โมเดลซีรีส์ Gemini 2.5 ใช้ "กระบวนการคิด" ภายในระหว่างการสร้างคำตอบ กระบวนการนี้ช่วยพัฒนาความสามารถในการใช้เหตุผลและช่วยให้เด็กๆ ใช้การวางแผนแบบหลายขั้นตอนเพื่อแก้ปัญหาที่ซับซ้อน ด้วยเหตุนี้ โมเดลเหล่านี้จึงเก่งด้านการเขียนโค้ด คณิตศาสตร์ขั้นสูง การวิเคราะห์ข้อมูล และงานอื่นๆ ที่ต้องอาศัยการวางแผนหรือการคิด
คู่มือนี้จะแสดงวิธีใช้ความสามารถด้านการคิดของ Gemini โดยใช้ Gemini API
ใช้โมเดลการคิด
โมเดลที่มีความสามารถในการคิดมีให้บริการใน Google AI Studio และผ่าน Gemini API การคิดจะเปิดอยู่โดยค่าเริ่มต้นทั้งใน API และ AI Studio เนื่องจากโมเดลซีรีส์ 2.5 มีความสามารถในการตัดสินใจโดยอัตโนมัติว่าจะคิดเมื่อใดและคิดมากน้อยเพียงใดตามพรอมต์ ในกรณีการใช้งานส่วนใหญ่ การเปิดใช้การคิดไว้จะมีประโยชน์ แต่หากต้องการปิดการคิด ให้ตั้งค่าพารามิเตอร์ thinkingBudget
เป็น 0
ส่งคำขอพื้นฐาน
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=$GOOGLE_API_KEY" \
-H 'Content-Type: application/json' \
-X POST \
-d '{
"contents": [
{
"parts": [
{
"text": "Explain the concept of Occam\''s Razor and provide a simple, everyday example."
}
]
}
]
}'
```
กำหนดงบประมาณในโมเดลการคิด
พารามิเตอร์ thinkingBudget
จะให้คําแนะนําแก่โมเดลเกี่ยวกับจํานวนโทเค็นการคิดที่โมเดลสามารถใช้เมื่อสร้างคําตอบ โดยปกติแล้ว โทเค็นจํานวนมากขึ้นจะเชื่อมโยงกับการคิดอย่างละเอียดมากขึ้น ซึ่งจําเป็นสําหรับการแก้ปัญหาที่ซับซ้อนมากขึ้น thinkingBudget
ต้องเป็นจำนวนเต็มในช่วง 0 ถึง 24576 การตั้งงบประมาณการคิดเป็น 0 จะปิดใช้การคิด
โมเดลอาจใช้งบประมาณโทเค็นเกินหรือต่ำกว่าที่ควรจะเป็น ทั้งนี้ขึ้นอยู่กับพรอมต์
from google import genai
from google.genai import types
client = genai.Client()
response = client.models.generate_content(
model="gemini-2.5-flash-preview-04-17",
contents="Explain the Occam's Razor concept and provide everyday examples of it",
config=types.GenerateContentConfig(
thinking_config=types.ThinkingConfig(thinking_budget=1024)
),
)
print(response.text)
import { GoogleGenAI } from "@google/genai";
const ai = new GoogleGenAI({ apiKey: "GOOGLE_API_KEY" });
async function main() {
const response = await ai.models.generateContent({
model: "gemini-2.5-flash-preview-04-17",
contents: "Explain the Occam's Razor concept and provide everyday examples of it",
config: {
thinkingConfig: {
thinkingBudget: 1024,
},
},
});
console.log(response.text);
}
main();
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-2.5-flash-preview-04-17:generateContent?key=$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
}
}
}'
ใช้เครื่องมือกับรูปแบบการคิด
คุณสามารถใช้โมเดลการคิดร่วมกับเครื่องมือและความสามารถอื่นๆ ของ Gemini เพื่อดำเนินการนอกเหนือจากการสร้างข้อความได้ ซึ่งช่วยให้สามารถโต้ตอบกับระบบภายนอก เรียกใช้โค้ด หรือเข้าถึงข้อมูลแบบเรียลไทม์ รวมถึงนําผลลัพธ์มาใช้ในการหาเหตุผลและคำตอบสุดท้าย
เครื่องมือค้นหาช่วยให้โมเดลสามารถค้นหาข้อมูลล่าสุดหรือข้อมูลนอกเหนือจากข้อมูลที่ใช้ฝึกได้ ซึ่งมีประโยชน์สำหรับคำถามเกี่ยวกับเหตุการณ์ล่าสุดหรือหัวข้อที่เฉพาะเจาะจงมาก
เครื่องมือการเรียกใช้โค้ดช่วยให้โมเดลสร้างและเรียกใช้โค้ด Python เพื่อทําการคํานวณ จัดการข้อมูล หรือแก้ปัญหาด้วยอัลกอริทึมได้ดีที่สุด โมเดลจะรับเอาต์พุตของโค้ดและนำไปใช้ในคำตอบได้
เอาต์พุตที่มีโครงสร้างช่วยให้คุณจำกัด Gemini ให้ตอบกลับด้วย JSON ซึ่งเป็นรูปแบบเอาต์พุตที่มีโครงสร้างที่เหมาะสำหรับการประมวลผลอัตโนมัติ ซึ่งจะเป็นประโยชน์อย่างยิ่งสำหรับการผสานรวมเอาต์พุตของโมเดลเข้ากับแอปพลิเคชัน
การเรียกใช้ฟังก์ชันจะเชื่อมต่อโมเดลการคิดกับเครื่องมือและ API ภายนอก เพื่อให้สามารถหาเหตุผลว่าควรเรียกใช้ฟังก์ชันใดและระบุพารามิเตอร์ใด
แนวทางปฏิบัติแนะนำ
ส่วนนี้มีคำแนะนำบางส่วนในการใช้รูปแบบการคิดอย่างมีประสิทธิภาพ ดังเช่นเคย การทำตามคำแนะนำและแนวทางปฏิบัติแนะนำเกี่ยวกับพรอมต์จะช่วยให้คุณได้รับผลลัพธ์ที่ดีที่สุด
การแก้ไขข้อบกพร่องและการควบคุม
ตรวจสอบการหาเหตุผล: เมื่อคุณไม่ได้รับการตอบกลับตามที่คาดหวังจากโมเดลการคิด การวิเคราะห์กระบวนการหาเหตุผลของ Gemini อย่างละเอียดอาจช่วยได้ คุณสามารถดูวิธีที่ระบบแจกแจงงานและสรุปผลลัพธ์ รวมถึงใช้ข้อมูลดังกล่าวเพื่อแก้ไขให้ได้ผลลัพธ์ที่ถูกต้อง
ให้คําแนะนําในการให้เหตุผล: หากต้องการเอาต์พุตที่ยาวเป็นพิเศษ คุณอาจต้องให้คําแนะนําในพรอมต์เพื่อจำกัดปริมาณการคิดที่โมเดลใช้ ซึ่งจะช่วยให้คุณจองเอาต์พุตโทเค็นได้มากขึ้นสำหรับการตอบกลับ
ความซับซ้อนของงาน
- งานง่ายๆ (อาจปิดใช้การคิด): สำหรับคำขอที่ตรงไปตรงมา ไม่จำเป็นต้องใช้การคิดที่ซับซ้อน เช่น การดึงข้อมูลข้อเท็จจริงหรือการจำแนกประเภทที่ตรงไปตรงมา ตัวอย่างเช่น
- "DeepMind ก่อตั้งขึ้นที่ไหน"
- "อีเมลนี้เป็นการขอนัดหมายการประชุมหรือแค่ให้ข้อมูล"
- งานระดับปานกลาง (ค่าเริ่มต้น/มีการคิดบ้าง): คำขอทั่วไปจำนวนมากได้รับประโยชน์จากการประมวลผลแบบทีละขั้นตอนหรือการทําความเข้าใจที่ลึกซึ้งยิ่งขึ้น Gemini ใช้ความสามารถด้านการคิดในการทำงานต่างๆ ได้อย่างยืดหยุ่น เช่น
- เปรียบเทียบการสังเคราะห์แสงกับการเจริญเติบโต
- เปรียบเทียบรถยนต์ไฟฟ้ากับรถยนต์ไฮบริด
- งานยาก (ความสามารถในการคิดสูงสุด): สำหรับงานที่ซับซ้อนมาก AI ต้องใช้ความสามารถในการใช้เหตุผลและวางแผนอย่างเต็มรูปแบบ ซึ่งมักจะเกี่ยวข้องกับขั้นตอนภายในหลายขั้นตอนก่อนที่จะให้คำตอบ ตัวอย่างเช่น
- แก้ปัญหาที่ 1 ใน AIME 2025: หาผลรวมของฐานจำนวนเต็มทั้งหมด b > 9 ซึ่ง 17b เป็นตัวหารของ 97b
- เขียนโค้ด Python สําหรับเว็บแอปพลิเคชันที่แสดงข้อมูลตลาดหุ้นแบบเรียลไทม์ รวมถึงการตรวจสอบสิทธิ์ของผู้ใช้ ทำงานให้มีประสิทธิภาพมากที่สุด
ขั้นตอนถัดไปคือ
- ลองใช้ Gemini 2.5 Pro Preview ใน Google AI Studio
- ดูข้อมูลเพิ่มเติมเกี่ยวกับเวอร์ชันตัวอย่างของ Gemini 2.5 Pro และ Gemini Flash 2.0 Thinking ได้ที่หน้าโมเดล
- ลองดูตัวอย่างเพิ่มเติมในตำราการคิด