Testen Sie Gemini 1.5-Modelle, unsere neuesten multimodalen Modelle in Vertex AI, und erfahren Sie, was Sie mit einem 1 Mio. Tokenkontextfenster erstellen können. Tesen Sie Gemini 1.5-Modelle, unsere neuesten multimodalen Modelle in Vertex AI, und erfahren Sie, was Sie mit einem 1 Mio. Tokenkontextfenster erstellen können.

Generative AI auf Vertex AI-Kontingentlimits

Ein Kontingent schränkt ein, wie viel von einer bestimmten gemeinsam genutzten Google Cloud-Ressource Ihr Google Cloud-Projekt nutzen kann, einschließlich Hardware, Software und Netzwerkkomponenten. Daher sind Kontingente Teil eines Systems, das Folgendes tut:

Ihre Nutzung oder Ihren Verbrauch von Google Cloud-Produkten und -Diensten überwachen.
Ihren Verbrauch dieser Ressourcen einschränken, um u. a. für Fairness zu sorgen und Nutzungsspitzen zu reduzieren.
Konfigurationen verwalten, die automatisch vorgeschriebene Einschränkungen erzwingen.
Möglichkeit, das Kontingent anzufordern oder zu ändern.

Wenn ein Kontingentlimit überschritten wird, blockiert das System in den meisten Fällen den Zugriff auf die entsprechende Google-Ressource und die Aufgabe, die Sie ausführen möchten, schlägt fehl. In den meisten Fällen gelten Kontingente für jedes Google Cloud-Projekt und werden von allen Anwendungen und IP-Adressen geteilt, die dieses Google Cloud-Projekt verwenden.

Kontingente nach Region und Modell

Das Kontingent für Anfragen pro Minute gilt für ein Basismodell und alle Versionen, Kennungen und abgestimmte Versionen dieses Modells. Beispiel: Eine Anfrage an gemini-1.0-pro und eine Anfrage an gemini-1.0-pro-001 werden als zwei Anfragen auf das RPM-Kontingent des Basismodells gemini-1.0-pro angerechnet. Ebenso wird eine Anfrage an gemini-1.0-pro-001 und gemini-1.0-pro-002 als zwei Anfragen auf das RPM-Kontingent des Basismodells gemini-1.0-pro angerechnet. Dasselbe gilt für abgestimmte Modelle. Eine Anfrage an gemini-1.0-pro-001 und ein abgestimmtes Modell basierend auf gemini-1.0-pro-001 namens my-tuned-chat-model werden als zwei Anfragen an das Basismodell gemini-1.0-pro gezählt.

Die Kontingente gelten für Generative AI für Vertex AI-Anfragen für ein bestimmtes Google Cloud-Projekt und eine unterstützte Region.

So rufen Sie die Kontingente in der Google Cloud Console auf:

Öffnen Sie in der Google Cloud Console die IAM- und Administrator-Seite Kontingente.

Kontingente in der Console ansehen
Geben Sie im Feld Filter die Dimension oder den Messwert an.
- Dimension:Die Modell-ID. Beispiel: base_model:gemini-1.0-prooder base_model:text-bison
- Messwert:Die Kontingent-ID für Gemini-Modelle lautet aiplatform.googleapis.com/generate_content_requests_per_minute_per_project_per_base_model.

Wählen Sie eine Region aus, um die Kontingentlimits für jedes verfügbare Modell aufzurufen:

Batchkontingente

Die folgenden Kontingente und Limits sind für die Regionen von Generative AI auf Vertex AI-Batchvorhersagejobs gleich:

Kontingent	Wert
`textembedding_gecko_concurrent_batch_prediction_jobs`	4

Kontingente für benutzerdefiniert trainierte Modelle

Die folgenden Kontingente gelten für Generative AI von Vertex AI-Modellen für ein bestimmtes Projekt und eine bestimmte Region:

Kontingent	Wert
Eingeschränkte Image-Trainings-TPU V3 Pod-Kerne pro Region * unterstützte Region - europe-west4	64
Eingeschränktes Bildtraining Nvidia A100 80 GB GPUs pro Region * unterstützte Region - us-central1 * unterstützte Region - us-east4	8 2

* Feinabstimmungsszenarien haben Beschleunigerreservierungen in bestimmten Regionen. Kontingente für die Feinabstimmung werden unterstützt und müssen in bestimmten Regionen angefordert werden.

Kontingente für die Onlinebewertung

Der Online-Bewertungsdienst verwendet das Modell text-bison als Autorater mit IP-Prompts und Mechanismen von Google, um eine konsistente und objektive Bewertung modellbasierter Messwerte zu gewährleisten.

Eine einzelne Bewertungsanfrage für einen modellbasierten Messwert kann zu mehreren zugrunde liegenden Anfragen an den Onlinevorhersagedienst führen. Das Kontingent jedes Modells wird auf Projektbasis berechnet. Das bedeutet, dass alle Anfragen, die zur Modellinferenz und zur modellbasierten Bewertung an das text-bison gerichtet werden, zum Kontingent beitragen. Unterschiedliche Modellkontingente werden unterschiedlich festgelegt. Das Kontingent für den Bewertungsdienst und das Kontingent für das zugrunde liegende Autorater-Modell sind in der Tabelle angezeigt.

Anfragekontingent	Standardkontingent
Online-Bewertungsdienst-Anfragen pro Minute	1.000 Anfragen pro Projekt und Region
Anfragen für Onlinevorhersagen pro Minute für base_model, base_model: `text-bison`	1.600 Anfragen pro Projekt und Region

Wenn bei der Verwendung des Online-Bewertungsdienstes ein Fehler im Zusammenhang mit Kontingenten auftritt, müssen Sie möglicherweise eine Anfrage zur Kontingenterhöhung einreichen. Weitere Informationen finden Sie unter Kontingente aufrufen und verwalten.

Limit	Wert
Zeitlimit für Onlinebewertungsdienst-Anfragen	60 Sekunden

Bei Erstnutzern des Online-Bewertungsdienstes in einem neuen Projekt kann es zu einer Verzögerung für die Ersteinrichtung von bis zu zwei Minuten kommen. Das ist ein einmaliger Vorgang. Wenn Ihre erste Anfrage fehlschlägt, warten Sie einige Minuten und versuchen Sie es dann noch einmal. Nachfolgende Bewertungsanfragen werden in der Regel innerhalb von 60 Sekunden abgeschlossen.

Die maximalen Eingabe- und Ausgabetokens sind für die modellbasierten Messwerte gemäß dem Modell begrenzt, das als Autorater verwendet wird. Siehe Modellinformationen | Generative KI in Vertex AI | Google Cloud für Limits für relevante Modelle.

LlamaIndex auf Vertex AI-Kontingente für RAG

Die folgenden Kontingente gelten für die Ausführung von Retrieval-Augmented Generation (RAG) unter Verwendung von LlamaIndex in Vertex AI:

Dienst	Kontingent
LlamaIndex in Vertex AI Data Management APIs	60 Anfragen pro Minute (RPM)
`RetrievalContexts` API	1.500 RPM
Basismodell: `textembedding-gecko`	1.500 RPM
Anfragen für Onlinevorhersagen¹	30.000 RPM
Datenaufnahme	1.000 Dateien

¹ Dieses Kontingent gilt nur für öffentliche Endpunkte. Private Endpunkte haben eine unbegrenzte Anfragenzahl pro Minute.

Kontingente für die Pipelinebewertung

Wenn Sie bei der Verwendung des Pipelines-Bewertungsdienstes einen Fehler im Zusammenhang mit Kontingenten erhalten, müssen Sie möglicherweise eine Kontingenterhöhung beantragen. Weitere Informationen finden Sie unter Kontingente aufrufen und verwalten.

Der Pipelines-Bewertungsdienst verwendet Vertex AI Pipelines, um PipelineJobs auszuführen. Sehen Sie sich relevante Kontingente für Vertex AI Pipelines an. Im Folgenden finden Sie allgemeine Kontingentempfehlungen:

Dienst	Kontingent	Empfehlung
Vertex AI API	Gleichzeitige LLM-Batchvorhersagejobs pro Region	Punktweise: 1 * num_concurrent_pipelines Paarweise: 2 * num_concurrent_pipelines
Vertex AI API	Bewertungsanfragen pro Minute und Region	1.000 * num_concurrent_pipelines

Außerdem kann der Autorater bei der Berechnung modellbasierter Bewertungsmesswerte Kontingentprobleme verursachen. Das relevante Kontingent hängt davon ab, welcher Autorater verwendet wurde:

Aufgaben	Kontingent	Basismodell	Empfehlung
`summarization` `question_answering`	Anfragen für Onlinevorhersagen pro Basismodell pro Minute, Region und base_model	`text-bison`	60 * num_concurrent_pipelines

Vertex AI Pipelines

Jeder Abstimmungsjob verwendet Vertex AI Pipelines. Weitere Informationen finden Sie unter Vertex AI Pipelines-Kontingente und -Limits.

Dynamisches freigegebenes Kontingent

Bei Diensten, die dynamische gemeinsame Kontingente unterstützen, verteilt Google Cloud die On-Demand-Kapazität auf alle verarbeiteten Abfragen. Mit dieser Funktion müssen Sie keine Kontingenterhöhungsanfragen (QIRs) senden.

Informationen zum Anwenden einer Überschreibung durch den Nutzer auf Ihr Projekt zur Kostenkontrolle und zum Verhindern von Budgetüberschreitungen finden Sie unter Nutzerkontingentüberschreibung erstellen.

Wenn Sie einen bestimmten maximalen Durchsatz benötigen, wenden Sie sich an Ihren Google Cloud-Kundenbetreuer, um den bereitgestellten Durchsatz zu ermitteln.

Sie können Ihre Nutzung auch über Kontingente und Systemlimits in der Google Cloud Console überwachen.

Informationen zu Modellen, die dynamische gemeinsame Kontingente unterstützen, finden Sie unter Claude-Modelle von Anthropic verwenden.

Beispiel für die Funktionsweise dynamischer freigegebenen Kontingente

Google Cloud prüft die verfügbare Kapazität in einer bestimmten Region, z. B. Nordamerika, und prüft dann, wie viele Kunden Anfragen senden. Betrachten Sie Kunden A, der 25 Abfragen pro Minute (QPM) sendet, und Kunde B, der 25 QPM sendet. Der Dienst unterstützt 100 QPM. Wenn Kunde A die Rate seiner Abfragen auf 75 QPM erhöht, unterstützt das dynamische freigegebene Kontingent die Erhöhung. Wenn Kunde A die Rate seiner Abfragen auf 100 QPM erhöht, drosselt das dynamische freigegebene Kontingent Kunde A auf 75 QPM, um Kunde B weiterhin um 25 QPM bedienen zu können.

Um Fehler zu beheben, die bei der Verwendung von dynamischen freigegebenen Kontingenten vorkommen, lesen Sie Kontingentfehler beheben.

Kontingent erhöhen

Wenn Sie eines der Kontingente für die generative AI auf Vertex AI erhöhen möchten, können Sie über die Google Cloud Console eine Kontingenterhöhung anfordern. Weitere Informationen zu Kontingenten finden Sie unter Mit Kontingenten arbeiten.

Nächste Schritte

Weitere Informationen zu Vertex AI-Kontingenten und -Limits
Weitere Informationen zu Kontingenten und Limits von Google Cloud.