Usar modelos abertos do Gemma | Gemini Enterprise Agent Platform | Google Cloud Documentation

Ir para o conteúdo principal

Documentação

Começar

Começar a usar o Google Cloud
Lista de produtos
Cloud Customer Care

Produtos em destaque

Agent Platform
Gerenciamento de APIs da Apigee
BigQuery
Compute Engine
Cloud CDN
Cloud Run
Cloud Storage
Cloud SQL
Gemini Enterprise
Google Kubernetes Engine
Looker

Ferramentas de vários produtos

Gerenciamento de recursos e acesso
Gerenciamento de custos e uso
Infraestrutura como código
SDK, linguagens, frameworks e ferramentas

Áreas de tecnologia

IA e ML
Desenvolvimento de aplicativos
Hospedagem de aplicativos
Computação
Pipelines e análises de dados
Bancos de dados
Distribuído, híbrido e multicloud
Soluções por setor
Migração
Rede
Observabilidade e monitoramento
Segurança
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

Gemini Enterprise Agent Platform

Comece sem custos financeiros

Visão geral Studio Agentes Modelos Notebooks

Agent Platform
IA generativa

Blog de desenvolvedores

Documentação
- Mais
- Visão geral
- Studio
- Agentes
- Modelos
- Notebooks
- Preço
  - Mais
- Blog de desenvolvedores
Console

Visão geral
Guia para iniciantes
Começar
Introdução à Agent Platform
Desenvolver código da API Gemini com o SDK da IA generativa
Conectar-se ao servidor MCP do Knowledge
consiga uma chave de API
Configurar as credenciais padrão do aplicativo
Migrar do Google AI Studio para a Agent Platform
Comece a usar o Gemini 3
Guias para desenvolvedores de modelos do Gemini
Bibliotecas de IA generativa do Google
Livro de receitas de IA generativa
Acessar modelos do Gemini usando bibliotecas da OpenAI
Modo expresso
Selecionar modelos
- Model Garden
- Visão geral do Model Garden
- Usar modelos no Model Garden
- Testar recursos do modelo
- Modelos do Google
- Todos os modelos do Google
- Gemini
  - Migrar para os modelos mais recentes do Gemini
  - Pro
  - 3.1 Pro
  - 3 Pro Image
  - 2.5 Pro
  - Flash
  - 3.8 Flash
  - 3.7 Flash
  - 3.6 Flash
  - 3.5 Flash
  - 3.1 Imagem em Flash
  - 3 Flash
  - 2.5 Flash
  - Imagem do 2.5 Flash
  - 2.5 Flash Live API
  - Flash Lite
  - 3.5 Flash Lite
  - 3.1 Flash-Lite Image
  - 3.1 Flash-Lite
  - 2.5 Flash-Lite
  - Omni
  - Omni 1.1 Flash
  - Omni Flash
  - Cyber
  - 3.8 Flash Cyber
  - Transcrever
  - Gemini 3.5 Transcribe
  - Traduzir
  - Gemini 3.5 Live Translate
  - Incorporação
  - Embedding do Gemini 2
  - Robótica
  - Gemini Robotics ER 2
    Visão geral
    Raciocínio espacial
    Recursos agênticos
    Orquestração de tarefas
    Compreensão do vídeo
- Veo
  - Veo 3
  - Veo 3.1
- Lyria
  - Lyria 2
  - Lyria 3
- Simulador virtual
- Versões do modelo
- Modelos de parceiros
- Visão geral dos modelos de parceiros
- Claude
- Grok
  - Visão geral
  - API Responses
  - Chamadas de função
  - Saída estruturada
  - Raciocínio
  - Detalhes do modelo
  - Grok 4.1 Fast
  - Grok 4.20
  - Grok 4.3
  - Grok 4.6
- Mistral AI
  - Visão geral
  - Detalhes do modelo
  - Mistral Medium 3
  - OCR do Mistral (25/05)
  - Mistral Small 3.1 (25/03)
  - Codestral 2
- Implantar modelos de parceiros do Model Garden
- Descontinuações de modelos de parceiros
- Modelos abertos
- Visão geral
- AlphaFold 3
- AlphaGenome
- DeepSeek
- Incorporação (e5)
  - E5 Small multilíngue
  - Multilíngue E5 Large
- Gemma do Google
- Kimi
  - Visão geral
  - Kimi K2 Thinking
- Llama
  - Visão geral
  - Solicitar previsões
  - Detalhes do modelo
  - Llama 4 Maverick
  - Llama 4 Scout
  - Llama 3.3
- MiniMax
  - Visão geral
  - MiniMax M2
- OpenAI
- Qwen
- ZAI.org
- Modelos abertos gerenciados (MaaS)
- Modelos abertos autoimplantados
Build
- Design de comandos
- Introdução à criação de comandos
- Estratégias de comando
- Orientação de comandos específicos para tarefas
  - Criar comandos multimodais
  - Criar prompts de chat
- Recursos
- Segurança
- Geração de textos e códigos
- Geração de imagens
- Geração de vídeo
- Geração de música
- Análise de mídia
- Contexto do URL
- Pensando
- API em tempo real
- Embeddings
- Tradução
- Gerar fala com base em texto
- Transcrever fala
- Ferramentas de modelo
- Execução de código
- Uso do computador
- Chamadas de função
- Embasamento
- Ferramentas para Desenvolvedores
- Usar recursos de escrita com tecnologia de IA para comandos
  - Visão geral
  - Otimizar comandos
    Visão geral
    Otimizador zero-shot
    Otimizador few-shot
    Otimizador orientado por dados
  - Usar modelos de comando
- Ajuste de modelos
- Introdução aos ajustes
- Ajuste de modelos do Gemini
  - Ajuste supervisionado
    Sobre o ajuste fino supervisionado
    Preparar os dados
    Usar o ajuste fino supervisionado
    
    Modalidades aceitas
    Ajuste de texto
    Ajuste de documentos
    Ajuste de imagem
    Ajuste de áudio
    Ajuste de vídeo
    Ajustar a chamada de função
  - Ajuste do aprendizado por reforço
    Sobre o ajuste do aprendizado por reforço
    Guia de início rápido sobre o uso do console
    Guia de início rápido sobre como usar a API
    
    Job de ajuste do aprendizado por reforço
    Visão geral
    Conjunto de dados de ajuste
    Hiperparâmetros
    Funções de recompensa
    Métricas e monitoramento
    Ajuste contínuo
  - Ajuste de preferências
    Sobre o ajuste de preferências
    Preparar os dados
    Usar o ajuste de preferências
  - Usar checkpoints de ajuste
  - Usar o ajuste contínuo
  - Recomendações de ajuste com a LoRA e a QLoRA
- Modelos abertos
  - Ajuste supervisionado e de destilação
- Modelos de embeddings
  - Ajustar modelos de incorporações de texto
- Modelos de tradução
- Migrar
- Chamar modelos da Agent Platform usando bibliotecas da OpenAI
Avaliar
- Visão geral
- Tutorial: realizar a avaliação usando o console
- Realizar a avaliação usando o cliente de IA generativa no SDK do Agent Platform
- Métodos de avaliação alternativos
- Avaliar usando o módulo de avaliação no SDK da Agent Platform
- Executar o pipeline AutoSxS
- Executar um pipeline de avaliação baseado em computação
Implantar
Administrar
Criar seu próprio modelo
- Visão geral
- MLOps na Agent Platform
- Interfaces da Agent Platform
- Guias para iniciantes da Agent Platform
  - Treinar um modelo do AutoML
  - Treinar um modelo personalizado
  - Receber inferências de um modelo personalizado
  - Treinar um modelo usando a Agent Platform e o SDK do Python
    Introdução
    Pré-requisitos
    Criar um notebook
    Criar conjunto de dados
    Criar um script de treinamento
    Treinar um modelo
    Fazer uma inferência
- Frameworks de ML integrados
  - PyTorch
  - TensorFlow
- Agent Platform para usuários do BigQuery
- Glossário
- Começar
- Configurar um projeto e um ambiente de desenvolvimento
- Instalar o SDK da Agent Platform para Python
- Autenticar na Agent Platform
- Escolha um método de treinamento
- Teste um tutorial
  - Visão geral dos tutoriais
  - Tutoriais do AutoML
    
    Dados de imagem do Hello
    Visão geral
    Configurar o projeto e o ambiente
    Criar um conjunto de dados e importar imagens
    Treinar um modelo de classificação de imagens do AutoML
    Avaliar e analisar o desempenho do modelo
    Implantar um modelo em um endpoint e fazer uma inferência
    Limpar o projeto
    
    Dados tabulares do Hello
    Visão geral
    Configurar o projeto e o ambiente
    Criar um conjunto de dados e treinar um modelo de classificação do AutoML
    Implantar um modelo e solicitar uma inferência
    Limpar o projeto
  - Tutoriais de treinamento personalizados
    Treinar um modelo tabular personalizado
    
    Treinar um modelo de classificação de imagens do TensorFlow Keras
    Visão geral
    Configurar o projeto e o ambiente
    Treinar um modelo de classificação de imagens personalizado
    Exibir previsões de um modelo de classificação de imagens personalizado
    Limpar o projeto
    Ajustar um modelo de classificação de imagens com dados personalizados
- Usar as ferramentas de desenvolvimento da Agent Platform
- Informações gerais das ferramentas de desenvolvimento
- Usar o SDK do Agent Platform
  - Visão geral
  - Introdução ao SDK da Agent Platform para Python
  - Guia de migração do Python versão 2.0.1
  - Classes do SDK da Agent Platform para Python
    Visão geral das classes do SDK da Agent Platform
    Classes de dados
    Classes de treinamento
    Classes de modelo
    Classes de previsão
    Classes de acompanhamento
- Suporte do Terraform para a Plataforma de agentes
- Treinamento da Agent Platform
- Visão geral
- Treinamento sem servidor da Agent Platform
  - Visão geral do treinamento sem servidor na Agent Platform
  - Carregar e preparar dados
    Visão geral da preparação de dados
    Usar o Cloud Storage como um sistema de arquivos ativado
    Ativar um compartilhamento de NFS para treinamento sem servidor
    Usar conjuntos de dados gerenciados
  - Preparar aplicativo de treinamento
    Entenda o serviço de treinamento sem servidor
    Preparar código de treinamento
    
    Usar contêineres pré-criados
    Criar um aplicativo de treinamento em Python para um contêiner pré-criado
    Contêineres pré-criados para treinamento sem servidor
    
    Usar contêineres personalizados
    Contêineres personalizados para treinamento sem servidor
    Criar um contêiner personalizado
    Coloque o código de treinamento em contêineres e faça a execução localmente
  - Treinamento em um recurso persistente
    Visão geral
    Criar recurso permanente
    Executar jobs de treinamento em um recurso persistente
    Receber informações de recursos persistentes
    Reinicializar um recurso persistente
    Excluir um recurso persistente
  - Configure o job de treinamento
    Escolher um método de treinamento personalizado
    Definir as configurações do contêiner para treinamento
    Configurar recursos de computação para treinamento
    Usar reservas com treinamento
    Usar VMs spot com o treinamento
  - Enviar o job de treinamento
    Criar jobs personalizados
    
    Ajuste de hiperparâmetros
    Informações gerais do ajuste de hiperparâmetro
    Usar o ajuste de hiperparâmetro
    Criar pipelines de treinamento
    Programar jobs com base na disponibilidade de recursos
    Usar o treinamento distribuído
    Como treinar com VMs do Cloud TPU
    Usar IP privado para treinamento personalizado
    Usar a interface do Private Service Connect para treinamento (recomendado)
  - Monitorar e depurar
    Monitorar e depurar o treinamento usando um shell interativo
    Desempenho do treinamento de modelo de perfil
  - Tutorial: criar um pipeline para treinamento contínuo
  - Criar restrições personalizadas de política da organização
- Clusters da Gemini Enterprise Agent Platform
  - Visão geral
  - Começar a usar os clusters de treinamento
  - Considerações sobre implantação
    Recursos de computação
    Rede
    Storage
    Orquestração
  - Criar e gerenciar clusters
    Criar cluster
    Mostrar clusters
    Gerenciar cluster
    Gerenciar contas e programação de jobs em um cluster
  - Resiliência do cluster
  - Monitorar eventos de resiliência com um painel
  - Guias de recursos
    Usar VMs de início flexível com clusters do Slurm
  - Executar carga de trabalho no cluster
    Executar cargas de trabalho pré-criadas
    Como visualizar jobs com o TensorBoard
    Gerenciar clusters de treinamento usando o Slurm
- Ray na Agent Platform
- Realizar pesquisa de arquitetura neural
- Otimizar usando o Agent Platform Vizier
  - Visão geral do Agent Platform Vizier
  - Criar estudos do Vizier no Agent Platform
- Desenvolvimento de modelos do AutoML
  - Visão geral do treinamento do AutoML
  - Dados de imagem
    
    Classificação
    Preparar dados
    Criar conjunto de dados
    Treinar modelo
    Avaliar o modelo
    Receber previsões
    Interpretar resultados
    
    Detecção de objetos
    Preparar dados
    Criar conjunto de dados
    Treinar modelo
    Avaliar o modelo
    Receber previsões
    Interpretar resultados
    Codificar dados de imagem usando Base64
    Exportar um modelo do AutoML Edge
  - Dados em tabela
    Visão geral
    Introdução aos dados tabulares
    
    Fluxos de trabalho tabulares
    Visão geral
    
    End to End AutoML
    Visão geral
    Treinar um modelo
    Receber inferências on-line
    Receber inferências em lote
    
    Previsão
    Visão geral
    Treinar um modelo
    Receber inferências on-line
    Receber inferências em lote
    Preço
    Contas de serviço
    Gerenciar cotas
    
    Fazer classificações e regressões com o AutoML
    Visão geral
    Guia de início rápido: classificação do AutoML (console do Cloud)
    Preparação de dados de treinamento
    Criar conjunto de dados
    Treinar um modelo
    Avaliar o modelo
    Ver arquitetura do modelo
    Receber inferências on-line
    Receber inferências em lote
    Exportar modelo
    
    Fazer previsões com o AutoML
    Visão geral
    Preparação de dados de treinamento
    Criar conjunto de dados
    Treinar um modelo
    Avaliar o modelo
    Receber inferências
    Previsão hierárquica
    Fazer previsões com o ARIMA+
    Fazer previsões com o Prophet
    Executar a reconciliação de entidade
    Atribuições de recursos para classificação e regressão
    Atribuições de recursos para previsão
    Tipos de dados e transformações para dados tabulares do AutoML
    Parâmetros de treinamento para previsão
    Divisões de dados tabulares
    Práticas recomendadas para criar dados de treinamento tabular
  - Treinar um modelo do AutoML Edge
    Como usar o Console
    Como usar a API
- Desenvolvimento de modelos de IA generativa
- Visão geral
- Criar e gerenciar conjuntos de dados
- Visão geral
- Divisões de dados para modelos do AutoML
- Criar um conjunto de anotações
- Excluir um conjunto de anotações
- Adicionar rótulos (console)
- Exportar metadados e anotações em um conjunto de dados
- Gerenciar versões de conjuntos de dados de imagens (somente API)
- Receber inferências
- Visão geral
- Configurar modelos para inferência
- Receber inferências on-line
- Receber inferências em lote
- Disponibilizar modelos de IA generativa
- Políticas personalizadas da organização
- Operações de machine learning (MLOps)
- Gerenciar recursos
  - Gerenciamento de recursos na Agent Platform
  - Feature Store da Agent Platform
    Sobre a Feature Store da Agent Platform
    
    Configurar recursos
    Preparar fonte de dados
    Criar um grupo de elementos
    Criar um recurso
    
    Configurar a veiculação on-line
    Tipos de veiculação on-line
    Criar uma instância de loja on-line
    Criar uma instância de visualização de recursos
    
    Controle o acesso
    Controlar o acesso a recursos
    
    Sincronizar loja on-line
    Iniciar uma sincronização de dados
    Listar operações de sincronização
    Atualizar recursos em uma visualização de recursos
    
    Disponibilizar recursos
    Veicular atributos na loja on-line
    Exibir valores de atributos históricos
    
    Monitoramento
    Recursos de monitoramento
    
    Gerenciar recursos de funcionalidades
    Listar grupos de recursos
    Listar recursos
    Atualizar um grupo de recursos
    Atualizar um recursos
    Excluir um grupo de recursos
    Excluir um recurso
    
    Gerenciar recursos de lojas on-line
    Listar lojas on-line
    Visualizações de recursos em lista
    Atualizar uma loja on-line
    Atualizar uma visualização de recurso
    Excluir uma loja on-line
    Excluir uma visualização de recurso
    
    Metadados do recurso
    Atualizar rótulos
    
    Pesquisar recursos
    Pesquisar recursos
    Pesquisar metadados de recursos no Data Catalog
    
    Gerenciar incorporações
    Pesquisar usando embeddings
    
    Tutoriais de notebook
    Notebooks de tutorial do Feature Store da Agent Platform
- Gerenciar modelos
- Avaliar modelos
  - Avaliação de modelos na Agent Platform
  - Fazer avaliação de modelo na Agent Platform
  - Avaliação do modelo para imparcialidade
    Introdução à avaliação de modelos para imparcialidade
    Métricas de viés nos dados para a Agent Platform
    Métricas de viés do modelo para a Agent Platform
- Orquestrar fluxos de trabalho de ML usando pipelines
  - Introdução
  - Interfaces
  - Configurar seu projeto
  - Construir um canal
  - Executar um pipeline
  - Usar modelos de pipeline
    Criar, fazer upload e usar um modelo de pipeline
    Usar um modelo pré-criado da Galeria de modelos
  - Configurar o pipeline
    Configurar o cache de execução
    Configurar a política de falha
    Configurar novas tentativas para uma tarefa de pipeline
    Especificar tipos de máquina para uma etapa de pipeline
    Solicitar recursos de máquina do Google Cloud com os pipelines do Agent Platform
    Configurar a interface do Private Service Connect (recomendado)
    Configurar secrets com o Secret Manager
    Configurar uma execução de pipeline em um recurso permanente
  - Programar e acionar execuções de pipeline
    Programar uma execução de pipeline com a API Scheduler
    Acionar uma execução de pipeline com o Pub/Sub
  - Cancelar ou excluir execuções de pipeline
    Cancelar execuções de pipeline
    Excluir execuções de pipeline
  - Executar um pipeline novamente
  - Monitorar a execução do pipeline
    Conferir métricas de pipeline
    Ver registros do job de pipeline
    Encaminhar registros para um coletor do Cloud Pub/Sub
    Configurar notificações por e-mail
  - Visualizar resultados
    Visualizar e analisar resultados de pipeline
    Rastrear a linhagem de artefatos de pipeline
    HTML de saída e Markdown
  - Rotulagem de recursos pelos pipelines da Agent Platform
  - Entender os custos de execução do pipeline
  - Migrar do Kubeflow Pipelines para os pipelines da Agent Platform
  - Usar restrições personalizadas
  - Componentes do Google Cloud Pipeline
    Início rápido
    Introdução aos componentes de pipeline do Google Cloud
    Lista de componentes do Google Cloud Pipeline
    Usar componentes de pipeline do Google Cloud
    Criar os próprios componentes de pipeline
  - Tutoriais dos pipelines da Agent Platform
    Notebooks de tutorial
- Acompanhar e analisar metadados de ML
- Monitorar a qualidade do modelo
  - Introdução ao monitoramento de modelos
  - Monitoramento de modelos v2
    Configurar o monitoramento de modelos
    Executar jobs de monitoramento
    Gerenciar monitores de modelos
  - Monitoramento de modelos v1
    Fornecer esquemas para o monitoramento de modelos
    Detectar desvios e deslocamentos de recursos
    Monitoramento de modelos para previsões em lote
- Acompanhar experimentos
- Administrar
- Controle de acesso