مدلهای سری Gemini 3 و 2.5 از «فرایند تفکر» داخلی استفاده میکنند که تواناییهای استدلال و برنامهریزی چندمرحلهای آنها را بهطور قابلتوجهی بهبود میبخشد و آنها را برای انجام تکالیف پیچیده مانند کدنویسی، ریاضیات پیشرفته، و تجزیهوتحلیل دادهها بسیار مؤثر میکند.
این راهنما به شما نشان میدهد که چگونه بااستفاده از Gemini API با قابلیتهای تفکر Gemini کار کنید.
تولید محتوا با تفکر
شروع درخواست با مدل تفکر مشابه با هر درخواست تولید محتوای دیگری است. تفاوت اصلی در مشخص کردن یکی از
مدلهای دارای پشتیبانی از تفکر در فیلد model است، همانطور که در مثال
تولید نوشتار زیر نشان داده شده است:
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();
رفتن
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."
}
]
}
]
}'
```
خلاصههای فکر
خلاصههای فکر نسخههای خلاصه شده از افکار خام مدل هستند و اطلاعات آماری درباره فرایند استدلال داخلی مدل ارائه میدهند. توجه داشته باشید که سطوح تفکر و بودجهها برای افکار خام مدل اعمال میشود و نه برای خلاصه افکار.
با تنظیم includeThoughts روی true در پیکربندی درخواست میتوانید خلاصه افکار را فعال کنید. سپس میتوانید با پیمایش در پارامتر
responseparts و بررسی مقدار بولی thought به خلاصه دسترسی پیدا کنید.
در اینجا نمونهای از نحوه فعال کردن و بازیابی خلاصه افکار بدون جاریسازی آورده شده است که یک خلاصه فکر نهایی واحد را با پاسخ برمیگرداند:
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();
رفتن
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)
}
}
}
}
و در اینجا نمونهای از استفاده از «تفکر با جاریسازی» ارائه شده است که درطول تولید، خلاصه افزایشی و چرخشی برمیگرداند:
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();
رفتن
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)
}
}
}
}
کنترل کردن اندیشیدن
مدلهای Gemini بهطور پیشفرض درگیر تفکر پویا میشوند و بهطور خودکار میزان تلاش برای استدلال را براساس پیچیدگی درخواست کاربر تنظیم میکنند. بااینحال، اگر محدودیتهای تأخیر خاصی دارید یا نیاز دارید که مدل در استدلال عمیقتری نسبتبه معمول درگیر شود، میتوانید بهصورت اختیاری از پارامترها برای کنترل رفتار فکری استفاده کنید.
سطوح اندیشیدن (Gemini 3)
پارامتر thinkingLevel که برای مدلهای Gemini 3 و بالاتر توصیه میشود،
به شما امکان میدهد رفتار استدلال را کنترل کنید.
جدول زیر جزئیات تنظیمات thinkingLevel را برای هر نوع مدل نشان میدهد:
| سطح اندیشگر | Gemini 3.8 Flash | Gemini 3.6 Flash | Gemini 3.1 Pro | Gemini 3.5 و 3.1 Flash-Lite | تصویر Gemini 3.1 Flash-Lite | Gemini 3 Flash | Gemini Robotics ER 2 | شرح |
|---|---|---|---|---|---|---|---|---|
minimal |
پشتیبانی نمیشود (خطا) | پشتیبانیشده | پشتیبانی نمیشود | پشتیبانیشده (پیشفرض) | پشتیبانیشده (پیشفرض) | پشتیبانیشده | پشتیبانیشده | برای اکثر پُرسمانها با تنظیم «بدون فکر کردن» مطابقت دارد. توجه داشته باشید که minimal تضمین نمیکند که فکر کردن خاموش باشد، مدل ممکن است برای تکلیفهای پیچیده بسیار کم استدلال کند. |
low |
پشتیبانیشده | پشتیبانیشده | پشتیبانیشده | پشتیبانیشده | پشتیبانی نمیشود | پشتیبانیشده | پشتیبانیشده | تأخیر و هزینه را به حداقل میرساند. |
medium |
پشتیبانیشده (پیشفرض) | پشتیبانیشده (پیشفرض) | پشتیبانیشده | پشتیبانیشده | پشتیبانی نمیشود | پشتیبانیشده | پشتیبانیشده | اندیشیدن متوازن برای اکثر تکالیف. |
high |
پشتیبانیشده (پویا) | پشتیبانیشده (پویا) | پشتیبانیشده (پیشفرض، پویا) | پشتیبانیشده (پویا) | پشتیبانیشده (پویا) | پشتیبانیشده (پیشفرض، پویا) | پشتیبانیشده (پیشفرض، پویا) | عمق استدلال را به حداکثر میرساند. مدل ممکن است زمان بسیار بیشتری طول بکشد تا به اولین واحد خروجی (غیرفکر کردن) برسد، اما خروجی با دقت بیشتری استدلال خواهد شد. |
مثال زیر نحوه تنظیم سطح تفکر را نشان میدهد.
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();
رفتن
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"
}
}
}'
نمیتوانید فکر کردن را برای Gemini 3.1 Pro غیرفعال کنید. Gemini 3 Flash و Flash-Lite
همچنین از خاموش کردن کامل اندیشیدن پشتیبانی نمیکنند.
اگر سطح اندیشیدن را مشخص نکنید، Gemini از سطح اندیشیدن پیشفرض مدلهای Gemini 3 استفاده خواهد کرد (برای نمونه، "high" برای Gemini 3.1 Pro، و "medium" برای
Gemini 3.8 Flash و Gemini 3.6 Flash).
مدلهای سری Gemini 2.5 از thinkingLevel پشتیبانی نمیکنند؛ بهجای آن از thinkingBudget
استفاده کنید.
محدودیتهای کد و max_output_tokens
پارامتر تولید max_output_tokens
حداکثر تعداد نشانههایی را که یک پاسخ میتواند تولید کند،
ازجمله نشانههای فکری، تنظیم میکند.
وقتی تنظیم شود، این پارامتر بهعنوان برش سختگیرانهای عمل میکند که زیرساخت آن را اعمال میکند
بدون اینکه نحوه تخصیص بودجه فکری مدل را تغییر دهد
(thinking_level).
اگر مدل درحین استدلال به این حد برسد، تولید را با finish_reason: MAX_TOKENS متوقف میکند و برونداد کوتاه یا خالی برمیگرداند (درحالیکه همچنان هزینه هر نشان فکری تولیدشده را دریافت میکند). برای کاهش هزینه یا تأخیر بدون کوتاه کردن پاسخها، بهجای تنظیم max_output_tokens کوچک، thinking_level (low یا medium) را کاهش دهید.
درحال فکر کردن درباره بودجهها
پارامتر thinkingBudget که با سری Gemini 2.5 معرفی شد، مدل را درخصوص تعداد مشخصی از نشانههای تفکر که باید برای استدلال استفاده کند راهنمایی میکند.
در زیر، thinkingBudget جزئیات پیکربندی برای هر نوع مدل ارائه شده است.
با تنظیم thinkingBudget روی ۰ میتوانید فکر کردن را غیرفعال کنید.
تنظیم thinkingBudget روی -۱ باعث روشن شدن تفکر پویا میشود، یعنی مدل بودجه را براساس پیچیدگی درخواست تنظیم میکند.
| مدل | تنظیم پیشفرض (بودجه تفکر تنظیم نشده است) |
بُرد | غیرفعال کردن اندیشیدن | روشن کردن تفکر پویا |
|---|---|---|---|---|
| 2.5 Pro | تفکر پویا | 128 به 32768 |
N/A: نمیتوان اندیشیدن را غیرفعال کرد | thinkingBudget = -1 (پیشفرض) |
| 2.5 Flash | تفکر پویا | 0 به 24576 |
thinkingBudget = 0 |
thinkingBudget = -1 (پیشفرض) |
| 2.5 Flash Preview | تفکر پویا | 0 به 24576 |
thinkingBudget = 0 |
thinkingBudget = -1 (پیشفرض) |
| 2.5 Flash Lite | مدل فکر نمیکند | 512 به 24576 |
thinkingBudget = 0 |
thinkingBudget = -1 |
| 2.5 Flash Lite Preview | مدل فکر نمیکند | 512 به 24576 |
thinkingBudget = 0 |
thinkingBudget = -1 |
| Robotics-ER 1.6 Preview | تفکر پویا | 0 به 24576 |
thinkingBudget = 0 |
thinkingBudget = -1 (پیشفرض) |
| 2.5 Flash Live Native Audio Preview (09-2025) | تفکر پویا | 0 به 24576 |
thinkingBudget = 0 |
thinkingBudget = -1 (پیشفرض) |
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();
رفتن
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
}
}
}'
بسته به پیامواره، ممکن است مدل از بودجه نشانهگذاری سرریز کند یا کمتر از آن استفاده کند.
امضاهای فکری
«میانای برنامهسازی کاربردی Gemini» بدون حالت است، بنابراین مدل هر درخواست API را بهطور مستقل پردازش میکند و به بافت فکری نوبتهای قبلی در تعاملات چند نوبتی دسترسی ندارد.
برای فعال کردن حفظ بافت فکری در تعاملات چندنوبتی، Gemini امضاهای فکری را برمیگرداند که نمایشهای رمزگذاریشدهای از فرایند فکری داخلی مدل است.
- وقتی تفکر فعال باشد و درخواست شامل فراخوانی تابع، بهویژه اظهارات تابع باشد، مدلهای Gemini 2.5 امضاهای فکری را برمیگردانند.
- مدلهای Gemini 3 ممکن است امضاهای فکری را برای همه انواع بخشها برگردانند. توصیه میکنیم همیشه همه امضاها را همانگونه که دریافت کردهاید برگردانید، اما این کار برای امضاهای فراخوانی تابع الزامی است. برای کسب اطلاعات بیشتر، صفحه امضاهای فکری را بخوانید.
محدودیتهای دیگر استفاده که باید در تماس با تابع درنظر گرفته شود عبارتاند از:
- امضاها از مدل در بخشهای دیگر پاسخ برگردانده میشوند، برای مثال، فراخوانی تابع یا بخشهای نوشتاری. کل پاسخ را با همه بخشهایش در نوبتهای بعدی به مدل برگردان.
- بخشها را با امضاها بههم نچسبانید.
- بخشی را که امضا دارد با بخشی که امضا ندارد ادغام نکنید.
قیمتگذاری
وقتی اندیشیدن روشن باشد، قیمت پاسخ مجموع دادهواحدهای برونداد و دادهواحدهای اندیشیدن است. میتوانید تعداد کل نشانههای فکری تولیدشده را از فیلد thoughtsTokenCount دریافت کنید.
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}`);
رفتن
// ...
fmt.Println("Thoughts tokens:", response.UsageMetadata.ThoughtsTokenCount)
fmt.Println("Output tokens:", response.UsageMetadata.CandidatesTokenCount)
مدلهای اندیشگر برای بهبود کیفیت پاسخ نهایی، اندیشههای کامل تولید میکنند و سپس خلاصههایی را بهعنوان برونداد ارائه میدهند تا بینشی درباره فرایند اندیشیدن ارائه دهند. بنابراین، قیمتگذاری براساس نشانههای فکری کاملی است که مدل برای تولید خلاصه نیاز دارد، حتی اگر فقط خلاصه از API برونداد شود.
در راهنمای شمارش نشان میتوانید درباره نشانها بیشتر بدانید.
روالهای مطلوب
این بخش شامل برخیاز راهنماییها برای استفاده کارآمد از مدلهای اندیشگر است. مثل همیشه، پیروی از راهنماییهای پیامواره و روالهای مطلوب بهترین نتایج را برای شما بههمراه خواهد داشت.
عیبیابی و هدایت
بازبینی استدلال: وقتی پاسخ موردانتظارتان را از مدلهای تفکر دریافت نمیکنید، تجزیهوتحلیل دقیق خلاصههای فکری Gemini میتواند کمک کند. میتوانید ببینید چگونه تکلیف را تجزیهوتحلیل کرده و به نتیجه رسیده است، و از این اطلاعات برای اصلاح کردن و رسیدن به نتایج درست استفاده کنید.
ارائه راهنمایی در استدلال: اگر امیدوارید برونداد بهخصوص طولانی باشد، ممکن است بخواهید در پیاموارهتان راهنمایی ارائه دهید تا مقدار تفکری را که مدل استفاده میکند محدود کنید. این کار به شما امکان میدهد بخش بیشتری از برونداد نشان را برای پاسخ خودتان رزرو کنید.
پیچیدگی تکلیف
- تکالیف آسان (تفکر میتواند خاموش باشد): برای درخواستهای ساده که به استدلال پیچیده نیاز ندارند، مثل بازیابی حقایق یا طبقهبندی، تفکر لازم نیست. برای نمونه:
- «DeepMind کجا تأسیس شد؟»
- «آیا این ایمیل درخواست جلسه میکند یا فقط اطلاعات ارائه میدهد؟»
- تکالیف متوسط (پیشفرض/کمی فکر کردن): بسیاری از درخواستهای رایج از پردازش گامبهگام یا درک عمیقتر بهرهمند میشوند. Gemini میتواند بهطور انعطافپذیر از قابلیت تفکر برای کارهایی ازاینقبیل استفاده کند:
- فتوسنتز و بزرگ شدن را مقایسه کن.
- خودروهای برقی و خودروهای هیبریدی را مقایسه و همسنجی کنید.
- تکالیف دشوار (حداکثر قابلیت تفکر): برای چالشهای واقعاً پیچیده،
مانند حل مسائل پیچیده ریاضی یا تکالیف کدنویسی، توصیه میکنیم
بودجه تفکر بالایی تعیین کنید. این نوع تکالیف نیازمند این است که مدل از تمام قابلیتهای استدلال و برنامهریزی خود استفاده کند، اغلب شامل مراحل داخلی زیادی قبلاز ارائه پاسخ است. برای نمونه:
- مسئله ۱ در AIME 2025 را حل کنید: مجموع همه پایههای صحیح b > 9 را که برای آنها 17b مقسوم 97b است پیدا کنید.
- کد پایتون برای یک برنامه وب بنویس که دادههای بازار سهام را بهصورت همزمان بهتصویر میکشد، ازجمله اصالتسنجی کاربر. تا حد امکان کارآمد باشد.
مدلها، ابزارها، و قابلیتهای پشتیبانیشده
ویژگیهای «فکر کردن» در همه مدلهای سری ۳ و ۲.۵ پشتیبانی میشود. میتوانید همه قابلیتهای مدل را در صفحه نمای کلی مدل پیدا کنید.
مدلهای اندیشگر با همه ابزارها و قابلیتهای Gemini کار میکنند. این کار به مدلها امکان میدهد با سیستمهای خارجی تعامل داشته باشند، کد اجرا کنند، یا به اطلاعات همزمان دسترسی داشته باشند و نتایج را در استدلال و پاسخ نهایی خود بگنجانند.
میتوانید نمونههایی از استفاده از ابزارها با مدلهای تفکر را در [کتاب آشپزی تفکر][Colab] امتحان کنید.
حالا چه میشود؟
- پوشش «تفکر» در راهنمای سازگاری با OpenAI ما دردسترس است.
[Colab]: https://colab.sandbox.google.com/github/google-gemini/cookbook/blob/main/quickstarts/Get_started_thinking.ipynb