জেমিনি 2.5 সিরিজের মডেলগুলি প্রতিক্রিয়া তৈরির সময় একটি অভ্যন্তরীণ "চিন্তা প্রক্রিয়া" ব্যবহার করে। এই প্রক্রিয়াটি তাদের উন্নত যুক্তির ক্ষমতায় অবদান রাখে এবং জটিল কাজগুলি সমাধান করতে বহু-পদক্ষেপ পরিকল্পনা ব্যবহার করতে সহায়তা করে। এটি এই মডেলগুলিকে বিশেষ করে কোডিং, উন্নত গণিত, ডেটা বিশ্লেষণ এবং অন্যান্য কাজগুলিতে ভাল করে তোলে যার জন্য পরিকল্পনা বা চিন্তাভাবনা প্রয়োজন।
এই নির্দেশিকা আপনাকে দেখায় কিভাবে Gemini এপিআই ব্যবহার করে মিথুনের চিন্তার ক্ষমতা নিয়ে কাজ করতে হয়।
চিন্তা মডেল ব্যবহার করুন
চিন্তা করার ক্ষমতা সহ মডেলগুলি Google AI স্টুডিওতে এবং Gemini API-এর মাধ্যমে উপলব্ধ। এপিআই এবং এআই স্টুডিও উভয় ক্ষেত্রেই থিঙ্কিং ডিফল্টভাবে চালু থাকে কারণ 2.5 সিরিজের মডেলগুলির প্রম্পটের উপর ভিত্তি করে কখন এবং কতটা চিন্তা করতে হবে তা স্বয়ংক্রিয়ভাবে সিদ্ধান্ত নেওয়ার ক্ষমতা রয়েছে। বেশিরভাগ ব্যবহারের ক্ষেত্রে, চিন্তাভাবনা ছেড়ে দেওয়া উপকারী। কিন্তু আপনি যদি চিন্তাভাবনা বন্ধ করতে চান, তাহলে thinkingBudget
প্যারামিটার 0 এ সেট করে আপনি তা করতে পারেন।
একটি মৌলিক অনুরোধ পাঠান
from google import genai
client = genai.Client(api_key="GOOGLE_API_KEY")
prompt = "Explain the concept of Occam's Razor and provide a simple, everyday example."
response = client.models.generate_content(
model="gemini-2.5-flash-preview-04-17",
contents=prompt
)
print(response.text)
import { GoogleGenAI } from "@google/genai";
const ai = new GoogleGenAI({ apiKey: "GOOGLE_API_KEY" });
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-2.5-flash-preview-04-17",
contents: prompt,
});
console.log(response.text);
}
main();
// import packages here
func main() {
ctx := context.Background()
client, err := genai.NewClient(ctx, option.WithAPIKey(os.Getenv("GOOGLE_API_KEY")))
if err != nil {
log.Fatal(err)
}
defer client.Close()
model := client.GenerativeModel("gemini-2.5-flash-preview-04-17")
resp, err := model.GenerateContent(ctx, genai.Text("Explain the concept of Occam's Razor and provide a simple, everyday example."))
if err != nil {
log.Fatal(err)
}
fmt.Println(resp.Text())
}
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-2.5-flash-preview-04-17:generateContent?key=$GOOGLE_API_KEY" \
-H 'Content-Type: application/json' \
-X POST \
-d '{
"contents": [
{
"parts": [
{
"text": "Explain the concept of Occam\''s Razor and provide a simple, everyday example."
}
]
}
]
}'
```
চিন্তার মডেলের উপর বাজেট সেট করুন
thinkingBudget
প্যারামিটারটি একটি প্রতিক্রিয়া তৈরি করার সময় এটি ব্যবহার করতে পারে এমন চিন্তার টোকেনের সংখ্যার মডেল নির্দেশিকা দেয়। একটি বৃহত্তর সংখ্যক টোকেন সাধারণত আরও বিশদ চিন্তার সাথে যুক্ত থাকে, যা আরও জটিল কাজগুলি সমাধানের জন্য প্রয়োজন। thinkingBudget
অবশ্যই 0 থেকে 24576 রেঞ্জের মধ্যে একটি পূর্ণসংখ্যা হতে হবে। চিন্তার বাজেট 0 তে সেট করা চিন্তাকে নিষ্ক্রিয় করে।
প্রম্পটের উপর নির্ভর করে, মডেলটি টোকেন বাজেটকে ওভারফ্লো বা আন্ডারফ্লো করতে পারে।
from google import genai
from google.genai import types
client = genai.Client()
response = client.models.generate_content(
model="gemini-2.5-flash-preview-04-17",
contents="Explain the Occam's Razor concept and provide everyday examples of it",
config=types.GenerateContentConfig(
thinking_config=types.ThinkingConfig(thinking_budget=1024)
),
)
print(response.text)
import { GoogleGenAI } from "@google/genai";
const ai = new GoogleGenAI({ apiKey: "GOOGLE_API_KEY" });
async function main() {
const response = await ai.models.generateContent({
model: "gemini-2.5-flash-preview-04-17",
contents: "Explain the Occam's Razor concept and provide everyday examples of it",
config: {
thinkingConfig: {
thinkingBudget: 1024,
},
},
});
console.log(response.text);
}
main();
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-2.5-flash-preview-04-17:generateContent?key=$GOOGLE_API_KEY" \
-H 'Content-Type: application/json' \
-X POST \
-d '{
"contents": [
{
"parts": [
{
"text": "Explain the Occam\''s Razor concept and provide everyday examples of it"
}
]
}
],
"generationConfig": {
"thinkingConfig": {
"thinkingBudget": 1024
}
}
}'
চিন্তার মডেল সহ সরঞ্জাম ব্যবহার করুন
আপনি টেক্সট তৈরির বাইরে ক্রিয়া সম্পাদনের জন্য মিথুনের যে কোনও সরঞ্জাম এবং ক্ষমতার সাথে চিন্তার মডেলগুলির ব্যবহারকে একত্রিত করতে পারেন। এটি তাদের বাহ্যিক সিস্টেমের সাথে ইন্টারঅ্যাক্ট করতে, কোড কার্যকর করতে, বা রিয়েল-টাইম তথ্য অ্যাক্সেস করতে দেয়, ফলাফলগুলিকে তাদের যুক্তি এবং চূড়ান্ত প্রতিক্রিয়াতে অন্তর্ভুক্ত করে।
সার্চ টুল মডেলটিকে বহিরাগত সার্চ ইঞ্জিনগুলিকে তার প্রশিক্ষণের ডেটার বাইরে আপ-টু-ডেট তথ্য বা তথ্য খোঁজার অনুমতি দেয়। সাম্প্রতিক ঘটনা বা অত্যন্ত নির্দিষ্ট বিষয় সম্পর্কে প্রশ্নগুলির জন্য এটি দরকারী।
কোড এক্সিকিউশন টুল মডেলটিকে পাইথন কোড তৈরি করতে এবং চালাতে সক্ষম করে গণনা সঞ্চালন করতে, ডেটা ম্যানিপুলেট করতে, বা অ্যালগরিদমিকভাবে সবচেয়ে ভালোভাবে পরিচালিত সমস্যা সমাধান করতে। মডেলটি কোডের আউটপুট গ্রহণ করে এবং এটির প্রতিক্রিয়াতে এটি ব্যবহার করতে পারে।
স্ট্রাকচার্ড আউটপুট সহ, আপনি জেমিনিকে JSON-এর সাথে সাড়া দিতে সীমাবদ্ধ করতে পারেন, স্বয়ংক্রিয় প্রক্রিয়াকরণের জন্য উপযুক্ত একটি কাঠামোগত আউটপুট বিন্যাস। এটি অ্যাপ্লিকেশনগুলিতে মডেলের আউটপুট সংহত করার জন্য বিশেষভাবে কার্যকর।
ফাংশন কলিং চিন্তার মডেলটিকে বাহ্যিক সরঞ্জাম এবং API-এর সাথে সংযুক্ত করে, তাই এটি কখন সঠিক ফাংশনকে কল করতে হবে এবং কী পরামিতি সরবরাহ করতে হবে তা নিয়ে যুক্তি দেখাতে পারে।
সর্বোত্তম অনুশীলন
এই বিভাগে চিন্তার মডেলগুলি দক্ষতার সাথে ব্যবহার করার জন্য কিছু নির্দেশিকা অন্তর্ভুক্ত রয়েছে। বরাবরের মতো, আমাদের প্রম্পটিং নির্দেশিকা এবং সর্বোত্তম অনুশীলনগুলি অনুসরণ করলে আপনি সেরা ফলাফল পাবেন৷
ডিবাগিং এবং স্টিয়ারিং
যুক্তি পর্যালোচনা করুন : যখন আপনি চিন্তার মডেলগুলি থেকে আপনার প্রত্যাশিত প্রতিক্রিয়া পাচ্ছেন না, তখন এটি মিথুনের যুক্তি প্রক্রিয়াটিকে যত্ন সহকারে বিশ্লেষণ করতে সহায়তা করতে পারে। আপনি দেখতে পারেন যে এটি কীভাবে কাজটি ভেঙে দিয়েছে এবং এর উপসংহারে পৌঁছেছে এবং সঠিক ফলাফলের দিকে সঠিক করতে সেই তথ্যটি ব্যবহার করতে পারেন।
যুক্তিতে নির্দেশনা প্রদান করুন : আপনি যদি একটি বিশেষভাবে দীর্ঘ আউটপুট আশা করছেন, আপনি মডেলটি ব্যবহার করে চিন্তার পরিমাণকে সীমাবদ্ধ করার জন্য আপনার প্রম্পটে নির্দেশিকা প্রদান করতে চাইতে পারেন। এটি আপনাকে আপনার প্রতিক্রিয়ার জন্য আরও বেশি টোকেন আউটপুট সংরক্ষণ করতে দেয়।
টাস্ক জটিলতা
- সহজ কাজ (চিন্তা বন্ধ হতে পারে): সহজবোধ্য অনুরোধের জন্য, জটিল যুক্তির প্রয়োজন হয় না যেমন সহজবোধ্য তথ্য পুনরুদ্ধার বা শ্রেণীবিভাগ, চিন্তার প্রয়োজন নেই। উদাহরণ অন্তর্ভুক্ত:
- "ডিপমাইন্ড কোথায় প্রতিষ্ঠিত হয়েছিল?"
- "এই ইমেলটি কি মিটিংয়ের জন্য বলছে নাকি শুধু তথ্য দিচ্ছে?"
- মাঝারি কাজ (ডিফল্ট/কিছু ভাবনা): অনেক সাধারণ অনুরোধ ধাপে ধাপে প্রক্রিয়াকরণ বা গভীর বোঝার ডিগ্রি থেকে উপকৃত হয়। মিথুন নমনীয়ভাবে কাজের জন্য চিন্তা করার ক্ষমতা ব্যবহার করতে পারে যেমন:
- সালোকসংশ্লেষণ এবং ক্রমবর্ধমান সাদৃশ্য.
- বৈদ্যুতিক গাড়ি এবং হাইব্রিড গাড়ির তুলনা এবং বৈসাদৃশ্য।
- কঠিন কাজ (সর্বোচ্চ চিন্তা করার ক্ষমতা): সত্যিকারের জটিল চ্যালেঞ্জের জন্য, এআইকে তার পূর্ণ যুক্তি এবং পরিকল্পনার ক্ষমতা নিযুক্ত করতে হবে, প্রায়ই উত্তর দেওয়ার আগে অনেক অভ্যন্তরীণ পদক্ষেপ জড়িত থাকে। উদাহরণ অন্তর্ভুক্ত:
- AIME 2025-এ সমস্যা 1 সমাধান করুন: সমস্ত পূর্ণসংখ্যা বেসের যোগফল b > 9 খুঁজুন যার জন্য 17 b হল 97 b এর একটি ভাজক।
- একটি ওয়েব অ্যাপ্লিকেশনের জন্য পাইথন কোড লিখুন যা ব্যবহারকারীর প্রমাণীকরণ সহ রিয়েল-টাইম স্টক মার্কেট ডেটা ভিজ্যুয়ালাইজ করে। এটি যতটা সম্ভব কার্যকর করুন।
এরপর কি?
- Google AI স্টুডিওতে Gemini 2.5 Pro প্রিভিউ ব্যবহার করে দেখুন।
- জেমিনি 2.5 প্রো প্রিভিউ এবং জেমিনি ফ্ল্যাশ 2.0 থিঙ্কিং সম্পর্কে আরও তথ্যের জন্য, মডেল পৃষ্ঠাটি দেখুন।
- থিংকিং কুকবুকে আরও উদাহরণ চেষ্টা করুন।