Informazioni sull'ottimizzazione fine supervisionata per i modelli Gemini

L'ottimizzazione supervisionata è una validissima opzione se hai un'attività ben definita con dati etichettati disponibili. È particolarmente efficace per le applicazioni specifiche del dominio in cui la lingua o i contenuti differiscono in modo significativo dai dati su cui è stato originariamente addestrato il modello di grandi dimensioni. Puoi ottimizzare i tipi di dati testo, immagine, audio e documento.

L'ottimizzazione supervisionata adatta il comportamento del modello con un set di dati etichettati. Questo processo regola i pesi del modello per ridurre al minimo la differenza tra le previsioni e le etichette effettive. Ad esempio, può migliorare le prestazioni del modello per i seguenti tipi di attività:

  • Classificazione
  • Riassunto
  • Question answering estrattivo
  • Chat

Per una discussione sui principali casi d'uso del tuning, consulta il post del blog Centinaia di organizzazioni stanno eseguendo il fine-tuning dei modelli Gemini. Ecco i loro casi d'uso preferiti.

Per saperne di più, consulta Quando utilizzare il fine-tuning supervisionato per Gemini.

Modelli supportati

I seguenti modelli Gemini supportano il fine-tuning supervisionato:

Per i modelli che supportano il pensiero, ti consigliamo di impostare il budget di pensiero su Off o sul valore più basso. Ciò può migliorare le prestazioni e ridurre i costi per le attività ottimizzate. Durante l'ottimizzazione supervisionata, il modello apprende dai dati di addestramento e omette il processo di pensiero. Pertanto, il modello ottimizzato risultante può eseguire le attività ottimizzate in modo efficace senza un budget di pensiero.

Limitazioni

Gemini 2.5 Flash
Gemini 2.5 Flash-Lite

Specifica Valore
Token di addestramento di input e output massimi 131.072
Token di pubblicazione di input e output massimi Come il modello Gemini di base
Dimensione massima del set di dati di convalida 5000 esempi
Dimensione massima del file del set di dati di addestramento 1 GB per JSONL
Dimensione massima del set di dati di addestramento 1 milione di esempi di solo testo o 300.000 esempi multimodali
Dimensioni adattatore I valori supportati sono 1, 2, 4, 8 e 16.

Gemini 2.5 Pro

Specifica Valore
Token di addestramento di input e output massimi 131.072
Token di pubblicazione di input e output massimi Come il modello Gemini di base
Dimensione massima del set di dati di convalida 5000 esempi
Dimensione massima del file del set di dati di addestramento 1 GB per JSONL
Dimensione massima del set di dati di addestramento 1 milione di esempi di solo testo o 300.000 esempi multimodali
Dimensioni adattatore I valori supportati sono 1, 2, 4 e 8

Gemini 2.0 Flash
Gemini 2.0 Flash-Lite

Specifica Valore
Token di addestramento di input e output massimi 131.072
Token di pubblicazione di input e output massimi Come il modello Gemini di base
Dimensione massima del set di dati di convalida 5000 esempi
Dimensione massima del file del set di dati di addestramento 1 GB per JSONL
Dimensione massima del set di dati di addestramento 1 milione di esempi di solo testo o 300.000 esempi multimodali
Dimensioni adattatore I valori supportati sono 1, 2, 4 e 8

Problemi noti

  • L'applicazione della generazione controllata quando invii richieste di inferenza ai modelli Gemini ottimizzati può comportare una riduzione della qualità del modello a causa del disallineamento dei dati durante l'ottimizzazione e l'inferenza. Durante l'ottimizzazione, la generazione controllata non viene applicata, quindi il modello ottimizzato non è in grado di gestire bene la generazione controllata al momento dell'inferenza. L'ottimizzazione supervisionata personalizza in modo efficace il modello per generare output strutturati. Pertanto, non è necessario applicare la generazione controllata quando si effettuano richieste di inferenza sui modelli ottimizzati.

Casi d'uso per l'utilizzo del fine-tuning supervisionato

I modelli di base funzionano bene quando l'output o l'attività previsti possono essere definiti in modo chiaro e conciso in un prompt e il prompt produce costantemente l'output previsto. Se vuoi che un modello apprenda qualcosa di poco noto o specifico che si discosta dai pattern generali, potresti prendere in considerazione l'ottimizzazione del modello. Ad esempio, puoi utilizzare l'ottimizzazione del modello per insegnare al modello quanto segue:

  • Strutture o formati specifici per generare l'output.
  • Comportamenti specifici, ad esempio quando fornire un output conciso o dettagliato.
  • Output personalizzati specifici per tipi specifici di input.

I seguenti esempi sono casi d'uso difficili da acquisire solo con le istruzioni del prompt:

  • Classificazione: la risposta prevista è una parola o una frase specifica.

    La messa a punto del modello può contribuire a evitare che generi risposte prolisse.

  • Riassunto: il riassunto segue un formato specifico. Ad esempio, potresti dover rimuovere le informazioni che consentono l'identificazione personale (PII) nel riepilogo di una chat.

    Questa formattazione che sostituisce i nomi degli oratori con #Person1 e #Person2 è difficile da descrivere e il modello di base potrebbe non produrre una risposta naturale di questo tipo.

  • Question answering estrattivo: la domanda riguarda un contesto e la risposta è una sottostringa del contesto.

    La risposta "Last Glacial Maximum" è una frase specifica del contesto.

  • Chat: devi personalizzare la risposta del modello in modo che segua una persona, un ruolo o un personaggio.

Puoi anche ottimizzare un modello nelle seguenti situazioni:

  • I prompt non producono i risultati previsti in modo sufficientemente coerente.
  • L'attività è troppo complicata da definire in un prompt. Ad esempio, vuoi che il modello esegua la clonazione del comportamento per un comportamento difficile da esprimere in un prompt.
  • Hai intuizioni complesse su un'attività che sono difficili da formalizzare in un prompt.
  • Vuoi ridurre la lunghezza del contesto rimuovendo gli esempi few-shot.

Configura una regione del job di ottimizzazione

I dati utente, come il set di dati trasformato e il modello ottimizzato, vengono archiviati nella regione del job di ottimizzazione. Durante l'ottimizzazione, il calcolo può essere scaricato in altre regioni US o EU per gli acceleratori disponibili. Il trasferimento è trasparente per gli utenti.

  • Se utilizzi l'SDK Vertex AI, puoi specificare la regione durante l'inizializzazione. Ad esempio:

    import vertexai
vertexai.init(project='myproject', location='us-central1')

  • Se crei un job di perfezionamento supervisionato inviando una richiesta POST utilizzando il metodo tuningJobs.create, utilizzi l'URL per specificare la regione in cui viene eseguito il job di perfezionamento. Ad esempio, nel seguente URL, specifica una regione sostituendo entrambe le istanze di TUNING_JOB_REGION con la regione in cui viene eseguito il job.

     https://TUNING_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/TUNING_JOB_REGION/tuningJobs

  • Se utilizzi la consoleGoogle Cloud , puoi selezionare il nome della regione nel campo a discesa Regione nella pagina Dettagli modello. Questa è la stessa pagina in cui selezioni il modello di base e un nome del modello ottimizzato.

Valutazione dei modelli ottimizzati

Puoi valutare i modelli ottimizzati nei seguenti modi:

Quota

La quota viene applicata al numero di job di ottimizzazione simultanei. Ogni progetto viene fornito con una quota predefinita per eseguire almeno un job di ottimizzazione. Si tratta di una quota globale, condivisa tra tutte le regioni disponibili e i modelli supportati. Se vuoi eseguire più job contemporaneamente, devi richiedere una quota aggiuntiva per Global concurrent tuning jobs.

Se configuri Gen AI evaluation service per eseguire le valutazioni automaticamente durante l'ottimizzazione, consulta le quote di Gen AI evaluation service.

Prezzi

I prezzi del fine-tuning supervisionato di Gemini sono disponibili qui: prezzi di Vertex AI.

Il numero di token di addestramento viene calcolato moltiplicando il numero di token nel set di dati di addestramento per il numero di epoche. Dopo l'ottimizzazione, continuano a essere applicati i costi di inferenza (richiesta di previsione) per il modello ottimizzato. Il prezzo dell'inferenza è lo stesso per ogni versione stabile di Gemini. Per saperne di più, consulta Versioni stabili disponibili del modello Gemini.

Se configuri il servizio di valutazione dell'AI generativa in modo che venga eseguito automaticamente durante il tuning, le valutazioni vengono addebitate come job di previsione batch. Per ulteriori informazioni, vedi Prezzi.

Passaggi successivi