Présentation de Model Registry | Gemini Enterprise Agent Platform | Google Cloud Documentation

Passer au contenu principal

Domaines technologiques

IA et ML
Développement d'applications
Hébergement d'applications
Calcul
Analyses de données et pipelines
Bases de données
Solutions distribuées, hybrides et multicloud
Solutions par secteur d'activité
Migration
Mise en réseau
Observabilité et surveillance
Sécurité
Storage

Outils de produits croisés

Gestion des accès et des ressources
Gestion des coûts et de l'utilisation
Infrastructure as Code
SDK, langages, frameworks et outils

/

Console

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

Connexion

Gemini Enterprise Agent Platform

Commencer l'essai gratuit

Aperçu Studio Agents Modèles Notebooks

Agent Platform
IA générative

Blog des ingénieurs

Domaines technologiques
- Plus
- Aperçu
- Studio
- Agents
- Modèles
- Notebooks
- Tarifs
  - Plus
- Blog des ingénieurs
Outils de produits croisés
- Plus
Console

Aperçu
Guide du débutant
Premiers pas
Premiers pas avec Agent Platform
Développer du code d'API Gemini avec le SDK Gen AI
Se connecter au serveur MCP Knowledge
Obtenir une clé API
Configurer les identifiants par défaut de l'application
Migrer de Google AI Studio vers Agent Platform
Premiers pas avec Gemini 3
Bibliothèques Google GenAI
Cookbook sur l'IA générative
Accéder aux modèles Gemini à l'aide des bibliothèques OpenAI
Mode Express
Sélectionner des modèles
- Model Garden
- Présentation de Model Garden
- Utiliser des modèles dans Model Garden
- Tester les capacités du modèle
- Modèles Google
- Tous les modèles Google
- Gemini
  - Migrer vers les derniers modèles Gemini
  - Pro
  - 3.1 Pro
  - 3 Pro Image
  - 2.5 Pro
  - Flash
  - Gemini Omni Flash
  - 3.7 Flash
  - 3.6 Flash
  - 3.5 Flash
  - 3.1 Image Flash
  - 3 Flash
  - 2.5 Flash
  - Image 2.5 Flash
  - 2.5 API Flash Live
  - Flash Lite
  - 3.5 Flash-Lite
  - 3.1 Image Flash-Lite
  - 3.1 Flash-Lite
  - 2.5 Flash-Lite
  - Incorporation
  - Embedding Gemini 2
  - Robotique
  - Gemini Robotics ER 2
    Aperçu
    Raisonnement spatial
    Capacités agentives
    Orchestration des tâches
    Compréhension des vidéos
- Veo
- Lyria
  - Lyria 2
  - Lyria 3
- Essai virtuel
- Versions de modèle
- Modèles partenaires
- Présentation des modèles partenaires
- Claude
- Grok
  - Aperçu
  - API Responses
  - Appel de fonction
  - Sortie structurée
  - Raisonnement
  - Informations sur le modèle
  - Grok 4.1 Fast
  - Grok 4.20
  - Grok 4.3
- Mistral AI
  - Aperçu
  - Informations sur le modèle
  - Mistral Medium 3
  - Mistral OCR (25.05)
  - Mistral Small 3.1 (25.03)
  - Codestral 2
- Déployer des modèles partenaires depuis Model Garden
- Obsolescence des modèles partenaires
- Modèles ouverts
- Aperçu
- AlphaGenome
- DeepSeek
- Embedding (e5)
  - Multilingual E5 Small
  - Multilingual E5 Large
- Google Gemma
- Kimi
  - Aperçu
  - Kimi K2 Thinking
- Llama
  - Aperçu
  - Demander des prédictions
  - Informations sur le modèle
  - Llama 4 Maverick
  - Llama 4 Scout
  - Llama 3.3
- MiniMax
  - Aperçu
  - MiniMax M2
- OpenAI
- Qwen
- ZAI.org
- Modèles ouverts gérés (MaaS)
- Modèles ouverts déployés automatiquement
Créer
- Conception de requête
- Présentation des requêtes
- Stratégies de requête
- Conseils pour les requêtes spécifiques à la tâche
  - Concevoir des requêtes multimodales
  - Concevoir des requêtes de chat
- Capacités
- Sécurité
- Génération de texte et de code
- Génération d'images
- Génération de vidéos
- Génération de musique
- Analyse média
- URLs de contexte
- Modèles avec réflexion
- API Live
- Embeddings
- Traduction
- Générer un discours à partir de texte
- Transcrire des données vocales
- Outils de modélisation
- Exécution de code
- Utilisation d'un ordinateur
- Appel de fonction
- Surface de référence
- Outils de développement
- Utiliser des outils d'écriture basés sur l'IA
  - Aperçu
  - Optimiser des requêtes
    Aperçu
    Optimiseur zero-shot
    Optimiseur few-shot
    Optimiseur basé sur les données
  - Utiliser des modèles de requêtes
- Réglage de modèle
- Présentation du réglage
- Régler des modèles Gemini
  - Réglage supervisé
    À propos de l'affinage supervisé
    Préparer vos données
    Utiliser l'affinage supervisé
    
    Modalités acceptées
    Réglage du texte
    Réglage des documents
    Réglage des images
    Réglage audio
    Réglage vidéo
    Ajuster l'appel de fonction
  - Réglage fin par apprentissage par renforcement
    À propos du réglage fin par apprentissage par renforcement
    Démarrage rapide
    
    Job de réglage fin par apprentissage par renforcement
    Aperçu
    Ensemble de données de réglage
    Hyperparamètres
    Fonctions de récompense
    Métriques et surveillance
    Réglage continu
  - Réglage des préférences
    À propos du réglage des préférences
    Préparer vos données
    Utiliser le réglage des préférences
  - Utiliser des points de contrôle de réglage
  - Utiliser le réglage continu
  - Recommandations de réglage avec LoRA et QLoRA
- Modèles ouverts
  - Affinage supervisé et par distillation
- Modèles d'embeddings
  - Régler les modèles d'embeddings de texte
- Modèles de traduction
- Migrer
- Appeler des modèles Agent Platform à l'aide de bibliothèques OpenAI
Évaluer
- Aperçu
- Tutoriel : Effectuer une évaluation à l'aide de la console
- Effectuer une évaluation à l'aide du client GenAI dans le SDK Agent Platform
- Autres méthodes d'évaluation
- Évaluer à l'aide du module d'évaluation du SDK Agent Platform
- Exécuter le pipeline AutoSxS
- Exécuter un pipeline d'évaluation basé sur le calcul
Déployer
Administrer
Créer votre propre modèle
- Aperçu
- MLOps sur Agent Platform
- Interfaces pour Agent Platform
- Guides du débutant Agent Platform
  - Entraîner un modèle AutoML
  - Entraîner un modèle personnalisé
  - Obtenir des inférences à partir d'un modèle personnalisé
  - Entraîner un modèle à l'aide d'Agent Platform et du SDK Python
    Présentation
    Conditions préalables
    Créer un notebook
    Créer un ensemble de données
    Créer un script d'entraînement
    Entraîner un modèle
    Faire une inférence
- Frameworks de ML intégrés
  - PyTorch
  - TensorFlow
- Plate-forme d'agent pour les utilisateurs de BigQuery
- Glossaire
- Premiers pas
- Configurer un projet et un environnement de développement
- Installer le SDK Agent Platform pour Python
- S'authentifier auprès d'Agent Platform
- Choisir une méthode d'entraînement
- Suivez un tutoriel
  - Présentation des tutoriels
  - Tutoriels AutoML
    
    Données d'images Hello
    Aperçu
    Configurer votre projet et votre environnement
    Créer un ensemble de données et importer des images
    Entraîner un modèle de classification d'images AutoML
    Évaluer et analyser les performances du modèle
    Déployer un modèle sur un point de terminaison et effectuer une inférence
    Nettoyer votre projet
    
    Données tabulaires Hello