Generare testo utilizzando la funzione ML.GENERATE_TEXT
Questo documento mostra come creare un modello BigQuery ML
modello remoto
che fa riferimento a una Vertex AI
modello di base.
A seconda del modello Vertex AI scelto, puoi:
utilizza la
Funzione ML.GENERATE_TEXT
di analizzare i dati non strutturati
tabelle di oggetti o testo
tabelle standard.
Autorizzazioni obbligatorie
Per creare una connessione, devi disporre di quanto segue Ruolo IAM (Identity and Access Management):
roles/bigquery.connectionAdmin
Per concedere le autorizzazioni all'account di servizio della connessione, è necessario il seguente autorizzazione:
resourcemanager.projects.setIamPolicy
Per creare il modello utilizzando BigQuery ML, è necessario quanto segue Autorizzazioni IAM:
bigquery.jobs.create
bigquery.models.create
bigquery.models.getData
bigquery.models.updateData
bigquery.models.updateMetadata
Per eseguire l'inferenza, devi disporre delle seguenti autorizzazioni:
bigquery.tables.getData
in tavolabigquery.models.getData
sul modellobigquery.jobs.create
Prima di iniziare
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API BigQuery, BigQuery Connection, and Vertex AI.
Crea una connessione
Crea un Connessione alle risorse cloud e recuperare l'account di servizio della connessione.
Seleziona una delle seguenti opzioni:
Console
Vai alla pagina BigQuery.
Per creare una connessione, fai clic su
Aggiungi e poi fai clic su Connessioni a origini dati esterne.Nell'elenco Tipo di connessione, seleziona Modelli remoti Vertex AI, funzioni remote e BigLake (risorsa Cloud).
Nel campo ID connessione, inserisci un nome per connessione.
Fai clic su Crea connessione.
Fai clic su Vai alla connessione.
Nel riquadro Informazioni sulla connessione, copia l'ID account di servizio per utilizzarlo in una passaggio successivo.
bq
In un ambiente a riga di comando, crea una connessione:
bq mk --connection --location=REGION --project_id=PROJECT_ID \ --connection_type=CLOUD_RESOURCE CONNECTION_ID
Il parametro
--project_id
sostituisce il progetto predefinito.Sostituisci quanto segue:
REGION
: il tuo regione di connessionePROJECT_ID
: l'ID del tuo progetto Google CloudCONNECTION_ID
: un ID per connessione
Quando crei una risorsa di connessione, BigQuery crea di account di servizio di sistema univoco e lo associa alla connessione.
Risoluzione dei problemi: se ricevi il seguente errore di connessione, Aggiorna Google Cloud SDK:
Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...
Recupera e copia l'ID account di servizio per utilizzarlo in un secondo momento passaggio:
bq show --connection PROJECT_ID.REGION.CONNECTION_ID
L'output è simile al seguente:
name properties 1234.REGION.CONNECTION_ID {"serviceAccountId": "connection-1234-9u56h9@gcp-sa-bigquery-condel.iam.gserviceaccount.com"}
Terraform
Aggiungi la seguente sezione al tuo file main.tf
.
## This creates a cloud resource connection. ## Note: The cloud resource nested object has only one output only field - serviceAccountId. resource "google_bigquery_connection" "connection" { connection_id = "CONNECTION_ID" project = "PROJECT_ID" location = "REGION" cloud_resource {} }Sostituisci quanto segue:
CONNECTION_ID
: un ID per connessionePROJECT_ID
: l'ID del tuo progetto Google CloudREGION
: il tuo regione di connessione
Concedi all'account di servizio l'accesso
Concedi all'account di servizio della connessione il ruolo Vertex AI User.
Se prevedi di specificare l'endpoint come URL quando crei il modello remoto, ad esempio endpoint = 'https://us-central1-aiplatform.googleapis.com/v1/projects/myproject/locations/us-central1/publishers/google/models/text-embedding-004'
, concedi questo ruolo nello stesso progetto specificato nell'URL.
Se prevedi di specificare l'endpoint utilizzando il nome del modello quando crei il modello remoto, ad esempio endpoint = 'text-embedding-004'
, concedi questo ruolo nello stesso progetto in cui prevedi di creare il modello remoto.
La concessione del ruolo in un altro progetto genera l'errore bqcx-1234567890-xxxx@gcp-sa-bigquery-condel.iam.gserviceaccount.com does not have the permission to access resource
.
Per concedere il ruolo:
Console
Vai alla sezione IAM e Console di amministrazione.
Fai clic su
Aggiungi.Viene visualizzata la finestra di dialogo Aggiungi entità.
Nel campo Nuove entità, inserisci l'ID account di servizio che copiato in precedenza.
Nel campo Seleziona un ruolo, seleziona Vertex AI, quindi seleziona Utente Vertex AI.
Fai clic su Salva.
gcloud
Utilizza la
Comando gcloud projects add-iam-policy-binding
.
gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/aiplatform.user' --condition=None
Sostituisci quanto segue:
PROJECT_NUMBER
: il numero del tuo progettoMEMBER
: l'ID dell'account di servizio che copiato in precedenza
Crea un modello
Nella console Google Cloud, vai alla pagina BigQuery.
Utilizzando l'editor SQL, crea un'istanza modello remoto:
CREATE OR REPLACE MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME` REMOTE WITH CONNECTION `PROJECT_ID.REGION.CONNECTION_ID` OPTIONS (ENDPOINT = 'ENDPOINT');
Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progettoDATASET_ID
: l'ID del set di dati da che contiene il modello. Questo set di dati deve essere nello stesso location come connessione che stai utilizzandoMODEL_NAME
: il nome del modelloREGION
: la regione utilizzata dalla connessioneCONNECTION_ID
: l'ID del tuo Connessione BigQueryQuando visualizzi i dettagli della connessione nella console Google Cloud, questo è il valore riportato nell'ultima sezione l'ID connessione completo mostrato ID connessione, ad esempio
projects/myproject/locations/connection_location/connections/myconnection
ENDPOINT
: il nome del modello Vertex AI supportato. Ad esempio:ENDPOINT='gemini-pro'
.Per alcuni tipi di modelli, puoi specificare versione del modello. Per informazioni su versioni del modello supportate per diversi tipi di modello, consulta
ENDPOINT
Genera testo da dati di testo utilizzando un prompt da una tabella
Genera testo utilizzando
Funzione ML.GENERATE_TEXT
con un modello remoto e utilizzando i dati di prompt di una colonna di tabella:
gemini-1.5-flash
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, TABLE PROJECT_ID.DATASET_ID.TABLE_NAME, STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences, GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search, SAFETY_SETTINGS AS safety_settings) );
Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.TABLE_NAME
: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna denominataprompt
oppure puoi usare un alias per usare un'altra denominata colonna.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,8192]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,2.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.GROUND_WITH_GOOGLE_SEARCH
: un valoreBOOL
che determina se il modello Vertex AI utilizza il monitoraggio con la Ricerca Google durante la generazione delle risposte. Il grounding consente al modello di utilizzare informazioni aggiuntive presenti su internet quando genera una risposta, in modo da rendere le risposte del modello più specifiche e oggettive. Seflatten_json_output
e questo campo sono impostati suTrue
, nei risultati viene inclusa un'ulteriore colonnaml_generate_text_grounding_result
, che fornisce le origini utilizzate dal modello per raccogliere ulteriori informazioni. Il valore predefinito èFALSE
.SAFETY_SETTINGS
: un valoreARRAY<STRUCT<STRING AS category, STRING AS threshold>>
che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento dello struct specifica una categoria di danno, mentre il secondo dello struct specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ciascuna categoria una sola volta. Ad esempio, non puoi specificare siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold)
siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold)
. Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza diBLOCK_MEDIUM_AND_ABOVE
.Le categorie supportate sono le seguenti:
HARM_CATEGORY_HATE_SPEECH
HARM_CATEGORY_DANGEROUS_CONTENT
HARM_CATEGORY_HARASSMENT
HARM_CATEGORY_SEXUALLY_EXPLICIT
Le soglie supportate sono le seguenti:
BLOCK_NONE
(con limitazioni)BLOCK_LOW_AND_ABOVE
BLOCK_MEDIUM_AND_ABOVE
(valore predefinito)BLOCK_ONLY_HIGH
HARM_BLOCK_THRESHOLD_UNSPECIFIED
Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e di soglia di blocco.
Esempio
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Utilizza la colonna
prompt
della tabellaprompts
per la richiesta. - Restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, TABLE mydataset.prompts, STRUCT( 0.4 AS temperature, 100 AS max_output_tokens, TRUE AS flatten_json_output));
gemini-1.5-pro
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, TABLE PROJECT_ID.DATASET_ID.TABLE_NAME, STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences, GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search, SAFETY_SETTINGS AS safety_settings) );
Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.TABLE_NAME
: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna denominataprompt
oppure puoi usare un alias per usare un'altra denominata colonna.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,8192]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,2.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.GROUND_WITH_GOOGLE_SEARCH
: un valoreBOOL
che determina se il modello Vertex AI utilizza il monitoraggio con la Ricerca Google durante la generazione delle risposte. Il grounding consente al modello di utilizzare informazioni aggiuntive presenti su internet quando genera una risposta, in modo da rendere le risposte del modello più specifiche e oggettive. Seflatten_json_output
e questo campo sono impostati suTrue
, nei risultati viene inclusa un'ulteriore colonnaml_generate_text_grounding_result
, che fornisce le origini utilizzate dal modello per raccogliere ulteriori informazioni. Il valore predefinito èFALSE
.SAFETY_SETTINGS
: un valoreARRAY<STRUCT<STRING AS category, STRING AS threshold>>
che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento dello struct specifica una categoria di danno, mentre il secondo dello struct specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ciascuna categoria una sola volta. Ad esempio, non puoi specificare siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold)
siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold)
. Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza diBLOCK_MEDIUM_AND_ABOVE
.Le categorie supportate sono le seguenti:
HARM_CATEGORY_HATE_SPEECH
HARM_CATEGORY_DANGEROUS_CONTENT
HARM_CATEGORY_HARASSMENT
HARM_CATEGORY_SEXUALLY_EXPLICIT
Le soglie supportate sono le seguenti:
BLOCK_NONE
(con limitazioni)BLOCK_LOW_AND_ABOVE
BLOCK_MEDIUM_AND_ABOVE
(valore predefinito)BLOCK_ONLY_HIGH
HARM_BLOCK_THRESHOLD_UNSPECIFIED
Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e di soglia di blocco.
Esempio
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Utilizza la colonna
prompt
della tabellaprompts
per la richiesta. - Restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, TABLE mydataset.prompts, STRUCT( 0.4 AS temperature, 100 AS max_output_tokens, TRUE AS flatten_json_output));
gemini-pro
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, TABLE PROJECT_ID.DATASET_ID.TABLE_NAME, STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_K AS top_k, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences, GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search, SAFETY_SETTINGS AS safety_settings) );
Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.TABLE_NAME
: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna denominataprompt
oppure puoi usare un alias per usare un'altra denominata colonna.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,8192]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,1.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_K
: un valoreINT64
nel l'intervallo[1,40]
che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per l'opzione meno casuale e un valore più alto per risposte più casuali. L'impostazione predefinita è40
.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.GROUND_WITH_GOOGLE_SEARCH
: un valoreBOOL
che determina se il modello Vertex AI utilizza il monitoraggio con la Ricerca Google durante la generazione delle risposte. Il grounding consente al modello di utilizzare informazioni aggiuntive presenti su internet quando genera una risposta, in modo da rendere le risposte del modello più specifiche e oggettive. Seflatten_json_output
e questo campo sono impostati suTrue
, nei risultati viene inclusa un'ulteriore colonnaml_generate_text_grounding_result
, che fornisce le origini utilizzate dal modello per raccogliere ulteriori informazioni. Il valore predefinito èFALSE
.SAFETY_SETTINGS
: un valoreARRAY<STRUCT<STRING AS category, STRING AS threshold>>
che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento dello struct specifica una categoria di danno, mentre il secondo dello struct specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ciascuna categoria una sola volta. Ad esempio, non puoi specificare siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold)
siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold)
. Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza diBLOCK_MEDIUM_AND_ABOVE
.Le categorie supportate sono le seguenti:
HARM_CATEGORY_HATE_SPEECH
HARM_CATEGORY_DANGEROUS_CONTENT
HARM_CATEGORY_HARASSMENT
HARM_CATEGORY_SEXUALLY_EXPLICIT
Le soglie supportate sono le seguenti:
BLOCK_NONE
(con limitazioni)BLOCK_LOW_AND_ABOVE
BLOCK_MEDIUM_AND_ABOVE
(valore predefinito)BLOCK_ONLY_HIGH
HARM_BLOCK_THRESHOLD_UNSPECIFIED
Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e di soglia di blocco.
Esempio
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Utilizza la colonna
prompt
della tabellaprompts
per la richiesta. - Restituisce una risposta breve e moderatamente probabile.
- Appiattisce la risposta JSON in colonne separate.
- Recupera e restituisce i dati web pubblici per il grounding della risposta.
- Filtra le risposte non sicure utilizzando due impostazioni di sicurezza.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, TABLE mydataset.prompts, STRUCT( 0.4 AS temperature, 100 AS max_output_tokens, 0.5 AS top_p, 40 AS top_k, TRUE AS flatten_json_output, TRUE AS ground_with_google_search, [STRUCT('HARM_CATEGORY_HATE_SPEECH' AS category, 'BLOCK_LOW_AND_ABOVE' AS threshold), STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold)] AS safety_settings));
text-bison
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, TABLE PROJECT_ID.DATASET_ID.TABLE_NAME, STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_K AS top_k, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences) );
Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.TABLE_NAME
: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna denominataprompt
oppure puoi usare un alias per usare un'altra denominata colonna.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,1024]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,1.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_K
: un valoreINT64
nel l'intervallo[1,40]
che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per l'opzione meno casuale e un valore più alto per risposte più casuali. L'impostazione predefinita è40
.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.
Esempio
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Utilizza la colonna
prompt
della tabellaprompts
per la richiesta. - Restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, TABLE mydataset.prompts, STRUCT( 0.4 AS temperature, 100 AS max_output_tokens, TRUE AS flatten_json_output));
text-bison32
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, TABLE PROJECT_ID.DATASET_ID.TABLE_NAME, STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_K AS top_k, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences) );
Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.TABLE_NAME
: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna denominataprompt
oppure puoi usare un alias per usare un'altra denominata colonna.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,8192]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,1.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_K
: un valoreINT64
nel l'intervallo[1,40]
che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per l'opzione meno casuale e un valore più alto per risposte più casuali. L'impostazione predefinita è40
.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.
Esempio
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Utilizza la colonna
prompt
della tabellaprompts
per la richiesta. - Restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, TABLE mydataset.prompts, STRUCT( 0.4 AS temperature, 100 AS max_output_tokens, TRUE AS flatten_json_output));
text-unicorn
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, TABLE PROJECT_ID.DATASET_ID.TABLE_NAME, STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_K AS top_k, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences) );
Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.TABLE_NAME
: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna denominataprompt
oppure puoi usare un alias per usare un'altra denominata colonna.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,1024]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,1.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_K
: un valoreINT64
nel l'intervallo[1,40]
che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per l'opzione meno casuale e un valore più alto per risposte più casuali. L'impostazione predefinita è40
.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.
Esempio
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Utilizza la colonna
prompt
della tabellaprompts
per la richiesta. - Restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, TABLE mydataset.prompts, STRUCT( 0.4 AS temperature, 100 AS max_output_tokens, TRUE AS flatten_json_output));
Genera testo da dati di testo utilizzando un prompt da una query
Genera testo utilizzando
Funzione ML.GENERATE_TEXT
con un modello remoto e utilizzando una query che fornisce i dati del prompt:
gemini-1.5-flash
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, (PROMPT_QUERY), STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences, GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search, SAFETY_SETTINGS AS safety_settings) );Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.PROMPT_QUERY
: una query che fornisce il prompt e i dati di Google Cloud.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,8192]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,2.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.GROUND_WITH_GOOGLE_SEARCH
: un valoreBOOL
che determina se il modello Vertex AI utilizza il monitoraggio con la Ricerca Google durante la generazione delle risposte. Il grounding consente al modello di utilizzare informazioni aggiuntive presenti su internet quando genera una risposta, in modo da rendere le risposte del modello più specifiche e oggettive. Seflatten_json_output
e questo campo sono impostati suTrue
, nei risultati viene inclusa un'ulteriore colonnaml_generate_text_grounding_result
, che fornisce le origini utilizzate dal modello per raccogliere ulteriori informazioni. Il valore predefinito èFALSE
.SAFETY_SETTINGS
: un valoreARRAY<STRUCT<STRING AS category, STRING AS threshold>>
che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento dello struct specifica una categoria di danno, mentre il secondo dello struct specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ciascuna categoria una sola volta. Ad esempio, non puoi specificare siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold)
siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold)
. Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza diBLOCK_MEDIUM_AND_ABOVE
.Le categorie supportate sono le seguenti:
HARM_CATEGORY_HATE_SPEECH
HARM_CATEGORY_DANGEROUS_CONTENT
HARM_CATEGORY_HARASSMENT
HARM_CATEGORY_SEXUALLY_EXPLICIT
Le soglie supportate sono le seguenti:
BLOCK_NONE
(con limitazioni)BLOCK_LOW_AND_ABOVE
BLOCK_MEDIUM_AND_ABOVE
(valore predefinito)BLOCK_ONLY_HIGH
HARM_BLOCK_THRESHOLD_UNSPECIFIED
Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e di soglia di blocco.
Esempio 1
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Richiede un riepilogo del testo nella colonna
body
di la tabellaarticles
. - Restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, ( SELECT CONCAT('Summarize this text', body) AS prompt FROM mydataset.articles ), STRUCT( 0.2 AS temperature, 650 AS max_output_tokens, TRUE AS flatten_json_output));
Esempio 2
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Utilizza una query per creare i dati del prompt concatenando stringhe che fornire prefissi di prompt con colonne delle tabelle.
- Restituisce una risposta breve.
- Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, ( SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt FROM mydataset.input_table ), STRUCT( 0.4 AS temperature, 100 AS max_output_tokens, 0.5 AS top_p, FALSE AS flatten_json_output));
gemini-1.5-pro
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, (PROMPT_QUERY), STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences, GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search, SAFETY_SETTINGS AS safety_settings) );Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.PROMPT_QUERY
: una query che fornisce il prompt e i dati di Google Cloud.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,8192]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,2.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.GROUND_WITH_GOOGLE_SEARCH
: un valoreBOOL
che determina se il modello Vertex AI utilizza il monitoraggio con la Ricerca Google durante la generazione delle risposte. Il grounding consente al modello di utilizzare informazioni aggiuntive presenti su internet quando genera una risposta, in modo da rendere le risposte del modello più specifiche e oggettive. Seflatten_json_output
e questo campo sono impostati suTrue
, nei risultati viene inclusa un'ulteriore colonnaml_generate_text_grounding_result
, che fornisce le origini utilizzate dal modello per raccogliere ulteriori informazioni. Il valore predefinito èFALSE
.SAFETY_SETTINGS
: un valoreARRAY<STRUCT<STRING AS category, STRING AS threshold>>
che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento dello struct specifica una categoria di danno, mentre il secondo dello struct specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ciascuna categoria una sola volta. Ad esempio, non puoi specificare siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold)
siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold)
. Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza diBLOCK_MEDIUM_AND_ABOVE
.Le categorie supportate sono le seguenti:
HARM_CATEGORY_HATE_SPEECH
HARM_CATEGORY_DANGEROUS_CONTENT
HARM_CATEGORY_HARASSMENT
HARM_CATEGORY_SEXUALLY_EXPLICIT
Le soglie supportate sono le seguenti:
BLOCK_NONE
(con limitazioni)BLOCK_LOW_AND_ABOVE
BLOCK_MEDIUM_AND_ABOVE
(valore predefinito)BLOCK_ONLY_HIGH
HARM_BLOCK_THRESHOLD_UNSPECIFIED
Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e di soglia di blocco.
Esempio 1
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Richiede un riepilogo del testo nella colonna
body
di la tabellaarticles
. - Restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, ( SELECT CONCAT('Summarize this text', body) AS prompt FROM mydataset.articles ), STRUCT( 0.2 AS temperature, 650 AS max_output_tokens, TRUE AS flatten_json_output));
Esempio 2
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Utilizza una query per creare i dati del prompt concatenando stringhe che fornire prefissi di prompt con colonne delle tabelle.
- Restituisce una risposta breve.
- Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, ( SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt FROM mydataset.input_table ), STRUCT( 0.4 AS temperature, 100 AS max_output_tokens, 0.5 AS top_p, FALSE AS flatten_json_output));
gemini-pro
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, (PROMPT_QUERY), STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_K AS top_k, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences, GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search, SAFETY_SETTINGS AS safety_settings) );Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.PROMPT_QUERY
: una query che fornisce il prompt e i dati di Google Cloud.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,8192]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,1.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_K
: un valoreINT64
nel l'intervallo[1,40]
che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per l'opzione meno casuale e un valore più alto per risposte più casuali. L'impostazione predefinita è40
.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.GROUND_WITH_GOOGLE_SEARCH
: un valoreBOOL
che determina se il modello Vertex AI utilizza il monitoraggio con la Ricerca Google durante la generazione delle risposte. Il grounding consente al modello di utilizzare informazioni aggiuntive presenti su internet quando genera una risposta, in modo da rendere le risposte del modello più specifiche e oggettive. Seflatten_json_output
e questo campo sono impostati suTrue
, nei risultati viene inclusa un'ulteriore colonnaml_generate_text_grounding_result
, che fornisce le origini utilizzate dal modello per raccogliere ulteriori informazioni. Il valore predefinito èFALSE
.SAFETY_SETTINGS
: un valoreARRAY<STRUCT<STRING AS category, STRING AS threshold>>
che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento dello struct specifica una categoria di danno, mentre il secondo dello struct specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ciascuna categoria una sola volta. Ad esempio, non puoi specificare siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold)
siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold)
. Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza diBLOCK_MEDIUM_AND_ABOVE
.Le categorie supportate sono le seguenti:
HARM_CATEGORY_HATE_SPEECH
HARM_CATEGORY_DANGEROUS_CONTENT
HARM_CATEGORY_HARASSMENT
HARM_CATEGORY_SEXUALLY_EXPLICIT
Le soglie supportate sono le seguenti:
BLOCK_NONE
(con limitazioni)BLOCK_LOW_AND_ABOVE
BLOCK_MEDIUM_AND_ABOVE
(valore predefinito)BLOCK_ONLY_HIGH
HARM_BLOCK_THRESHOLD_UNSPECIFIED
Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e di soglia di blocco.
Esempio 1
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Richiede un riepilogo del testo nella colonna
body
di la tabellaarticles
. - Restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, ( SELECT CONCAT('Summarize this text', body) AS prompt FROM mydataset.articles ), STRUCT( 0.2 AS temperature, 650 AS max_output_tokens, TRUE AS flatten_json_output));
Esempio 2
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Utilizza una query per creare i dati del prompt concatenando stringhe che fornire prefissi di prompt con colonne delle tabelle.
- Restituisce una risposta breve.
- Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, ( SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt FROM mydataset.input_table ), STRUCT( 0.4 AS temperature, 100 AS max_output_tokens, 0.5 AS top_p, FALSE AS flatten_json_output));
Esempio 3
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Richiede un riepilogo del testo nella colonna
body
di la tabellaarticles
. - Appiattisce la risposta JSON in colonne separate.
- Recupera e restituisce i dati web pubblici per il grounding della risposta.
- Filtra le risposte non sicure utilizzando due impostazioni di sicurezza.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, ( SELECT CONCAT('Summarize this text', body) AS prompt FROM mydataset.articles ), STRUCT( TRUE AS flatten_json_output, TRUE AS ground_with_google_search, [STRUCT('HARM_CATEGORY_HATE_SPEECH' AS category, 'BLOCK_LOW_AND_ABOVE' AS threshold), STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold)] AS safety_settings));
text-bison
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, (PROMPT_QUERY), STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_K AS top_k, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences) );Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.PROMPT_QUERY
: una query che fornisce il prompt e i dati di Google Cloud.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,1024]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,1.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_K
: un valoreINT64
nel l'intervallo[1,40]
che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per l'opzione meno casuale e un valore più alto per risposte più casuali. L'impostazione predefinita è40
.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.
Esempio 1
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Richiede un riepilogo del testo nella colonna
body
di la tabellaarticles
. - Restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, ( SELECT CONCAT('Summarize this text', body) AS prompt FROM mydataset.articles ), STRUCT( 0.2 AS temperature, 650 AS max_output_tokens, TRUE AS flatten_json_output));
Esempio 2
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Utilizza una query per creare i dati del prompt concatenando stringhe che fornire prefissi di prompt con colonne delle tabelle.
- Restituisce una risposta breve.
- Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, ( SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt FROM mydataset.input_table ), STRUCT( 0.4 AS temperature, 100 AS max_output_tokens, 0.5 AS top_p, FALSE AS flatten_json_output));
text-bison32
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, (PROMPT_QUERY), STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_K AS top_k, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences) );Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.PROMPT_QUERY
: una query che fornisce il prompt e i dati di Google Cloud.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,8192]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,1.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_K
: un valoreINT64
nel l'intervallo[1,40]
che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per l'opzione meno casuale e un valore più alto per risposte più casuali. L'impostazione predefinita è40
.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.
Esempio 1
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Richiede un riepilogo del testo nella colonna
body
di la tabellaarticles
. - Restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, ( SELECT CONCAT('Summarize this text', body) AS prompt FROM mydataset.articles ), STRUCT( 0.2 AS temperature, 650 AS max_output_tokens, TRUE AS flatten_json_output));
Esempio 2
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Utilizza una query per creare i dati del prompt concatenando stringhe che fornire prefissi di prompt con colonne delle tabelle.
- Restituisce una risposta breve.
- Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, ( SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt FROM mydataset.input_table ), STRUCT( 0.4 AS temperature, 100 AS max_output_tokens, 0.5 AS top_p, FALSE AS flatten_json_output));
text-unicorn
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, (PROMPT_QUERY), STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_K AS top_k, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences) );Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.PROMPT_QUERY
: una query che fornisce il prompt e i dati di Google Cloud.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,1024]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,1.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_K
: un valoreINT64
nel l'intervallo[1,40]
che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per l'opzione meno casuale e un valore più alto per risposte più casuali. L'impostazione predefinita è40
.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.
Esempio 1
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Richiede un riepilogo del testo nella colonna
body
di la tabellaarticles
. - Restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, ( SELECT CONCAT('Summarize this text', body) AS prompt FROM mydataset.articles ), STRUCT( 0.2 AS temperature, 650 AS max_output_tokens, TRUE AS flatten_json_output));
Esempio 2
L'esempio seguente mostra una richiesta con le seguenti caratteristiche:
- Utilizza una query per creare i dati del prompt concatenando stringhe che fornire prefissi di prompt con colonne delle tabelle.
- Restituisce una risposta breve.
- Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.llm_model`, ( SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt FROM mydataset.input_table ), STRUCT( 0.4 AS temperature, 100 AS max_output_tokens, 0.5 AS top_p, FALSE AS flatten_json_output));
Genera testo dai dati della tabella degli oggetti
Genera testo utilizzando
Funzione ML.GENERATE_TEXT
con un modello remoto, utilizzando una tabella di oggetti per fornire i contenuti da analizzare
e fornendo i dati del prompt nel parametro prompt
:
gemini-1.5-flash
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, TABLE PROJECT_ID.DATASET_ID.TABLE_NAME, STRUCT(PROMPT AS prompt, TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences, SAFETY_SETTINGS AS safety_settings) );
Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.TABLE_NAME
: il nome del tabella degli oggetti che include i contenuti da analizzare. Per ulteriori informazioni sui tipi di contenuti che puoi analizzare, Ingresso.Il bucket Cloud Storage utilizzato dalla tabella degli oggetti deve trovarsi nel percorso nello stesso progetto in cui hai creato il modello e in cui chiami Funzione
ML.GENERATE_TEXT
. Se vuoi chiamare il FunzioneML.GENERATE_TEXT
in un progetto diverso da quello che contiene il bucket Cloud Storage utilizzato dalla tabella degli oggetti, devi concedere il ruolo Amministratore Storage a livello di bucket all'account di servizioservice-A@gcp-sa-aiplatform.iam.gserviceaccount.com
.PROMPT
: la richiesta da utilizzare per analizzare i contenuti.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,8192]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,2.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.SAFETY_SETTINGS
: un valoreARRAY<STRUCT<STRING AS category, STRING AS threshold>>
che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento dello struct specifica una categoria di danno, mentre il secondo dello struct specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ciascuna categoria una sola volta. Ad esempio, non puoi specificare siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold)
siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold)
. Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza diBLOCK_MEDIUM_AND_ABOVE
.Le categorie supportate sono le seguenti:
HARM_CATEGORY_HATE_SPEECH
HARM_CATEGORY_DANGEROUS_CONTENT
HARM_CATEGORY_HARASSMENT
HARM_CATEGORY_SEXUALLY_EXPLICIT
Le soglie supportate sono le seguenti:
BLOCK_NONE
(con limitazioni)BLOCK_LOW_AND_ABOVE
BLOCK_MEDIUM_AND_ABOVE
(valore predefinito)BLOCK_ONLY_HIGH
HARM_BLOCK_THRESHOLD_UNSPECIFIED
Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e di soglia di blocco.
Esempi
Questo esempio analizza i contenuti video di una tabella di oggetti denominata
videos
e descrive i contenuti di ogni video:
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.video_model`, TABLE `mydataset.videos`, STRUCT('What is happening in this video?' AS PROMPT, TRUE AS FLATTEN_JSON_OUTPUT));
Questo esempio traduce e trascrive i contenuti audio da una tabella di oggetti
che ha il nome feedback
:
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.audio_model`, TABLE `mydataset.feedback`, STRUCT('What is the content of this audio clip, translated into Spanish?' AS PROMPT, TRUE AS FLATTEN_JSON_OUTPUT));
Questo esempio classifica i contenuti PDF da una tabella di oggetti
che ha il nome invoices
:
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.classify_model`, TABLE `mydataset.invoices`, STRUCT('Classify this document based on the invoice total, using the following categories: 0 to 100, 101 to 200, greater than 200' AS PROMPT, TRUE AS FLATTEN_JSON_OUTPUT));
gemini-1.5-pro
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, TABLE PROJECT_ID.DATASET_ID.TABLE_NAME, STRUCT(PROMPT AS prompt, TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences, SAFETY_SETTINGS AS safety_settings) );
Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.TABLE_NAME
: il nome del tabella degli oggetti che include i contenuti da analizzare. Per ulteriori informazioni sui tipi di contenuti che puoi analizzare, Ingresso.Il bucket Cloud Storage utilizzato dalla tabella degli oggetti deve trovarsi nel percorso nello stesso progetto in cui hai creato il modello e in cui chiami Funzione
ML.GENERATE_TEXT
. Se vuoi chiamare il FunzioneML.GENERATE_TEXT
in un progetto diverso da quello che contiene il bucket Cloud Storage utilizzato dalla tabella degli oggetti, devi concedere il ruolo Amministratore Storage a livello di bucket all'account di servizioservice-A@gcp-sa-aiplatform.iam.gserviceaccount.com
.PROMPT
: la richiesta da utilizzare per analizzare i contenuti.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,8192]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è128
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,2.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.SAFETY_SETTINGS
: un valoreARRAY<STRUCT<STRING AS category, STRING AS threshold>>
che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento dello struct specifica una categoria di danno, mentre il secondo dello struct specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ciascuna categoria una sola volta. Ad esempio, non puoi specificare siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold)
siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold)
. Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza diBLOCK_MEDIUM_AND_ABOVE
.Le categorie supportate sono le seguenti:
HARM_CATEGORY_HATE_SPEECH
HARM_CATEGORY_DANGEROUS_CONTENT
HARM_CATEGORY_HARASSMENT
HARM_CATEGORY_SEXUALLY_EXPLICIT
Le soglie supportate sono le seguenti:
BLOCK_NONE
(con limitazioni)BLOCK_LOW_AND_ABOVE
BLOCK_MEDIUM_AND_ABOVE
(valore predefinito)BLOCK_ONLY_HIGH
HARM_BLOCK_THRESHOLD_UNSPECIFIED
Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e di soglia di blocco.
Esempi
Questo esempio analizza i contenuti video di una tabella di oggetti denominata
videos
e descrive i contenuti di ogni video:
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.video_model`, TABLE `mydataset.videos`, STRUCT('What is happening in this video?' AS PROMPT, TRUE AS FLATTEN_JSON_OUTPUT));
Questo esempio traduce e trascrive i contenuti audio da una tabella di oggetti
che ha il nome feedback
:
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.audio_model`, TABLE `mydataset.feedback`, STRUCT('What is the content of this audio clip, translated into Spanish?' AS PROMPT, TRUE AS FLATTEN_JSON_OUTPUT));
Questo esempio classifica i contenuti PDF da una tabella di oggetti
che ha il nome invoices
:
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.classify_model`, TABLE `mydataset.invoices`, STRUCT('Classify this document based on the invoice total, using the following categories: 0 to 100, 101 to 200, greater than 200' AS PROMPT, TRUE AS FLATTEN_JSON_OUTPUT));
gemini-pro-vision
SELECT * FROM ML.GENERATE_TEXT( MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`, TABLE PROJECT_ID.DATASET_ID.TABLE_NAME, STRUCT(PROMPT AS prompt, TOKENS AS max_output_tokens, TEMPERATURE AS temperature, TOP_K AS top_k, TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output, STOP_SEQUENCES AS stop_sequences, SAFETY_SETTINGS AS safety_settings) );
Sostituisci quanto segue:
PROJECT_ID
: il tuo ID progetto.DATASET_ID
: l'ID del set di dati che contiene il modello.MODEL_NAME
: il nome del modello.TABLE_NAME
: il nome del tabella degli oggetti che include i contenuti da analizzare. Per ulteriori informazioni sui tipi di contenuti che puoi analizzare, Ingresso.Il bucket Cloud Storage utilizzato dalla tabella degli oggetti deve trovarsi nel percorso nello stesso progetto in cui hai creato il modello e in cui chiami Funzione
ML.GENERATE_TEXT
. Se vuoi chiamare il FunzioneML.GENERATE_TEXT
in un progetto diverso da quello che contiene il bucket Cloud Storage utilizzato dalla tabella degli oggetti, devi concedere il ruolo Amministratore Storage a livello di bucket all'account di servizioservice-A@gcp-sa-aiplatform.iam.gserviceaccount.com
.PROMPT
: la richiesta da utilizzare per analizzare i contenuti.TOKENS
: un valoreINT64
che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo[1,2048]
. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è2048
.TEMPERATURE
: un valoreFLOAT64
nell'intervallo[0.0,1.0]
che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è0.4
.Valori più bassi per
temperature
sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti ditemperature
possono portare a una maggiore diversità o risultati creativi. Un valore di0
pertemperature
è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.TOP_K
: un valoreINT64
nel l'intervallo[1,40]
che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per l'opzione meno casuale e un valore più alto per risposte più casuali. L'impostazione predefinita è32
.TOP_P
: un valoreFLOAT64
nel l'intervallo[0.0,1.0]
aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un un valore più alto per risposte più casuali. Il valore predefinito è0.95
.FLATTEN_JSON
: un valoreBOOL
che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito èFALSE
.STOP_SEQUENCES
:ARRAY<STRING>
valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.SAFETY_SETTINGS
: un valoreARRAY<STRUCT<STRING AS category, STRING AS threshold>>
che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento dello struct specifica una categoria di danno, mentre il secondo dello struct specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ciascuna categoria una sola volta. Ad esempio, non puoi specificare siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold)
siaSTRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold)
. Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza diBLOCK_MEDIUM_AND_ABOVE
.Le categorie supportate sono le seguenti:
HARM_CATEGORY_HATE_SPEECH
HARM_CATEGORY_DANGEROUS_CONTENT
HARM_CATEGORY_HARASSMENT
HARM_CATEGORY_SEXUALLY_EXPLICIT
Le soglie supportate sono le seguenti:
BLOCK_NONE
(con limitazioni)BLOCK_LOW_AND_ABOVE
BLOCK_MEDIUM_AND_ABOVE
(valore predefinito)BLOCK_ONLY_HIGH
HARM_BLOCK_THRESHOLD_UNSPECIFIED
Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e di soglia di blocco.
Esempi
Questo esempio analizza i contenuti video di una tabella di oggetti denominata
videos
e descrive i contenuti di ogni video:
SELECT * FROM ML.GENERATE_TEXT( MODEL `mydataset.video_model`, TABLE `mydataset.videos`, STRUCT('What is happening in this video?' AS PROMPT, TRUE AS FLATTEN_JSON_OUTPUT));