Eksekusi kode memberi model Gemini akses ke sandbox Python, yang memungkinkan model ini menjalankan kode dan mempelajari hasilnya. Dengan eksekusi kode diaktifkan, model Gemini bisa melakukan kalkulasi, menganalisis set data kompleks, dan membuat visualisasi secara cepat - yang pada akhirnya memberikan jawaban yang lebih baik untuk pertanyaan pengguna. Sekarang tersedia secara umum di Google AI Studio dan Gemini API melalui model Gemini 2.0.
Anda bisa mengaktifkan eksekusi kode melalui tombol pada panel “Tools” Google AI Studio, atau dari Gemini API sebagai variabel alat (ditunjukkan di bawah ini).
from google import genai
from google.genai import types
client = genai.Client(api_key="GEMINI_API_KEY")
response = client.models.generate_content(
model='gemini-2.0-flash',
contents="""
What is the sum of the first 50 prime numbers?
Generate and run code for the calculation.
""",
config=types.GenerateContentConfig(
tools=[types.Tool(
code_execution=types.ToolCodeExecution
)]
)
)
Ketika eksekusi kode ditambahkan sebagai alat, model bisa mengakses sandbox eksekusi kode untuk menjalankan kode hingga 30 detik setiap kalinya, dan hingga 5 kali tanpa diminta ulang. Lingkungan eksekusi kode mencakup library, seperti Numpy, Pandas, dan Matplotlib (untuk rendering grafik). Daftar seluruh library yang tersedia dapat ditemukan dalam dokumen API dan kami akan segera memperluas kumpulan library yang didukung.
Dengan Gemini 2.0, kami telah mengupdate alat eksekusi kode untuk mengizinkan input file ke dalam sandbox eksekusi kode, serta output grafik & chart menggunakan Matplotlib. Update ini menghasilkan serangkaian kasus penggunaan yang lebih luas untuk eksekusi kode. Dengan update ini, sekarang Anda bisa:
Mari kita lihat dua contoh praktik eksekusi kode sedang beraksi:
Dengan menggabungkan Multimodal Live API dan eksekusi kode, demo ini menunjukkan percakapan langsung dengan model Gemini, memanfaatkan input suara dan eksekusi kode. Kami meminta model Gemini untuk memberikan daftar film Tom Cruise, mengurutkannya berdasarkan runtime, dan kemudian membuat diagram batang yang memvisualisasikan data ini menggunakan Matplotlib. Model Gemini membuat kode Python untuk melakukan tugas-tugas ini dan mengupdate chart berdasarkan permintaan lanjutan kami (mengubah warna batang).
Demo ini menggunakan model Gemini 2.0 Flash Thinking Eksperimental dan eksekusi kode untuk memecahkan tantangan pengoptimalan klasik. Kami meminta Gemini untuk menemukan rute terpendek bagi seorang tenaga penjual yang mengunjungi lima kota di Spanyol dan kembali ke titik awal. Gemini membuat kode Python, men-debugnya secara iteratif (mengoreksi error library awal), menghitung jarak, dan akhirnya memvisualisasikan rute optimal pada grafik Matplotlib.
Ingin mencobanya sendiri? Kunjungi GitHub untuk mencoba langsung eksekusi kode. Untuk contoh dan demo lebih lanjut, silakan kunjungi dokumen Gemini API, di sini Anda bisa menjelajahi skenario penggunaan eksekusi kode dan masih banyak lagi.
Kami mengundang Anda untuk bergabung dengan forum Developer Gemini API untuk membagikan kasus penggunaan dan masukan mengenai bagaimana kami bisa meningkatkan eksekusi kode untuk Anda. Dalam jangka pendek, kami sedang menjajaki perluasan dukungan library, mendukung modalitas input lain seperti PDF, dan mendukung penggunaan multi-alat. Selamat membangun!
