Arquivos de entrada compatíveis e requisitos para a API Gemini da Vertex

Ao chamar o Vertex AI Gemini API do seu app usando um SDK do Vertex AI in Firebase, você pode solicitar que o modelo do Gemini gere texto com base em uma entrada multimodal. Os comandos multimodais podem incluir várias modalidades (ou tipos de entrada), como texto com imagens, PDFs, vídeo e áudio.

Para as partes da entrada que não são de texto (como arquivos de mídia), é necessário usar tipos de arquivos com suporte, especificar um tipo MIME compatível e garantir que os arquivos e as solicitações multimodais atendam aos requisitos e sigam as práticas recomendadas.

Esta página descreve os tipos MIME compatíveis, as práticas recomendadas e as limitações para:

Requisitos específicos dos SDKs Vertex AI in Firebase

Para SDKs Vertex AI in Firebase, o tamanho máximo da solicitação é 20 MB. Você vai receber um erro HTTP 413 se uma solicitação for muito grande.


Imagens: requisitos, práticas recomendadas e limitações

Imagens: requisitos

Nesta seção, saiba mais sobre os tipos MIME compatíveis e os limites por solicitação de imagens.

Tipos MIME compatíveis

Os modelos multimodais do Gemini são compatíveis com os seguintes tipos MIME de imagem:

Tipo de Mime da imagem Gemini 1.5 Flash Gemini 1.5 Pro Gemini 1.0 Pro Vision
PNG - image/png
JPEG - image/jpeg
WebP: image/webp

Limites por solicitação

Não há um limite específico para o número de pixels em uma imagem. No entanto, imagens maiores são reduzidas e preenchidas para caber em uma resolução máxima de 3072 x 3072, preservando a proporção original.

Este é o número máximo de arquivos de imagem permitidos em uma solicitação de comando:

  • Gemini 1.0 Pro Vision: 16 imagens
  • Gemini 1.5 Flash e Gemini 1.5 Pro: 3.000 imagens

Imagens: tokenização

Veja como os tokens são calculados para imagens:

  • Gemini 1.0 Pro Vision: cada imagem representa 258 tokens.
  • Gemini 1.5 Flash e Gemini 1.5 Pro:
    • Se as duas dimensões de uma imagem forem menores ou iguais a 384 pixels, então 258 tokens serão usados.
    • Se uma dimensão de uma imagem for maior do que 384 pixels, a imagem será cortada em blocos. O padrão de cada tamanho de bloco é a menor dimensão (largura ou altura) dividida por 1,5. Se necessário, cada bloco é ajustado para não ser menor que 256 pixels nem maior que 768 pixels. Cada bloco é redimensionado para 768 x 768 e usa 258 tokens.

Imagens: práticas recomendadas

Ao usar imagens, siga as práticas recomendadas e informações a seguir para ter os melhores resultados.

  • Se você quiser detectar texto em uma imagem, use comandos com uma única imagem para produzir resultados melhores do que comandos com várias imagens.
  • Se o comando tiver apenas uma imagem, coloque-a antes do comando de texto na solicitação.
  • Se o comando tiver várias imagens e você quiser consultá-las posteriormente no comando ou fazer com que o modelo as mencione na resposta do modelo, atribua um índice a cada imagem antes da imagem. Use a b c ou image 1 image 2 image 3 no seu índice. Confira a seguir um exemplo de uso de imagens indexadas em um comando: 
    image 1 
image 2 
image 3 

Write a blogpost about my day using image 1 and image 2. Then, give me ideas
for tomorrow based on image 3.
  • Use imagens com resolução mais alta para gerar resultados melhores.
  • Inclua alguns exemplos no comando.
  • Gire as imagens para a orientação correta antes de adicioná-las ao comando.
  • Evite imagens desfocadas.

Imagens: limitações

Embora os modelos multimodais do Gemini sejam eficientes em muitos casos de uso multimodais, é importante entender as limitações dos modelos:

  • Moderação de conteúdo: os modelos se recusam a fornecer respostas sobre imagens que violam nossas políticas de segurança.
  • Raciocínio espacial: os modelos não são precisos para localizar texto ou objetos em imagens. Talvez eles retornem somente as contagens aproximadas de objetos.
  • Usos médicos: os modelos não são adequados para interpretar eimagens médicas (por exemplo, raios-X e tomografias computadorizadas) ou fornecer aconselhamento médico.
  • Reconhecimento de pessoas: os modelos não são usados para identificar pessoas que não são celebridades em imagens.
  • Precisão: os modelos podem apresentar alucinação artificial ou cometer erros ao interpretar imagens de baixa qualidade, rotacionadas ou de resolução extremamente baixa. Os modelos também podem apresentar erros ao interpretar texto escrito à mão em imagens ou documentos.


Vídeo: requisitos, práticas recomendadas e limitações

Vídeo: requisitos

Nesta seção, saiba mais sobre os tipos MIME e os limites por solicitação para vídeo.

Tipos MIME compatíveis

Os modelos multimodais do Gemini são compatíveis com os seguintes tipos MIME de vídeo:

Tipo de vídeo MIME Gemini 1.5 Flash Gemini 1.5 Pro Gemini 1.0 Pro Vision
FLV - video/x-flv
MOV - video/quicktime
MPEG - video/mpeg
MPEGPS - video/mpegps
MPG - video/mpg
MP4 - video/mp4
WEBM - video/webm
WMV - video/wmv
3GPP - video/3gpp

Limites por solicitação

Este é o número máximo de arquivos de vídeo permitidos em uma solicitação de comando:

  • Gemini 1.0 Pro Vision: 1 arquivo de vídeo
  • Gemini 1.5 Flash e Gemini 1.5 Pro: 10 arquivos de vídeo

Vídeo: tokenização

Confira como os tokens são calculados para vídeos:

  • Todos os modelos multimodais do Gemini: amostras de vídeos são feitas a 1 frame por segundo (QPS). Cada frame de vídeo representa 258 tokens.
  • Gemini 1.5 Flash e Gemini 1.5 Pro: a faixa de áudio é codificada com frames de vídeo. A faixa de áudio também é dividida em entroncamentos de um segundo, cada um representando 32 tokens. O frame de vídeo e os tokens de áudio são intercalados com os respectivos carimbos de data/hora. Os carimbos de data/hora são representados como sete tokens.

Vídeo: práticas recomendadas

Ao usar vídeos, siga as práticas recomendadas e informações a seguir para ter os melhores resultados:

  • Se o comando contiver um único vídeo, coloque o vídeo antes do comando de texto.
  • Se você precisar de localização de carimbo de data/hora em um vídeo com áudio, peça ao modelo para gerar carimbos de data/hora no formato MM:SS, em que os dois primeiros dígitos representam minutos e os dois últimos dígitos representam segundos. Use o mesmo formato para perguntas sobre carimbo de data/hora.

  • Se você estiver usando o Gemini 1.0 Pro Vision, observe o seguinte:

    • Use no máximo um vídeo por comando.
    • O modelo só processa as informações nos dois primeiros minutos do vídeo.
    • O modelo processa vídeos como frames de imagem não contíguos do vídeo. O áudio não está incluído. Se você notar que o modelo não contém parte do conteúdo do vídeo, tente encurtar o vídeo para que o modelo capture uma parte maior do conteúdo.
    • O modelo não processa nenhuma informação de áudio ou metadados de carimbo de data/hora. Por isso, o modelo pode não funcionar bem em casos de uso que exigem entrada de áudio, como legendas de áudio ou informações relacionadas ao tempo, como velocidade ou ritmo.

Vídeo: limitações

Embora os modelos multimodais do Gemini sejam eficientes em muitos casos de uso multimodais, é importante entender as limitações dos modelos:

  • Moderação de conteúdo: os modelos se recusam a responder a vídeos que violam nossas políticas de segurança.
  • Reconhecimento de som sem fala: os modelos compatíveis com áudio podem cometer erros ao reconhecer sons que não são fala.
  • Movimento de alta velocidade: os modelos podem cometer erros na compreensão do movimento de alta velocidade nos vídeos devido à taxa de amostragem fixa de 1 frame por segundo (QPS).
  • Pontuação da transcrição: (se estiver usando o Gemini 1.5 Flash) Os modelos podem retornar transcrições que não incluem pontuação.


Áudio: requisitos e limitações

Áudio: requisitos

Nesta seção, saiba mais sobre os tipos MIME e os limites por solicitação de áudio.

Tipos MIME compatíveis

Os modelos multimodais do Gemini são compatíveis com os seguintes tipos MIME de áudio:

Tipo MIME de áudio Gemini 1.5 Flash Gemini 1.5 Pro
AAC - audio/aac
FLAC - audio/flac
MP3 - audio/mp3
MPA - audio/m4a
MPEG - audio/mpeg
MPGA - audio/mpga
MP4 - audio/mp4
OPUS - audio/opus
PCM - audio/pcm
WAV - audio/wav
WEBM - audio/webm

Limites por solicitação

Você pode incluir no máximo 1 arquivo de áudio em uma solicitação de comando.

Áudio: limitações

Embora os modelos multimodais do Gemini sejam eficientes em muitos casos de uso multimodais, é importante entender as limitações dos modelos:

  • Reconhecimento de som sem fala: os modelos compatíveis com áudio podem cometer erros ao reconhecer sons que não são fala.
  • Carimbos de data/hora somente de áudio: para gerar carimbos de data/hora com precisão para arquivos somente de áudio, configure o parâmetro audio_timestamp em generation_config.
  • Pontuação da transcrição: (se estiver usando o Gemini 1.5 Flash) Os modelos podem retornar transcrições que não incluem pontuação.


Documentos (como PDFs): requisitos, práticas recomendadas e limitações

Documentos: requisitos

Nesta seção, saiba mais sobre os tipos MIME compatíveis e os limites por solicitação para documentos (como PDFs).

Tipos MIME compatíveis

Os modelos multimodais do Gemini oferecem suporte aos seguintes tipos MIME de documento:

Tipo MIME do documento Gemini 1.5 Flash Gemini 1.5 Pro Gemini 1.0 Pro Vision
PDF - application/pdf
Texto - text/plain

Limites por solicitação

PDFs são tratados como imagens, portanto, uma única página de um PDF é tratada como uma imagem. O número de páginas permitido em um comando é limitado ao número de imagens que o modelo aceita:

  • Gemini 1.0 Pro Vision: 16 páginas
  • Gemini 1.5 Pro e Gemini 1.5 Flash: 1.000 páginas

Documentos: Tokenização

Tokenização de PDFs

Os PDFs são tratados como imagens. Por isso, cada página de um PDF é tokenizada da mesma forma que uma imagem.

Além disso, o custo dos PDFs segue os preços de imagens do Gemini. Por exemplo, se você incluir um PDF de duas páginas em uma chamada da API Gemini, será cobrada uma taxa de entrada pelo processamento de duas imagens.

Tokenização de texto simples

Os documentos de texto simples são tokenizados como texto. Por exemplo, se você incluir um documento de texto simples de 100 palavras em uma chamada da API Gemini, será cobrada uma taxa de entrada pelo processamento de 100 palavras.

Documentos: práticas recomendadas

Ao usar PDFs, siga as práticas recomendadas e informações a seguir para ter os melhores resultados:

  • Se o comando tiver apenas um PDF, coloque-o antes do comando de texto.
  • Se você tiver um documento longo, considere dividi-lo em vários PDFs para processá-lo.
  • Use PDFs criados com texto renderizado como texto em vez de usar texto em imagens digitalizadas. Esse formato garante que o texto seja legível por máquina para que seja mais fácil editar, pesquisar e manipular o texto em comparação com PDFs de imagens digitalizadas. Essa prática fornece resultados ideais ao trabalhar com documentos com muito texto, como contratos.

Documentos: limitações

Embora os modelos multimodais do Gemini sejam eficientes em muitos casos de uso multimodais, é importante entender as limitações dos modelos:

  • Raciocínio espacial: os modelos não são precisos para localizar texto ou objetos em PDFs. Talvez eles retornem somente as contagens aproximadas de objetos.
  • Precisão: os modelos podem apresentar erros ao interpretar texto escrito à mão em documentos PDF.