Vertex AI TensorBoard mit benutzerdefiniertem Training verwenden | Gemini Enterprise Agent Platform | Google Cloud Documentation

Zum Hauptinhalt springen

Dokumentation

Jetzt starten

Erste Schritte mit Google Cloud
Produktliste
Cloud Customer Care

Vorgestellte Produkte

Agent Platform
API-Verwaltung mit Apigee
BigQuery
Compute Engine
Cloud CDN
Cloud Run
Cloud Storage
Cloud SQL
Gemini Enterprise
Google Kubernetes Engine
Looker

Produktübergreifende Tools

Zugriffs- und Ressourcenverwaltung
Kosten- und Nutzungsmanagement
Infrastruktur als Code
SDK, Sprachen, Frameworks und Tools

Technologiebereiche

KI und ML
Anwendungsentwicklung
Anwendungshosting
Compute
Datenanalyse und Pipelines
Datenbanken
Verteilt, Hybrid und Multi-Cloud
Branchenlösungen
Migration
Netzwerk
Beobachtbarkeit und Monitoring
Sicherheit
Storage

/

Console

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

Anmelden

Gemini Enterprise Agent Platform

Jetzt kostenlos testen

Übersicht Studio Agenten Modelle Notebooks API-Referenz

Agent Platform
Generative KI

Engineering-Blog

Dokumentation
- Mehr
- Übersicht
- Studio
- Agenten
- Modelle
- Notebooks
- API-Referenz
- Preise
  - Mehr
- Engineering-Blog
Console

Übersicht
Erste Schritte
Los gehts
Erste Schritte mit der Agent Platform
Gemini API-Code mit dem Gen AI SDK entwickeln
Verbindung zum Knowledge-MCP-Server herstellen
API-Schlüssel abrufen
Standardanmeldedaten für Anwendungen konfigurieren
Von Google AI Studio zur Agent Platform migrieren
Erste Schritte mit Gemini 3
Entwicklerleitfäden für Gemini-Modelle
Google GenAI-Bibliotheken
Kochbuch für generative KI
Mit OpenAI-Bibliotheken auf Gemini-Modelle zugreifen
Expressmodus
Modelle auswählen
- Model Garden
- Übersicht über Model Garden
- Modelle in Model Garden verwenden
- Modellfunktionen testen
- Google-Modelle
- Alle Google-Modelle
- Gemini
  - Auf die neuesten Gemini-Modelle migrieren
  - Pro
  - 3.1 Pro
  - 2.5 Pro
  - Blitz
  - 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
  - Bild
  - Nano Banana 2.1
  - Nano Banana
  - Nano Banana 2 Lite
  - Nano Banana Pro
  - Nano Banana
  - Virtueller Test
  - Omni
  - Omni 1.1 Flash
  - Omni Flash
  - Cyber
  - 3.8 Flash Cyber
  - Livestreams
  - 3.8 Live
  - Text-to-Speech
  - Gemini 3.8 Flash TTS
  - Gemini 3.8 Flash-Lite TTS
  - Transkribieren
  - Gemini 3.5 Transcribe
  - Übersetzen
  - Gemini 3.5 Live-Übersetzung
  - Einbetten
  - Gemini Embedding 2
  - Robotertechnik
  - Gemini Robotics ER 2
    Übersicht
    Räumliches Denken
    Agentische Funktionen
    Aufgabenorchestrierung
    Videos verstehen
- Veo
  - Veo 3
  - Veo 3.1
- Lyria
  - Lyria 2
  - Lyria 3
- Modellversionen
- Partnermodelle
- Übersicht über Partnermodelle
- Claude
  - Übersicht
  - Vorhersagen anfragen
  - Kontingente für Anthropic Claude-Modelle
  - Batchvorhersagen
  - Strukturierte Ausgaben
  - Prompt-Caching
  - Tokens zählen
  - Websuche
  - Sicherheitsklassifikatoren
  - Cyber Verification Program
  - Claude-Modelle
  - Fable
  - Fable 5.1
  - Fabel 5
  - Opus
  - Opus 5.5
  - Opus 5
  - Opus 4.8
  - Opus 4.7
  - Opus 4.6
  - Opus 4.5
  - Opus 4.1
  - Opus 4
  - Sonnet
  - Sonnet 5.5
  - Sonnet 5
  - Sonnet 4.6
  - Sonnet 4.5
  - Sonnet 4
  - Haiku
  - Haiku 5.5
  - Haiku 4.5
- Grok
- Mistral AI
  - Übersicht
  - Modelldetails
  - Mistral Medium 3
  - Mistral OCR (25.05)
  - Mistral Small 3.1 (25.03)
  - Codestral 2
- Meta
  - Übersicht
  - Modelldetails
  - Muse Spark 1.3
- Partnermodelle aus Model Garden bereitstellen
- Einstellung von Partnermodellen
- Offene Modelle
- Übersicht
- AlphaFold 3
- AlphaGenome
- DeepSeek
- Einbettung (e5)
  - Mehrsprachig E5 Small
  - Mehrsprachig E5 Large
- Google Gemma
- Kimi
  - Übersicht
  - Kimi K2 Thinking
- Llama 3
  - Übersicht
  - Vorhersagen anfragen
  - Modelldetails
  - Llama 4 Maverick
  - Llama 4 Scout
  - Llama 3.3
- MiniMax
  - Übersicht
  - MiniMax M2
- OpenAI
- Qwen
- ZAI.org
- Verwaltete offene Modelle (MaaS)
- Selbst bereitgestellte offene Modelle
Build
- Prompt-Design
- Einführung in die Prompts
- Prompt-Strategien
- Aufgabenspezifische Anleitung für Prompts
  - Multimodale Prompts entwerfen
  - Chat-Prompts gestalten
- Leistungsspektrum
- Sicherheit
- Text- und Codegenerierung
- Bildgenerierung
- Videogenerierung
- Musikgenerierung
- Audiogenerierung
- Media-Analyse
- URL-Kontext
- Wird generiert
- Interactions API
  - Übersicht
  - Entwicklerleitfaden
- Live API
- Einbettungen
- Übersetzung
- Gesprochenes transkribieren
- Modelltools
- Codeausführung
- Computernutzung
- Funktionsaufrufe
- Fundierung
- Entwicklungstools
- KI-gestützte Tools zum Schreiben von Prompts verwenden
  - Übersicht
  - Prompts optimieren
    Übersicht
    Zero-Shot-Optimierung
    Few-Shot-Optimierer
    Datengesteuerte Optimierung
  - Promptvorlagen verwenden
  - Prompts mit dem SDK verwalten
- Modellabstimmung
- Einführung in die Feinabstimmung
- Gemini-Modelle abstimmen
  - Überwachte Feinabstimmung
    Überwachte Feinabstimmung
    Daten vorbereiten
    Überwachte Feinabstimmung verwenden
    
    Unterstützte Modalitäten
    Textoptimierung
    Dokumentoptimierung
    Bildoptimierung
    Audio-Optimierung
    Video-Optimierung
    Funktionsaufrufe optimieren
  - Abstimmung für Reinforcement Learning
    Abstimmung für Reinforcement Learning
    Schneller Einstieg mit der Konsole
    Kurzanleitung zur API
    
    Job für die Feinabstimmung für Reinforcement Learning
    Übersicht
    Abstimmungs-Dataset
    Hyperparameter
    Belohnungsfunktionen
    Messwerte und Monitoring
    Kontinuierliche Optimierung