Esegui la migrazione dall'API PaLM all'API Gemini su Vertex AI

Questa guida mostra come eseguire la migrazione dell'SDK Vertex AI per il codice Python dall'API PaLM all'API Gemini. Con Gemini, puoi generare testo, conversazioni in più passaggi (chat) e codice. Dopo la migrazione, controlla le risposte, perché l'output Gemini potrebbe essere diverso. Per ulteriori informazioni, consulta Introduzione alle classi multimodali nell'SDK Vertex AI.

Differenze tra Gemini e PaLM

Di seguito sono riportate alcune differenze tra i modelli Gemini e PaLM:

  • Le loro strutture di risposta sono diverse. Per informazioni sulla struttura della risposta Gemini, consulta il corpo della risposta di riferimento del modello dell'API Gemini.

  • Le loro categorie di sicurezza sono diverse. Per scoprire le differenze tra le impostazioni di sicurezza di Gemini e PaLM, consulta Differenze principali tra Gemini e altre famiglie di modelli.

  • Gemini non può eseguire il completamento del codice. Se devi creare un'applicazione di completamento del codice, utilizza il modello code-gecko. Per maggiori informazioni, consulta Modello di completamento del codice Codey.

  • Per la generazione del codice, Gemini ha una frequenza di blocchi delle richieste più elevata.

  • Il punteggio di affidabilità nei modelli di generazione del codice Codey, che indica il grado di affidabilità del modello nella sua risposta, non è esposto in Gemini.

Aggiornare il codice PaLM per utilizzare i modelli Gemini

I metodi nella classe GenerativeModel sono per lo più identici ai metodi nelle classi PaLM. Ad esempio, usa GenerativeModel.start_chat per sostituire l'equivalente PaLM, ChatModel.start_chat. Tuttavia, poiché Google Cloud migliora e aggiorna sempre Gemini, potresti riscontrare alcune differenze. Per ulteriori informazioni, consulta la pagina di riferimento sull'SDK Python

Per eseguire la migrazione dall'API PaLM all'API Gemini, sono necessarie le seguenti modifiche al codice:

  • Per tutte le classi di modelli PaLM, utilizzerai la classe GenerativeModel in Gemini.

  • Per utilizzare la classe GenerativeModel, esegui la seguente istruzione di importazione:

    from vertexai.generative_models import GenerativeModel

  • Per caricare un modello Gemini, utilizza il costruttore GenerativeModel anziché il metodo from_pretrained. Ad esempio, per caricare il modello Gemini 1.0 Pro, utilizza GenerativeModel(gemini-1.0-pro).

  • Per generare testo in Gemini, usa il metodo GenerativeModel.generate_content anziché il metodo predict usato nei modelli PaLM. Ad esempio:

   model = GenerativeModel("gemini-1.0-pro-002")
   response = model.generate_content("Write a short poem about the moon")

Confronto tra le classi Gemini e PaLM

Ogni classe del modello PaLM viene sostituita dalla classe GenerativeModel in Gemini. La tabella seguente mostra le classi utilizzate dai modelli PaLM e la loro classe equivalente in Gemini.

modello PaLM classe del modello PaLM Classe del modello Gemini
text-bison TextGenerationModel GenerativeModel
chat-bison ChatModel GenerativeModel
code-bison CodeGenerationModel GenerativeModel
codechat-bison CodeChatModel GenerativeModel

Istruzioni di configurazione comuni

Il processo di configurazione è lo stesso sia per l'API PaLM sia per l'API Gemini in Vertex AI. Per maggiori informazioni, consulta Introduzione all'SDK Vertex AI per Python. Di seguito è riportato un breve esempio di codice che installa l'SDK Vertex AI per Python. 

pip install google-cloud-aiplatform
import vertexai
vertexai.init(project="PROJECT_ID", location="LOCATION")

In questo codice campione, sostituisci PROJECT_ID con l'ID del tuo progetto Google Cloud e LOCATION con la località del tuo progetto Google Cloud (ad esempio, us-central1).

Esempi di codice Gemini e PaLM

Ognuna delle seguenti coppie di esempi di codice include il codice PaLM e, accanto, il codice Gemini di cui è stata eseguita la migrazione dal codice PaLM.

Generazione del testo: di base

I seguenti esempi di codice mostrano le differenze tra l'API PaLM e l'API Gemini per la creazione di un modello di generazione del testo.

PaLM Gemini 

from vertexai.language_models import TextGenerationModel

model = TextGenerationModel.from_pretrained("text-bison@002")

response = model.predict(prompt="The opposite of hot is")
print(response.text) #  'cold.'
        

from vertexai.generative_models import GenerativeModel

model = GenerativeModel("gemini-1.0-pro")

responses = model.generate_content("The opposite of hot is")

for response in responses:
    print(response.text)

Generazione del testo con parametri

I seguenti esempi di codice mostrano le differenze tra l'API PaLM e l'API Gemini per creare un modello di generazione del testo, con parametri facoltativi.

PaLM Gemini 

from vertexai.language_models import TextGenerationModel

model = TextGenerationModel.from_pretrained("text-bison@002")

prompt = """
You are an expert at solving word problems.

Solve the following problem:

I have three houses, each with three cats.
each cat owns 4 mittens, and a hat. Each mitten was
knit from 7m of yarn, each hat from 4m.
How much yarn was needed to make all the items?

Think about it step by step, and show your work.
"""

response = model.predict(
    prompt=prompt,
    temperature=0.1,
    max_output_tokens=800,
    top_p=1.0,
    top_k=40
)

print(response.text)
        

from vertexai.generative_models import GenerativeModel

model = GenerativeModel("gemini-1.0-pro")

prompt = """
You are an expert at solving word problems.

Solve the following problem:

I have three houses, each with three cats.
each cat owns 4 mittens, and a hat. Each mitten was
knit from 7m of yarn, each hat from 4m.
How much yarn was needed to make all the items?

Think about it step by step, and show your work.
"""

responses = model.generate_content(
    prompt,
    generation_config={
        "temperature": 0.1,
        "max_output_tokens": 800,
        "top_p": 1.0,
        "top_k": 40,
    }
  )

for response in responses:
    print(response.text)

Chat

I seguenti esempi di codice mostrano le differenze tra l'API PaLM e l'API Gemini per creare un modello di chat.

PaLM Gemini 

from vertexai.language_models import ChatModel

model = ChatModel.from_pretrained("chat-bison@002")

chat = model.start_chat()

print(
    chat.send_message(
        """
Hello! Can you write a 300 word abstract for a research paper I need to write about the impact of AI on society?
"""
    )
)

print(
    chat.send_message(
        """
Could you give me a catchy title for the paper?
"""
    )
)
        

from vertexai.generative_models import GenerativeModel

model = GenerativeModel("gemini-1.0-pro")

chat = model.start_chat()

responses = chat.send_message(
        """
Hello! Can you write a 300 word abstract for a research paper I need to write about the impact of AI on society?
"""
    )

for response in responses:
   print(response.text)

responses = chat.send_message(
        """
Could you give me a catchy title for the paper?
"""
    )

for response in responses:
   print(response.text)

Generazione del codice

I seguenti esempi di codice mostrano le differenze tra l'API PaLM e l'API Gemini per la generazione di una funzione che prevede se un anno è un anno bisestile.

Codey Gemini 

from vertexai.language_models import CodeGenerationModel

model = CodeGenerationModel.from_pretrained("code-bison@002")

response = model.predict(
        prefix="Write a function that checks if a year is a leap year."
    )

print(response.text)
        

from vertexai.generative_models import GenerativeModel

model = GenerativeModel("gemini-1.0-pro-002")

response = model.generate_content("Write a function that checks if a year is a leap year.")

print(response.text)

Passaggi successivi