设计多模态提示

通过 Gemini API,您可以向 Gemini 模型发送多模态提示信息。支持的模态包括文本、图片和视频。

如需了解提示设计的通用指导,请参阅提示设计策略

支持的模型

以下模型支持多模态提示回答。

  • Gemini 1.5 Flash(预览版)
  • Gemini 1.5 Pro(预览版)
  • Gemini 1.0 Pro Vision

您可以按照以下最佳实践来改进多模态提示:

  • 提示设计基础知识

    • 指令应当明确具体:编写清晰且简洁的指令,尽量避免误解。
    • 向提示中添加一些示例:使用切实可行的少样本示例来说明您要实现的目标。
    • 分步细分:将复杂的任务划分为多个易于管理的子目标,引导模型完成整个过程。
    • 指定输出格式:在提示中,要求输出采用所需的格式,如 Markdown、JSON、HTML 等。
    • 对于单个图片的提示,首先放置图片:虽然 Gemini 可以按任意顺序处理图片和文字输入,但对于包含单张图片的提示,如果将图片(或视频)放在文本提示前面,效果可能会更好。 但是,对于需要图片与文本高度交织才具有意义的提示,请使用最自然的顺序。
  • 排查多模态提示问题

    • 如果模型没有从图片的相关部分提取信息:给出提示,说明您希望提示从图片的哪些方面提取信息。
    • 如果模型输出过于笼统(没有针对图片或视频输入进行足够的定制):在提示开头,尝试要求模型描述图片或视频,然后再提供任务指令,或尝试要求模型参考图片中的内容。
    • 排查哪个部分失败:要求模型描述图片,或要求模型说明其推理,以衡量模型的初步理解。
    • 如果您的提示产生幻觉内容:尝试调低温度设置,或要求模型提供较短的说明,以便不太可能推断其他细节。
    • 对采样参数调优:尝试不同的温度设置和 Top-k 选择,以调整模型的创造力。

提示设计基础知识

本部分对上一部分中列出的最佳实践进行了扩展。

注意:以下 Gemini 示例的模型结果可能因运行而异。

说明应当明确具体

提示在清晰而详细时最成功。如果您考虑获得特定输出,最好在提示中包含该要求,以确保获得所需输出。

有时,提示的意图可能对编写提示的人来说似乎很清晰,但实际上它并不足够明确。 如需自定义模型行为,请考虑对您的提示的误解,并确保您提供的说明简短具体。请尽量避免误解。

对于此机场面板图片,要求模型仅“描述此图片”可能会生成一般性说明。如果您需要模型从图片中解析时间和城市,则可以直接在提示中添加该请求。

提示 模型回答

描述此图片。

此图片显示了机场到达和出发信息面板。

更新后的提示 改进后的回答
旅行时刻表

将下图中显示的机场面板中的时间和城市解析为列表。

  • 10:50 莫斯科
  • 11:05 爱丁堡
  • 11:05 伦敦
  • 11:10 布加勒斯特
  • 11:30 基辅
  • 11:35 都柏林
  • 11:45 东米德兰兹
  • 12:15 索非亚
  • 12:30 伦敦
  • 12:30 纽卡斯尔
  • 12:40 圣彼得堡
  • 12:40 伦敦
  • 12:45 曼彻斯特
  • 添加一些示例

    Gemini 模型可以接受多个输入,它可以将这些输入用作示例来理解所需的输出。添加这些示例有助于模型识别模式,并将给定图片与回答之间的关系应用于新示例。这也称为少量样本学习。

    在以下示例中,初始输出以句子形式编写,并且还包含国家/地区(巴西)。假设您需要不同格式或样式的输出,并且只希望输入城市而不是国家/地区。向提示中添加少样本示例可以引导模型以您所需的方式进行回答。

    提示 模型回答
    旅行时刻表

    确定城市以及地标。

    地标是巴西里约热内卢的基督救世主雕像。

    更新后的提示 改进后的回答

    确定城市以及地标。

    斗兽场

    城市:罗马,地标:斗兽场。

    紫禁城

    城市:北京,地标:紫禁城

    紫禁城

    城市:里约热内卢,地标:基督救世主雕像

    分步细分

    对于复杂的任务(例如需要视觉理解和推理的任务),将任务拆分为更小、更直接的步骤可能会很有帮助。或者,如果您在提示中直接要求模型“分步思考”,也可能会很有效。

    提示 模型回答

    我什么时候会将卫生纸用完?

    您只剩下 3 卷了。

    更新后的提示 改进后的回答

      1. 首先,统计此图片中有多少个卫生纸卷。
      2. 然后,确定一个典型的人每天使用多少卫生纸。
      3. 计算这些卫生纸卷的使用时长。

      1. 这张图片中有 3 卷卫生纸。
      2. 一个典型的人每天使用大约 20 张卫生纸。
      3. 如果每卷包含 200 张纸,则每卷将持续约 10 天。因此,3 卷将持续大约一个月。

    数学问题或其他类型的字词问题非常适合要求模型分步思考。

    提示 答案

    序列中的第 4 项是什么?

    -135

    模型的回答不正确。改进这种情况的一些方法是要求模型在回答提示之前,先解析问题。

    提示 答案

    首先解析图片中的公式。

    然后,根据公式回答“序列中的第 4 项是什么?”。

    点击可展开结果

    $$ b(n) = b(n-1) * (-3) $$

    $$ b(1) = 15 $$

    1. 将 n = 4 代入公式:
    2. $$ b(4) = b(4-1) * (-3) $$

      $$ b(4) = b(3) * (-3) $$

    3. 我们不知道 b(3) 的值,因此将 n = 3 代入公式中:
    4. $$ b(3) = b(3-1) * (-3) $$

      $$ b(3) = b(2) * (-3) $$

    5. 我们不知道 b(2) 的值,因此将 n = 2 代入公式中:
    6. $$ b(2) = b(2-1) * (-3) $$

      $$ b(2) = b(1) * (-3) $$

    7. 我们知道 b(1) 的值是 15,因此将其代入公式中:
    8. $$ b(2) = 15 * (-3) $$

      $$ b(2) = -45 $$

    9. 现在我们已经知道 b(2) 的值,将其代入 b(3) 的公式中:
    10. $$ b(3) = b(2) * (-3) $$

      $$ b(3) = -45 * (-3) $$

      $$ b(3) = 135 $$

    11. 现在我们已经知道 b(3) 的值,将其代入 b(4) 的公式中:
    12. $$ b(4) = b(3) * (-3) $$

      $$ b(4) = 135 * (-3) $$

      $$ b(4) = -405 $$

    因此,序列中的第 4 项是 -405。

    此模型回答是正确的。现在,如需简化回答,您可以要求模型分步思考。

    更新后的提示 改进后的回答

    序列中的第 4 项是什么?请分步思考。

    第一项是 15。

    第二项是 b(1) * (-3) = 15 * (-3) = -45。

    第三项是 b(2) * (-3) = -45 * (-3) = 135。

    第四项是 b(3) * (-3) = 135 * (-3) = -405。

    尝试指定输出格式

    一个常见问题是模型输出需要采用特定格式(例如 Markdown、JSON、HTML),尤其是在需要由下游任务提取模型输出的情况下。您可以尝试在提示中指示模型生成采用该格式的输出。以下是两个示例:

    提示 模型回答

    将此图片中的表格解析为 Markdown 格式

    | 学科 | 状态 | 时间 | 开始日期 | 截止日期 |

    | ------- | ------ | ---- | --------- | ------ |

    | 数学 | 完成 | 1.5 小时 | 2023 年 11 月 29 日 | 2023 年 12 月 1 日 |

    | 地理 | 完成 | 30 分钟 | 2023 年 12 月 2 日 | 2023 年 12 月 4 日 |

    | 物理 | 进行中 | 2 小时 | 2023 年 12 月 3 日 | 2023 年 12 月 5 日 |

    | 生物 | 未开始 | 6 小时 | 2016 年 11 月 2 日 | 2023 年 12 月 6 日 |

    提示 模型回答

    请提供以下所有属性的列表:

    配料、菜系类型、是否为素菜,采用 JSON 格式

    ```json```

    {

    "ingredients": [

    "rice",

    "shrimp",

    "clams",

    "mussels",

    "peas",

    "tomatoes",

    "onions",

    "garlic",

    "olive oil",

    "paprika",

    "salt",

    "pepper"

    ],

    "type of cuisine": "Spanish",

    "vegetarian": false

    首先将图片放在单图片提示中

    虽然 Gemini 可以在提示中以任意顺序解读图片和文字,但将单个图片置于文字提示之前可以获得更好的结果。在以下示例中,您会注意到在每个提示中,图片或视频都位于文本之前。

    排查多模态提示问题

    如果您未收到有用的回答,则可能需要排查提示问题。您可以尝试以下一些策略。

    如果模型没有从图片的相关部分提取信息

    如需获得更具体的回答,您可以指明您希望提示从图片的哪些方面提取信息以告知其回答。

    提示 模型回答

    这些尿片可供一个婴儿使用多少天?

    这些尿片可以使用 198 天。

    更新后的提示 改进后的回答

    这些尿片可以使用多长时间?

    使用包装盒上显示的体重确定孩子的年龄,并使用包装盒中的尿片总数。

    用总数除以孩子每天要换的尿片数量。

    包装盒中有 198 张尿片。包装盒上注明尿片适用于体重 22-37 磅的孩子。

    此体重范围内的普通孩子可能在 1 至 2 岁之间。

    2 岁的孩子通常每天要换 6 片尿片,因此尿片的使用寿命约为 33 天 (198/6)。

    如果模型输出过于笼统,没有针对图片或视频输入进行足够的定制

    如需帮助模型针对图片定制其回答,请尝试要求它在执行推理任务之前描述图片。

    提示 模型回答

    这些图片有什么共同之处?

    全部四张图片都是横向摄影的示例。

    更新后的提示 改进后的回答

    首先,详细描述每张图片中的内容。这些图片有什么共同之处?

    第一张图片显示一个人正在收拾手提包。第二张图片显示购物中心内空无一人的走廊。第三张图片显示一卷卫生纸。第四张图片显示黑暗汹涌的大海。

    这些图片之间的共同之处在于,它们都是临界空间的示例。临界空间是指处于两个其他场所或情景之间的场所或情景。它们通常以一种不确定或模糊的感觉为特征。

    第一张图片显示处于居家与旅行之间的人。第二张图片显示两家商店之间的走廊。第三张图片是卫生纸,可以代表浴室。而浴室是私人领域与公共领域之间的过渡空间。它是一个让我们为进入或离开外部世界做好准备的场所。

    第四张图片显示介于平静与风暴之间的大海。

    临界空间可能既令人兴奋,又令人不安。它们既可以作为崭新开始的场所,也可以作为结束的场所。它们可以是反思的场所,也可以是行动的场所。

    您也可以尝试明确要求模型参考图片中的内容。

    更新后的提示 改进后的回答

    这些图片有什么共同之处?请在回答中参考图片的内容。

    所有图片都与旅行相关。第一张图片显示一个人正在收拾手提包,第二张图片显示购物中心空无一人的走廊,第三张图片显示一叠卫生纸,第四张图片显示黑暗汹涌的大海。

    这些图片都与旅行相关,因为它们都是人们在旅行时所需要或使用的事物。第一张图片显示一个人正在收拾手提包,这是人们在旅行时要做的事情。第二张图片显示购物中心内空无一人的走廊,人们经常来到这个场所购买旅行用品。第三张图片显示一叠卫生纸,这是人们在旅行时经常使用的物品。第四张图片显示黑暗汹涌的大海,这是人们在旅行时经常遇到的景象。

    同样的提示适用于从图片或视频获得创造性输出。在以下包含兔子的示例中,明确要求模型包含图片中的各个方面可以改进输出。

    提示 模型回答

    您能为我写一首关于此图片的诗歌吗?

    棕色的软软的小兔子,
    在田野里欢快地跳上跳下。
    你的耳朵是那么长,你的尾巴是这么短,
    你是最可爱的生灵。

    你啃着又甜又绿的青草,
    当我靠近时,你又蹦蹦跳跳地跑开。
    但是小兔子啊,
    我始终是你的朋友,直到永远。

    更新后的提示 改进后的回答

    您能为我写一首关于此图片的兼具描述性和戏剧性的诗歌,并在其中包含地点吗?

    小小兔子在绿草坪,
    长长的耳朵,听力灵敏。
    你遥望远方看到了什么?
    让你如此专注,一动不动?

    是那在阳光下熠熠生辉的,
    蔚蓝的海洋吗?
    还是那奏响让你着迷的节奏,
    拍打着海岸的波涛呢?

    小兔子,告诉我吧,
    是什么如此吸引你?
    是咸咸的海风,
    还是海鸥悦耳的鸣叫?

    也许是眼前的一切,
    如此辽阔,却又如此渺小。
    一个可以遨游梦想的地方,
    冒险的种子在那里播种。

    小兔子,当你在草地上静静地坐着,
    我真想知道你在梦想着什么。
    你渴望探索深海吗?
    还是留在陆地上,自由地跳跃?

    无论是什么,小兔子,
    让那份好奇心永远闪耀光芒吧。
    因为在你的梦想和渴望中,
    有一个等待你创造的世界。

    排查提示的哪个部分失败

    很难知道提示失败是否是因为模型一开始不理解图片,或者它是否理解图片但随后没有执行正确的推理步骤

    如需区分这些原因,请要求模型描述图片中的内容。

    在以下示例中,如果在与茶搭配时,模型以似乎令人惊讶的零食(例如爆米花)作为回答,则可以先进行问题排查,以确定模型是否正确识别出图片中包含茶。

    提示 用于问题排查的提示

    我在 1 分钟内能拿出什么零食来与此图片中的内容搭配食用?

    描述此图片中的内容。

    另一种策略是要求模型说明其推理。这有助于您缩小推理失败的部分(如果有)。

    提示 用于问题排查的提示

    我在 1 分钟内能拿出什么零食来与此图片中的内容搭配食用?

    我在 1 分钟内能拿出什么零食来与此图片中的内容搭配食用?请说明原因。

    对采样参数调优

    在每个请求中,您不仅向模型发送多模态提示,还会发送一组采样参数。对于不同的参数值,模型会生成不同的结果。因此请尝试不同的参数,以获得任务的最佳值。最常调整的参数如下:

    • 温度
    • Top-P
    • Top-K

    温度

    温度用于在回答生成期间进行采样,这会在应用 top-P 和 top-K 时进行。温度可以控制词元选择的随机性。较低的温度有利于需要更具确定性、更少开放性或创造性回答的提示,而较高的温度可以带来更具多样性或创造性的结果。温度为 0 表示确定性,即始终选择概率最高的回答。

    对于大多数应用场景,不妨先试着将温度设为 0.4。如果您需要更具创造性的结果,请尝试提高温度。如果您观察到明显的幻觉,请尝试降低温度。

    Top-K

    Top-K 可更改模型选择输出词元的方式。如果 Top-K 设为 1,表示下一个所选词元是模型词汇表的所有词元中概率最高的词元(也称为贪心解码)。如果 Top-K 设为 3,则表示系统将从 3 个概率最高的词元(通过温度确定)中选择下一个词元。

    在每个词元选择步中,系统都会对概率最高的 Top-K 词元进行采样。然后,系统会根据 Top-P 进一步过滤词元,并使用温度采样选择最终的词元。

    指定较低的值可获得随机程度较低的回答,指定较高的值可获得随机程度较高的回答。 top-K 的默认值为 32。

    Top-P

    Top-P 可更改模型选择输出词元的方式。系统会按照概率从最高(见 Top-K)到最低的顺序选择词元,直到所选词元的概率总和等于 Top-P 的值。例如,如果词元 A、B 和 C 的概率分别为 0.6、0.3 和 0.1,并且 Top-P 的值为 0.9,则模型将选择 A 或 B 作为下一个词元(通过温度确定),并会排除 C 作为候选词元。

    指定较低的值可获得随机程度较低的回答,指定较高的值可获得随机程度较高的回答。 top-P 的默认值为 1.0。

    后续步骤