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 |
|---|---|
将下图中显示的机场面板中的时间和城市解析为列表。 |
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 |
|---|---|
 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。 
|
城市：罗马，地标：斗兽场。 |
|
城市：北京，地标：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 |
|---|---|
|
|
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$$ b(n) = b(n-1) * (-3) $$ $$ b(1) = 15 $$
$$ b(4) = b(4-1) * (-3) $$ $$ b(4) = b(3) * (-3) $$ $$ b(3) = b(3-1) * (-3) $$ $$ b(3) = b(2) * (-3) $$ $$ b(2) = b(2-1) * (-3) $$ $$ b(2) = b(1) * (-3) $$ $$ b(2) = 15 * (-3) $$ $$ b(2) = -45 $$ $$ b(3) = b(2) * (-3) $$ $$ b(3) = -45 * (-3) $$ $$ b(3) = 135 $$ $$ b(4) = b(3) * (-3) $$ $$ b(4) = 135 * (-3) $$ $$ b(4) = -405 $$ 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 |
|
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， 你啃着又甜又绿的青草， |
| 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， 是那在阳光下熠熠生辉的， 小兔子，告诉我吧， 也许是眼前的一切， 小兔子，当你在草地上静静地坐着， 无论是什么，小兔子， |
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
- 使用 Generative AI Studio 或 Vertex AI API 尝试学习快速入门教程。
- 如需开始使用 Gemini API，请参阅 Gemini API 快速入门。