנה מעמיקה יותר. ‫Gemini יכול להשתמש ביכולת החשיבה באופן גמיש כדי לבצע משימות כמו:
    • השווה בין פוטוסינתזה לבין תהליך הגדילה.
    • השוו בין מכוניות חשמליות לרכבים היברידיים.
  • משימות קשות (יכולת חשיבה מקסימלית): לאתגרים מורכבים באמת, כמו פתרון בעיות מתמטיות מורכבות או משימות תכנות, מומלץ להגדיר מכסת חשיבה גבוהה. כדי לבצע משימות כאלה, המודל צריך להפעיל את כל יכולות החשיבה והתכנון שלו, ולעיתים קרובות הוא מבצע הרבה שלבים פנימיים לפני שהוא מספק תשובה. לדוגמה:
    • פתרון בעיה 1 ב-AIME 2025: צריך למצוא את הסכום של כל הבסיסים השלמים b > 9 שעבורם 17b הוא מחלק של 97b.
    • כתוב קוד Python לאפליקציית אינטרנט שמציגה נתונים בזמן אמת מהבורסה לניירות ערך, כולל אימות משתמשים. התשובה צריכה להיות יעילה ככל האפשר.

מודלים, כלים ויכולות נתמכים

תכונות החשיבה נתמכות בכל המודלים מסדרות 4, 3 ו-2.5. כל היכולות של המודל מפורטות בדף סקירה כללית של המודל.

המודלים החושבים פועלים עם כל הכלים והיכולות של Gemini. כך המודלים יכולים לקיים אינטראקציה עם מערכות חיצוניות, להריץ קוד או לגשת למידע בזמן אמת, ולשלב את התוצאות בתהליך החשיבה ובתשובה הסופית שלהם.

אפשר לנסות דוגמאות לשימוש בכלים עם מודלים של חשיבה ב[ספר המתכונים של חשיבה][Colab].

מה השלב הבא?

‫[Colab]: https://colab.sandbox.google.com/github/google-gemini/cookbook/blob/main/quickstarts/Get_started_thinking.ipynb