Mis on Gemini 3.8 Live Extended Thinking?
Gemini 3.8 Live Extended Thinking on Google'i stabiilne mudel reaalajas toimivate kahesuunaliste kõnerakenduste jaoks. See kuulub Gemini 3.8 Audio mudeliperre ja sellele pääseb ligi Gemini Live API kaudu, kasutades mudelitunnust gemini-3.8-live-extended-thinking.
Mudeli peamine eripära on pikendatud taustal toimuv arutlemine. Tavapärane kõneassistent püüab pärast kõneleja lõpetamist sageli vastuse võimalikult kiiresti anda. See mudel on mõeldud päringuteks, mis nõuavad mitut sammu: päringu mõistmist, lahenduse kavandamist, välise teabe otsimist, ühe või mitme tööriista kasutamist ning seejärel kasuliku suulise vastuse andmist.
Mudel võib selle töö jätkumise ajal aktiivseks jääda. Rakendused võivad saada vestluslikku heli, sealhulgas edenemist näitavaid täitesõnumeid, samal ajal kui mudel arutleb või välist tööriista ootab. See võib muuta pika toimingu loomulikumaks kui kasutaja vaikusesse jätmine, kuid tähendab ka seda, et arendajad peavad seansi elutsüklit hoolikamalt haldama.
Kuhu see Google'i mudelivalikus paigutub?
Gemini 3.8 Live Extended Thinking on spetsiaalne Live API mudel, mitte üldotstarbeline tekstimudel ega pildiloome mudel. Selle fookus on reaalajas multimodaalsel suhtlusel ning keerukate kõ töövoogude jaoks täiustatud arutlusvõimel. Mudeli dokumentatsioon paigutab selle standardse Gemini 3.8 Live mudelist eraldi. Viimane on sobivam valik siis, kui lihtsate suhtluste puhul on esmatähtis võimalikult lühike vastuseahel.
See eristus on oluline, sest mudel ei ole mõeldud kõiki võimeid korraga maksimeerima. See toetab otseülekandena toimivat voogedastust, heliväljundit, asünkroonseid tööriistu ja Google'i otsingu maandamist, kuid esitatud dokumentatsioon ei loetle selle konkreetse mudeli puhul pildiloomet, videoloomet, struktureeritud väljundeid, koodi käivitamist, failiotsingut, Google Mapsi maandamist, URL-i konteksti, vahemällu salvestamist ega pakktöötlust.
Põhivõimed ja toetatud modaalsused
Mudel võtab vastu nelja tüüpi sisendit:
- Tekst
- Pildid
- Heli
- Video
See väljastab teksti ja heli. Heliväljund on eriti oluline reaalajas töötavate kõneagentide jaoks, samas kui tekstiväljund võib olla kasulik transkriptsioonide, rakenduse oleku, juurdepääsetavusfunktsioonide või kõne- ja tekstivastuseid ühendavate liideste puhul. Kuigi mudel suudab sisendina töödelda pilte ja videot, ei tohiks seda käsitleda pildi- ega videoloomesüsteemina: pildi- ja videoväljundit toetatuna ei loetleta.
Live API voogedastus pakub interaktiivse seansi jaoks vajalikku kahesuunalist ühendust. Klient saab saata kasutaja sisendit ja vastu võtta mudeli sündmusi vestluse arenedes, selle asemel et oodata üht tavapärast päringu ja vastuse tehingut.
Kuidas pikendatud arutlemine seansihaldust muudab
Kõige olulisem rakendusdetail on see, et suulise vooru lõppemine ei tähenda tingimata kogu suhtluse lõppu. Sündmus turnComplete võib näidata, et kasutaja kõnevoor on lõppenud, kuigi taustal toimuv arutlemine või tööriista käivitamine jätkub.
Seetõttu peaksid kliendid jälgima olekut interaction_status ja ootama, kuni selle väärtuseks saab IDLE, enne kui käsitlevad töövoogu lõpetatuna. Seda erinevust on lihtne kahe silma vahele jätta, kui rakendus eeldab, et iga vooru lõpetamise sündmus tähistab kogu mudeli tegevuse lõppu.
Näiteks võib kasutaja paluda tugiagendil kontrollida vigade koode ja soovitada konfiguratsioonimuudatust. Mudel võib lõpetada suulise päringu töötlemise, kutsuda välise diagnostikateenuse, analüüsida tagastatud andmeid ning anda seejärel lõpliku suulise selgituse. Rakendus peab jääma valmis hilisemateks sündmusteks, mitte sulgema seanssi kohe pärast esimest lõpetamissignaali.
Asünkroonne funktsioonikutse
Funktsioonikutse võimaldab mudelil paluda rakendusel käivitada väline toiming, näiteks otsing, andmebaasipäring, broneeringu kontroll või diagnostikakontroll. Gemini 3.8 Live Extended Thinkingu puhul on funktsioonikutse dokumenteeritud ainult asünkroonse ja mitteblokeerivana. Sünkroonset blokeerivat käivitust ei toetata.
Praktikas peab klient tööriistapäringuid kinnitama ja haldama, eeldamata, et mudel peatub lihtsas, täielikult blokeerivas olekus. Mudel võib tööriista töötamise ajal vestluslikku kogemust jätkata, sealhulgas genereerida helilisi täitesõnumeid. Arendajad peaksid kavandama täiendavate mudelisõnumite jaoks pärast esialgset sündmust turnComplete ning siduma tööriistade tulemused õige reaalajas toimiva suhtlusega.
Arutlusvõime
Mõtlemise saab seadistada madalale, keskmisele või kõrgele tasemele. Esitatud mudeliteabe kohaselt minimaalset mõtlemistaset ei toetata. Saadaolevad tasemed võimaldavad tasakaalustada vastuse koostamise põhjalikkust latentsuse ja kuluga, kuigi iga taseme täpne käitumine sõltub rakendusest.
Extended Thinking on kõige kasulikum siis, kui päringul on mitu sõltuvust või enne enesekindlat vastamist on vaja kavandada tegevuskäik. Näiteks mitme reisipiirangu kooskõlastamine, tehnilise süsteemi tõrkeotsing, mitmeastmelise programmeerimislahenduse kontrollimine või äri-API kasutamine, mille vastamine võib aega võtta.
Kasu ei seisne lihtsalt pikemas vastuses. Oluline erinevus on see, et arutlemine võib jätkuda taustal, samal ajal kui reaalajas suhtlus jääb aktiivseks. Kompromiss seisneb selles, et lihtsad käsud ei pruugi täiendavast arutlusahelast kasu saada ning võivad tunduda võrreldes kiirema reaalajamudeliga tarbetult keerukad.
Tehnilised andmed
| Spetsifikatsioon | Kinnitatud väärtus |
|---|---|
| Mudeli ID | gemini-3.8-live-extended-thinking |
| Teenusepakkuja | Google DeepMind |
| Olek | Stabiilne ja üldiselt kättesaadav |
| Konteksti või sisendi piirang | 131,072 tokenit |
| Maksimaalne väljund | 65,536 tokenit |
| Sisendi modaalsused | Tekst, pilt, heli ja video |
| Väljundi modaalsused | Tekst ja heli |
| Live API | Toetatud |
| Mõtlemistasemed | Madal, keskmine ja kõrge |
| Funktsioonikutse | Ainult asünkroonne ja mitteblokeeriv |
| Google'i otsingu maandamine | Toetatud |
| Struktureeritud väljundid | Ei toetata |
| Batch API | Ei toetata |
| Viipade vahemällu salvestamine | Esitatud mudelidokumentatsioonis ei toetata |
Tokenipiirangud on selle mudeli kohta esitatud dokumenteeritud maksimumid. Neid ei tohiks tõlgendada garantiina, et iga reaalajas toimuv suhtlus kasutab kogu konteksti- või väljundimahtu, eriti kui töövoogu kuuluvad ka heli, voogedastussündmused, tööriistakutsed ja rakendusepoolne olek.
Teksti-, heli-, pildi- ja videosisendi hinnastus
Google loetleb selle mudeli Live API hinnastusgrupis. Tasuline standardhinnastus sõltub töödeldava sisu tüübist:
| Kasutuse tüüp | Hind |
|---|---|
| Tekstisisend | $0.75 miljoni tokeni kohta |
| Helisisend | $3.00 miljoni tokeni kohta või $0.005 minuti kohta |
| Pildi- või videosisend | $1.00 miljoni tokeni kohta või $0.002 minuti kohta |
| Tekstiväljund | $4.50 miljoni tokeni kohta |
| Heliväljund | $12.00 miljoni tokeni kohta või $0.018 minuti kohta |
Heliväljund on seega tokeni kohta märgatavalt kallim kui tekstiväljund, samas kui minutipõhine hinnastus võib kõnerakenduste puhul olla lihtsamini prognoositav. Rakenduse tegelik kulu sõltub sisendi ja väljundi mahust ning kestusest, valitud mõtlemistasemest, tööriistadega suhtluse arvust ja rakenduse seansi ülesehitusest. Esitatud uuringus ei täpsustata selle mudeli eraldi tellimishinda ega garanteeritud tasuta kasutusmahtu.
Kodeerimine, tööriistad ja praktiline integreerimine
Mudel võib olla kasulik kodeerimisega seotud kõnetöövoogudes, näiteks programmeerimisõpetajana, kes juhendab mitmeastmelise lahenduse koostamist, või tugiagendina, kes arutab logisid ja konfiguratsioonifaile. Mudeli kohta esitatud toimetuslik kodeerimishinnang on 7 punkti 10-st, kuid see on võrdlev toimetuslik hinne, mitte teenusepakkuja avaldatud võrdlustulemus.
Koodi käivitamist ennast ei ole toetatuna loetletud. See tähendab, et mudel võib koodi üle arutleda või taotleda välise rakenduse tööriista kasutamist, kuid arendajad ei tohiks eeldada, et Google käivitab selle mudeli loomupäraste võimete piires suvalist koodi. Samuti ei ole toetatuna loetletud failiotsingut ega URL-i konteksti, mistõttu peab dokumentide hankimise või veebilehtede töötlemise töövoog kasutama selgelt toetatud integratsiooni, mitte eeldatavat sisseehitatud funktsiooni.
Google'i otsingu maandamine on loetletud toetatuna. See võib aidata rakendusel reaalajas toimiva suhtluse ajal ajakohast välist teavet hankida, kuid maandamine ei muuda mudeli aluseks olevat teadmiste lõppkuupäeva. Esitatud uuringus ei avaldata selle konkreetse mudeli teadmiste lõppkuupäeva.
Peamised tugevused ja piirangud
Tugevused
- Loodud keerukaks reaalajas toimuvaks kõnesuhtluseks, mitte ainult lühikesteks käsu ja vastuse vahetusteks.
- Võib jätkata arutlemist pärast kõnevooru lõppu ja pakkuda töö käigus vestluslikku heli.
- Toetab multimodaalset sisendit, sealhulgas teksti, pilte, heli ja videot.
- Toetab asünkroonset tööriistakasutust pikaajaliste või mitteblokeerivate töövoogude puhul.
- Pakub seadistatavaid madala, keskmise ja kõrge mõtlemise tasemeid.
- Toetab Google'i otsingu maandamist ajakohase välise teabe saamiseks.
- Pakub nii teksti- kui ka heliväljundit rakendustele, mis vajavad kõnet koos transkriptsiooni või liidese sisuga.
Piirangud
- Seda on keerukam integreerida kui lihtsat päringu ja vastuse süsteemi või väikese latentsusega kõnemudelit.
turnCompleteei näita tingimata, et arutlemine ja tööriistad on lõpetanud; kliendid peavad jälgima olekutinteraction_status.- Funktsioonikutse on ainult asünkroonne; sünkroonseid blokeerivaid tööriistu ei toetata.
- Struktureeritud väljundeid ei toetata ning JSON-režiimi ei tohiks eeldada.
- Selle konkreetse mudeli puhul ei ole loetletud pildi- ega videoloomet, koodi käivitamist, failiotsingut, Mapsi maandamist, URL-i konteksti, vahemällu salvestamist ega pakktöötlust.
- Heliväljundil on loetletud tekstiväljundist kõrgem tokenipõhine hind.
- Lihtsad ja latentsuse suhtes tundlikud käsud ei pruugi õigustada täiendava arutlemise ja seansihaldusega kaasnevat koormust.
Parimad kasutusjuhud
Gemini 3.8 Live Extended Thinking sobib hästi olukordadesse, kus kasutaja ootab aktiivset kõnevestlust, kuid ülesannet ei saa ühe kohese vastusega usaldusväärselt lahendada. Sobivad näited on järgmised:
- Tehniline tugi: kõneliste kirjelduste, piltide, logide või veateabe uurimine, seejärel diagnostikatööriistade kasutamine ja tulemuse selgitamine.
- Reisi- ja broneerimisabi: mitme otsingu või piirangu kooskõlastamine, hoides kasutajat väliste päringute ajal toimuvaga kursis.
- STEM-i ja programmeerimise õpetamine: mitmeastmelise arutluse läbimine ja protsessi suuline selgitamine.
- Operatiivabilised: pikaajaliselt töötavate äri-API-de kasutamine, ilma et kasutaja peaks vaikuses ootama.
- Keerukad klienditeenindusülesanded: konto-, eeskirjade ja teenusesüsteemide põhjal vastuse kavandamine enne lõpliku vastuse andmist.
Millal seda mudelit valida?
Valige Gemini 3.8 Live Extended Thinking siis, kui taustal toimuv arutlemine, asünkroonsed tööriistad ja suuline edenemise kirjeldamine on keskse tähtsusega nõuded. See sobib eriti hästi juhul, kui reaalajas agent peab väliste toimingute ajal vestluslikuks jääma või kui ülesanne võidab põhjalikumast kavandamisest.
Valige lihtsam väikese latentsusega kõnevõimalus, näiteks esitatud uuringus viidatud standardne Gemini 3.8 Live, kui rakendus tegeleb peamiselt lühikeste käskude, kiirete küsimuste või etteaimatava vooruvahetusega. Struktureeritud väljunditega töövoogude jaoks võib sobida paremini tekstikeskne mudel, samas kui koodi käivitamise korral tuleks eelistada mudelit või töövoogu, kus see on toetatud. Seega ei sõltu valik niivõrd sellest, kas mudel suudab anda kõnevastuse, vaid sellest, kas rakendus vajab selle täiendavat arutluselutsüklit piisavalt, et õigustada suuremat keerukust ja potentsiaalselt suuremat kasutuskulu.
Kokkuvõte
Gemini 3.8 Live Extended Thinking on spetsiaalne reaalajas toimiv kõnemudel mitmeastmeliste ülesannete jaoks. Multimodaalse sisendi, heliväljundi, seadistatava mõtlemise, asünkroonse funktsioonikutse ja otsingu maandamise kombinatsioon muudab selle sobivaks agentidele, kes peavad uurima, kavandama ja tegutsema, mitte lihtsalt kohe vastama. Keskne rakendusreegel on käsitleda suhtlust lõpetatuna alles siis, kui mudel teatab olekust IDLE. Meeskonnad, kes suudavad seda elutsüklit hallata, saavad mudelist kõige rohkem kasu; kiireid ja lihtsaid häälkäsklusi loovatele meeskondadele võib paremini sobida vähem arutlemisele keskenduv alternatiiv.