Obtén información de recursos persistentes | Gemini Enterprise Agent Platform | Google Cloud Documentation

Ir al contenido principal

Documentación

Comenzar

Comienza a usar Google Cloud
Lista de productos
Atención al cliente de Cloud

Productos destacados

Agent Platform
Administración de API de Apigee
BigQuery
Compute Engine
Cloud CDN
Cloud Run
Cloud Storage
Cloud SQL
Gemini Enterprise
con Google Kubernetes Engine.
Looker

Herramientas para uso entre productos

Administración de accesos y recursos
Administración de uso y costos
Infraestructura como código
SDK, lenguajes, frameworks y herramientas

Áreas de tecnología

IA y AA
Desarrollo de aplicaciones
Hosting de aplicaciones
Procesamiento
Canalizaciones y análisis de datos
Bases de datos
Nubes distribuidas, híbridas y múltiples
Soluciones de la industria
Migración
Redes
Observabilidad y supervisión
Seguridad
Storage

/

Consola

English
Deutsch
Español – América Latina
Français
Indonesia
Italiano
Português – Brasil
עברית
中文 – 简体
中文 – 繁體
日本語
한국어

Gemini Enterprise Agent Platform

Comenzar gratis

Descripción general Studio Agentes Modelos Notebooks Referencia de la API

Agent Platform
IA generativa

Blog sobre ingeniería

Documentación
- Más
- Descripción general
- Studio
- Agentes
- Modelos
- Notebooks
- Referencia de la API
- Precios
  - Más
- Blog sobre ingeniería
Consola

Descripción general
Guía para principiantes
Comenzar
Comienza a usar Agent Platform
Desarrolla código de la API de Gemini con el SDK de IA generativa
Conéctate al servidor de MCP de Knowledge
Obtén una clave de API
Configura las credenciales predeterminadas de la aplicación
Migra de Google AI Studio a Agent Platform
Comienza a usar Gemini 3
Guías para desarrolladores de modelos de Gemini
Bibliotecas de IA generativa de Google
Recetario de IA generativa
Accede a los modelos de Gemini con las bibliotecas de OpenAI
Modo Exprés
Selecciona modelos
- Model Garden
- Descripción general de Model Garden
- Usa modelos en Model Garden
- Prueba las capacidades del modelo
- Modelos de Google
- Todos los modelos de Google
- Gemini
  - Migra a los modelos de Gemini más recientes
  - Pro
  - 3.1 Pro
  - 2.5 Pro
  - Flash
  - 3.8 Flash
  - 3.7 Flash
  - 3.6 Flash
  - 3.5 Flash
  - 3 Flash
  - 2.5 Flash
  - 2.5 Flash Live API
  - Flash-Lite
  - 3.5 Flash-Lite
  - 3.1 Flash-Lite
  - 2.5 Flash-Lite
  - Imagen
  - Nano Banana 2.1
  - Nano Banana 2
  - Nano Banana 2 Lite
  - Nano Banana Pro
  - Nano Banana
  - Prueba virtual
  - Omni
  - Omni 1.1 Flash
  - Omni Flash
  - Cyber
  - 3.8 Flash Cyber
  - Activo
  - 3.8 En vivo
  - Text-to-Speech
  - TTS de Gemini 3.8 Flash
  - TTS de Gemini 3.8 Flash-Lite
  - Transcribir
  - Gemini 3.5 Transcribe
  - Traducir
  - Gemini 3.5 Live Translate
  - Embedding
  - Gemini Embedding 2
  - Robótica
  - Gemini Robotics ER 2
    Descripción general
    Razonamiento espacial
    Capacidades de agente
    Organización de tareas
    Comprensión de videos
- Veo
  - Veo 3
  - Veo 3.1
- Lyria
  - Lyria 2
  - Lyria
- Versiones del modelo
- Modelos de socios
- Descripción general de los modelos de socios
- Claude
- Grok
  - Descripción general
  - API de Responses
  - Llamada a función
  - Resultados estructurados
  - Razonamiento
  - Detalles del modelo
  - Grok 4.1 Fast
  - Grok 4.20
  - Grok 4.3
  - Grok 4.6
  - Grok 4.7
- Mistral AI
  - Descripción general
  - Detalles del modelo
  - Mistral Medium 3
  - OCR de Mistral (25/05)
  - Mistral Small 3.1 (25/03)
  - Codestral 2
- Meta
  - Descripción general
  - Detalles del modelo
  - Muse Spark 1.3
- Implementa modelos de socios desde Model Garden
- Bajas de modelos de socios
- Modelos abiertos
- Descripción general
- AlphaFold 3
- AlphaGenome
- DeepSeek
- Incorporación (e5)
  - Multilingual E5 Small
  - Multilingual E5 Large
- Google Gemma
- Kimi
  - Descripción general
  - Kimi K2 Thinking
- Llama
  - Descripción general
  - Solicitar predicciones
  - Detalles del modelo
  - Llama 4 Maverick
  - Llama 4 Scout
  - Llama 3.3
- MiniMax
  - Descripción general
  - MiniMax M2
- OpenAI
- Qwen
- ZAI.org
- Modelos abiertos administrados (MaaS)
- Modelos abiertos implementados por cuenta propia
Compilación
- Diseño de instrucciones
- Introducción a las instrucciones
- Estrategias de instrucciones
- Orientación sobre instrucciones específicas para la tarea
  - Diseña prompts multimodales
  - Diseña mensajes de chat
- Funciones
- Seguridad
- Generación de códigos y texto
- Generación de imágenes
- Generación de video
- Generación de música
- Generación de audio
- Análisis de medios
- Contexto de URL
- Razonamiento
- API de Interactions
  - Descripción general
  - Guía para desarrolladores
- API en vivo
- Embeddings
  - Descripción general
  - Incorporaciones de texto
    Obtener incorporaciones de texto
    Elige un tipo de tarea de embeddings
  - Obtén incorporaciones multimodales
  - Obtén inferencias de incorporaciones por lotes
- Traducción
- Transcribir voz
- Herramientas de modelado
- Ejecución de código
- Uso de la computadora
- Llamada a función
- Fundamentos
- Herramientas de desarrollo
- Usa herramientas de escritura de instrucciones potenciadas por IA
  - Descripción general
  - Optimiza las instrucciones
    Descripción general
    Optimizador sin ejemplos
    Optimizador con pocos ejemplos
    Optimizador basado en datos
  - Usa plantillas de instrucciones
  - Administra instrucciones con el SDK
- Ajuste de modelo
- Introducción al ajuste.
- Ajusta modelos de Gemini
  - Ajuste supervisado
    Acerca del ajuste supervisado
    Prepara los datos
    Usa el ajuste supervisado
    
    Modalidades admitidas
    Ajustes de texto
    Ajuste de documentos
    Ajuste de imagen
    Ajuste de audio
    Ajuste de video
    Ajusta la llamada a funciones
  - Ajuste del aprendizaje por refuerzo
    Acerca del ajuste del aprendizaje por refuerzo
    Guía de inicio rápido con la consola
    Guía de inicio rápido para usar la API
    
    Trabajo de ajuste del aprendizaje por refuerzo
    Descripción general
    Conjunto de datos de ajuste
    Hiperparámetros
    Funciones de recompensa
    Métricas y supervisión
    Ajuste continuo
  - Ajuste de preferencias
    Acerca del ajuste de preferencias
    Prepara los datos
    Cómo usar el ajuste de preferencias
  - Usa puntos de control de ajuste
  - Usa el ajuste continuo
  - Recomendaciones de ajuste con LoRA y QLoRA
- Modelos abiertos
  - Ajuste supervisado y por destilación
- Modelos de embeddings
  - Ajustar modelos de incorporaciones de texto
- Modelos de traducción
- Cómo migrar
- Llama a los modelos de Agent Platform con las bibliotecas de OpenAI
Evaluar
- Descripción general
- Instructivo: Realiza la evaluación con la consola
- Realiza la evaluación con el cliente de IA generativa en el SDK de Agent Platform
- Métodos de evaluación alternativos
- Realiza la evaluación con el módulo de evaluación del SDK de Agent Platform
- Ejecuta la canalización de AutoSxS
- Ejecuta una canalización de evaluación basada en procesamiento
Implementar
Administra
Crea tu propio modelo
- Descripción general
- MLOps en Agent Platform
- Interfaces para Agent Platform
- Guías para principiantes de Agent Platform
  - Entrena un modelo de AutoML
  - Entrena un modelo personalizado
  - Obtén inferencias a partir de un modelo personalizado
  - Entrena un modelo con Agent Platform y el SDK de Python
    Introducción
    Requisitos previos
    Crea un notebook
    Cómo crear un conjunto de datos
    Crea una secuencia de comandos de entrenamiento
    Entrenar un modelo
    Realiza una inferencia
- Marcos de trabajo de AA integrados
  - PyTorch
  - TensorFlow
- Agent Platform para usuarios de BigQuery
- Glosario
- Comenzar
- Configura un proyecto y un entorno de desarrollo
- Instala el SDK de Agent Platform para Python
- Autentica tu acceso a Agent Platform
- Elige un método de entrenamiento
- Prueba uno de los siguientes instructivos
  - Descripción general de los instructivos
  - Instructivos de AutoML
    
    Datos de imágenes de Hello
    Descripción general
    Configure su proyecto y su entorno.
    Crea un conjunto de datos y, luego, importa imágenes
    Entrena un modelo de clasificación de imágenes de AutoML
    Evalúa y analiza el rendimiento del modelo
    Implementa un modelo en un extremo y realiza una inferencia
    Limpie su proyecto.
    
    Datos tabulares de Hello
    Descripción general
    Configure su proyecto y su entorno.
    Crea un conjunto de datos y entrena un modelo de clasificación de AutoML
    Implementa un modelo y solicita una inferencia
    Limpie su proyecto.
  - Instructivos de entrenamiento personalizado
    Entrena un modelo tabular personalizado
    
    Entrenar un modelo de clasificación de imágenes de Keras para TensorFlow
    Descripción general
    Configure su proyecto y su entorno.
    Entrena un modelo de clasificación de imágenes personalizadas
    Entrega predicciones desde un modelo de clasificación de imágenes personalizadas
    Limpie su proyecto.
    Ajusta un modelo de clasificación de imágenes con datos personalizados
- Usa las herramientas de desarrollo de Agent Platform
- Descripción general de las herramientas de desarrollo
- Usa el SDK de Agent Platform
  - Descripción general
  - Introducción al SDK de Agent Platform para Python
  - Guía de migración de la versión 2.0.1 de Python
  - Clases del SDK de Agent Platform para Python
    Descripción general de las clases del SDK de Agent Platform
    Clases de datos
    Clases de entrenamiento
    Clases de modelo
    Clases de predicción
    Clases de seguimiento
- Compatibilidad con Terraform para Agent Platform
- Capacitación de Agent Platform
- Descripción general
- Entrenamiento sin servidores de Agent Platform
  - Descripción general del entrenamiento sin servidores en Agent Platform
  - Carga y prepara datos
    Descripción general de la preparación de datos
    Usa Cloud Storage como un sistema de archivos activado
    Activa un recurso compartido de NFS para el entrenamiento sin servidores
    Usar conjuntos de datos administrados
  - Prepara la aplicación de entrenamiento
    Información sobre el servicio de entrenamiento sin servidores
    Prepara el código de capacitación
    
    Usa contenedores compilados previamente
    Crear una aplicación de entrenamiento de Python para un contenedor previamente compilado
    Contenedores previamente compilados para el entrenamiento sin servidores
    
    Usar contenedores personalizados
    Contenedores personalizados para el entrenamiento sin servidores
    Crea un contenedor personalizado
    Crea contenedores y ejecuta código de entrenamiento de manera local
  - Entrena en un recurso persistente
    Descripción general
    Crear recurso persistente
    Ejecuta trabajos de entrenamiento en un recurso persistente
    Obtén información de recursos persistentes
    Reinicia un recurso persistente
    Borra un recurso persistente
  - Configura el trabajo de entrenamiento
    Elegir un método de entrenamiento personalizado
    Establecer la configuración del contenedor para el entrenamiento
    Configurar los recursos de procesamiento para el entrenamiento
    Usa reservas con el entrenamiento
    Usa VMs Spot con entrenamiento
  - Envía el trabajo de entrenamiento
    Crear trabajos personalizados
    
    Ajuste de hiperparámetros
    Descripción general del ajuste de hiperparámetros
    Usar el ajuste de hiperparámetro
    Crear canalizaciones de entrenamiento
    Programa trabajos según la disponibilidad de recursos
    Usar el entrenamiento distribuido
    Entrena con VM de Cloud TPU
    Usar IP privada para el entrenamiento personalizado
    Usa la interfaz de Private Service Connect para el entrenamiento (recomendado)
  - Supervisa y depura
    Supervisar y depurar el entrenamiento mediante una shell interactiva
    Rendimiento del entrenamiento de modelos de perfil