Hoje, estamos lançando o Embasamento com a Pesquisa Google no Google AI Studio e na API Gemini, para permitir que os desenvolvedores obtenham respostas mais precisas e atuais dos modelos Gemini com a ajuda da Pesquisa Google. Além da acurácia das respostas, o modelo retorna origens de embasamento (links de suporte inline) e sugestões de pesquisa que direcionam os usuários aos resultados de pesquisa correspondentes à resposta embasada.
O Embasamento com a Pesquisa Google é compatível com todas as versões geralmente disponíveis dos modelos Gemini 1.5. Os desenvolvedores podem ativá-lo no Google AI Studio, na seção "Tools", ou na API, ativando a ferramenta "google_search_retrieval". O Embasamento está disponível para teste gratuito no Google AI Studio. Na API, os desenvolvedores podem acessar a ferramenta com o nível pago por US$ 35 por 1.000 consultas embasadas.
Os desenvolvedores devem ativar o Embasamento com a Pesquisa Google para consultas e aplicativos que possam se beneficiar de qualquer uma das seguintes melhorias:
Abaixo, mostramos alguns exemplos que usam o novo modo de comparação do AI Studio, no qual a resposta do modelo se beneficia do Embasamento com a Pesquisa Google. No primeiro exemplo, o modelo fornece uma resposta desatualizada com base em seu corte de conhecimento (à esquerda), mas responde com mais acurácia com base nas origens disponíveis mais recentes (à direita) quando o embasamento é ativado.
Neste exemplo, sem o embasamento ativado (à esquerda), o modelo apresenta intencionalmente uma resposta mínima por padrão. Com o embasamento (à direita), o modelo retorna uma resposta mais completa, incluindo links de suporte.
Quando um usuário faz uma consulta com o embasamento ativado, o serviço usa o mecanismo de pesquisa do Google para encontrar informações atualizadas e abrangentes que sejam relevantes à consulta e as envia ao modelo. O modelo, então, responde com mais acurácia e atualização, fornecendo origens de embasamento inline (links de suporte) e sugestões de pesquisa.
import google.generativeai as genai
import os
genai.configure(api_key=os.environ["API_KEY"])
model = genai.GenerativeModel('models/gemini-1.5-flash-002')
response = model.generate_content(contents="Who won Wimbledon this year?",
tools='google_search_retrieval')
print(response)
# Response contains `groundingMetadata` with grounding sources, confidence scores, and search suggestions
Consulte a documentação para ver o código completo.
Mesmo com o Embasamento com a Pesquisa Google ativado, nem todas as consultas em uma sessão exigem necessariamente o recurso, o que resulta em custo e latência adicionais. É aqui que os desenvolvedores têm uma segunda camada de controle com a recuperação dinâmica.
Quando os desenvolvedores solicitam uma resposta embasada, a configuração de recuperação dinâmica atribui ao prompt uma pontuação de previsão, que é um valor de ponto flutuante entre 0 e 1. O valor é mais alto quando um prompt tem mais probabilidade de se beneficiar do embasamento. Nas solicitações, os desenvolvedores podem definir um limite para quais pontuações devem resultar em embasamento (o valor de limite padrão é 0,3). Os desenvolvedores devem testar várias opções para o valor de limite para ver o que funciona melhor para seus aplicativos.
Com o uso dos resultados de pesquisa do Google para embasar aplicativos baseados em Gemini, os desenvolvedores podem fornecer aos usuários informações mais precisas, relevantes e confiáveis. Consulte nossa documentação para obter exemplos detalhados de códigos e instruções passo a passo.
Estamos ansiosos pelo seu feedback e para ver o que você vai criar com este novo recurso!
Dive Deep into Gemini: Explore Starter Apps in AI Studio
Além do inglês: como os modelos abertos Gemma estão preenchendo a lacuna linguística
Celebrating innovation: Gemini API Developer Competition
O Hub de APIs da Apigee já está disponível de forma geral