Model seri Gemini 2.5 menggunakan "proses berpikir" internal selama pembuatan respons. Proses ini berkontribusi pada peningkatan kemampuan penalaran mereka dan membantu mereka menggunakan perencanaan multi-langkah untuk menyelesaikan tugas yang kompleks. Hal ini membuat model ini sangat baik dalam coding, matematika lanjutan, analisis data, dan tugas lainnya yang memerlukan perencanaan atau pemikiran.
Panduan ini menunjukkan cara menggunakan kemampuan berpikir Gemini menggunakan Gemini API.
Menggunakan model pemikiran
Model dengan kemampuan berpikir tersedia di
Google AI Studio
dan melalui Gemini API. Pemikiran diaktifkan secara default di API dan AI
Studio karena model seri 2.5 memiliki kemampuan untuk otomatis memutuskan
kapan dan seberapa banyak harus berpikir berdasarkan perintah. Untuk sebagian besar kasus
penggunaan, sebaiknya biarkan proses berpikir tetap aktif. Namun, jika ingin
menonaktifkan pemikiran, Anda dapat melakukannya dengan menetapkan parameter thinkingBudget
ke 0.
Mengirim permintaan dasar
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=$GOOGLE_API_KEY" \
-H 'Content-Type: application/json' \
-X POST \
-d '{
"contents": [
{
"parts": [
{
"text": "Explain the concept of Occam\''s Razor and provide a simple, everyday example."
}
]
}
]
}'
```
Menetapkan anggaran pada model pemikiran
Parameter thinkingBudget
memberikan panduan model tentang jumlah
token pemikiran yang dapat digunakan saat membuat respons. Jumlah token yang lebih besar biasanya dikaitkan dengan pemikiran yang lebih mendetail, yang diperlukan untuk menyelesaikan tugas yang lebih kompleks. thinkingBudget
harus berupa bilangan bulat dalam rentang 0 hingga 24576. Menetapkan anggaran pemikiran ke 0 akan menonaktifkan
pemikiran.
Bergantung pada perintah, model mungkin melebihi atau kurang dari anggaran token.
from google import genai
from google.genai import types
client = genai.Client()
response = client.models.generate_content(
model="gemini-2.5-flash-preview-04-17",
contents="Explain the Occam's Razor concept and provide everyday examples of it",
config=types.GenerateContentConfig(
thinking_config=types.ThinkingConfig(thinking_budget=1024)
),
)
print(response.text)
import { GoogleGenAI } from "@google/genai";
const ai = new GoogleGenAI({ apiKey: "GOOGLE_API_KEY" });
async function main() {
const response = await ai.models.generateContent({
model: "gemini-2.5-flash-preview-04-17",
contents: "Explain the Occam's Razor concept and provide everyday examples of it",
config: {
thinkingConfig: {
thinkingBudget: 1024,
},
},
});
console.log(response.text);
}
main();
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-2.5-flash-preview-04-17:generateContent?key=$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
}
}
}'
Menggunakan alat dengan model pemikiran
Anda dapat menggabungkan penggunaan model pemikiran dengan alat dan kemampuan Gemini untuk melakukan tindakan selain membuat teks. Hal ini memungkinkannya berinteraksi dengan sistem eksternal, mengeksekusi kode, atau mengakses informasi real-time, dengan menyertakan hasilnya ke dalam penalaran dan respons akhir.
Alat penelusuran memungkinkan model membuat kueri pada mesin telusur eksternal untuk menemukan informasi terbaru atau informasi di luar data pelatihannya. Hal ini berguna untuk pertanyaan tentang peristiwa terbaru atau topik yang sangat spesifik.
Alat eksekusi kode memungkinkan model membuat dan menjalankan kode Python untuk melakukan penghitungan, memanipulasi data, atau memecahkan masalah yang paling baik ditangani secara algoritmis. Model menerima output kode dan dapat menggunakannya dalam responsnya.
Dengan output terstruktur, Anda dapat membatasi Gemini untuk merespons dengan JSON, format output terstruktur yang cocok untuk pemrosesan otomatis. Hal ini sangat berguna untuk mengintegrasikan output model ke dalam aplikasi.
Panggilan fungsi menghubungkan model pemikiran ke alat dan API eksternal, sehingga dapat menentukan kapan harus memanggil fungsi yang tepat dan parameter yang akan disediakan.
Praktik terbaik
Bagian ini mencakup beberapa panduan untuk menggunakan model pemikiran secara efisien. Seperti biasa, mengikuti panduan dan praktik terbaik perintah kami akan memberi Anda hasil terbaik.
Proses debug dan kemudi
Tinjau penalaran: Jika Anda tidak mendapatkan respons yang diharapkan dari model pemikiran, sebaiknya analisis proses penalaran Gemini dengan cermat. Anda dapat melihat cara model ini mengelompokkan tugas dan mencapai kesimpulannya, serta menggunakan informasi tersebut untuk memperbaiki hasil yang tepat.
Berikan Panduan dalam Penalaran: Jika Anda menginginkan output yang sangat panjang, sebaiknya berikan panduan dalam perintah untuk membatasi jumlah pemikiran yang digunakan model. Dengan begitu, Anda dapat mencadangkan lebih banyak output token untuk respons Anda.
Kompleksitas tugas
- Tugas Mudah (Pemikiran dapat NONAKTIF): Untuk permintaan sederhana, penalaran
yang kompleks tidak diperlukan seperti pengambilan atau
klasifikasi fakta yang sederhana, pemikiran tidak diperlukan. Contohnya mencakup:
- "Di mana DeepMind didirikan?"
- "Apakah email ini meminta pertemuan atau hanya memberikan informasi?"
- Tugas Sedang (Default/Sedikit Pemikiran): Banyak permintaan umum yang mendapatkan manfaat dari
tingkat pemrosesan langkah demi langkah atau pemahaman yang lebih mendalam. Gemini dapat menggunakan kemampuan pemikiran secara fleksibel untuk tugas seperti:
- Buat analogi antara fotosintesis dan pertumbuhan.
- Bandingkan dan jelaskan perbedaan antara mobil listrik dan mobil hibrida.
- Tugas Sulit (Kemampuan Pemikiran Maksimal): Untuk tantangan yang benar-benar kompleks,
AI perlu menggunakan kemampuan penalaran dan perencanaannya sepenuhnya, yang sering kali
melibatkan banyak langkah internal sebelum memberikan jawaban. Contohnya mencakup:
- Selesaikan masalah 1 di AIME 2025: Temukan jumlah semua basis bilangan bulat b > 9 yang 17b adalah pembagi dari 97b.
- Tulis kode Python untuk aplikasi web yang memvisualisasikan data pasar saham real-time, termasuk autentikasi pengguna. Buat sehemat mungkin.
Apa langkah selanjutnya?
- Coba Pratinjau Gemini 2.5 Pro di Google AI Studio.
- Untuk mengetahui info selengkapnya tentang Pratinjau Gemini 2.5 Pro dan Gemini Flash 2.0 Thinking, lihat halaman model.
- Coba contoh lainnya di Buku resep pemikiran.