Pemikiran Gemini

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 mahir dalam coding, matematika tingkat lanjut, analisis data, dan tugas lain 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 aktif secara default di API dan AI Studio karena model seri 2.5 memiliki kemampuan untuk otomatis memutuskan kapan dan seberapa banyak berpikir berdasarkan perintah. Untuk sebagian besar kasus penggunaan, ada baiknya untuk memikirkannya. Namun, jika ingin menonaktifkan pemikiran, Anda dapat melakukannya dengan menetapkan parameter thinkingBudget ke 0.

Mengirim permintaan dasar

PythonJavaScriptGoREST 
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 untuk model berpikir

Parameter thinkingBudget memberikan panduan model tentang jumlah token berpikir 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 perintahnya, model mungkin akan melebih atau kurang dari anggaran token.

PythonJavaScriptREST 
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 berpikir dengan alat dan kemampuan Gemini untuk melakukan tindakan selain membuat teks. Hal ini memungkinkan mereka untuk berinteraksi dengan sistem eksternal, mengeksekusi kode, atau mengakses informasi real-time, dengan memasukkan hasilnya ke dalam penalaran dan respons akhir mereka.

  • Alat penelusuran memungkinkan model mengkueri mesin telusur eksternal untuk menemukan informasi atau informasi terbaru 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 algoritma. 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 mengetahui kapan harus memanggil fungsi yang tepat dan parameter yang harus disediakan.

Praktik terbaik

Bagian ini berisi beberapa panduan untuk menggunakan model berpikir secara efisien. Seperti biasa, mengikuti panduan perintah dan praktik terbaik kami akan memberi Anda hasil terbaik.

Proses debug dan pengarahan

  • Tinjau alasan Anda: Jika Anda tidak mendapatkan respons yang diharapkan dari model berpikir, sebaiknya analisis proses penalaran Gemini dengan cermat. Anda dapat melihat cara model ini mengurai tugas dan memberikan kesimpulan, serta menggunakan informasi tersebut untuk membetulkan hasil yang tepat.

  • Berikan Panduan dalam Penalaran: Jika Anda menginginkan output yang sangat panjang, sebaiknya berikan panduan dalam perintah Anda 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 (Pemikiran Default/Beberapa Cara): 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 soal 1 di AIME 2025: Temukan jumlah semua bilangan bulat dengan basis b > 9 yang 17b adalah pembagi 97b.
    • Tulis kode Python untuk aplikasi web yang memvisualisasikan data pasar saham real-time, termasuk autentikasi pengguna. Buat sehemat mungkin.

Apa langkah selanjutnya?