API Gemini của Google cung cấp một tính năng độc đáo được gọi là "thực thi mã" cho phép mô hình tạo và chạy mã Python, và học lặp đi lặp lại từ kết quả cho đến khi đạt được kết quả cuối cùng. Khả năng mạnh mẽ này cho phép các nhà phát triển xây dựng các ứng dụng hưởng lợi từ lý luận dựa trên mã, chẳng hạn như giải phương trình hoặc xử lý văn bản.

Các lợi ích chính của thực thi mã so với gọi hàm thông thường là:

1. Đơn giản: Mô hình ngôn ngữ quyết định xem liệu nó có cần viết mã để thực hiện một hoạt động nhất định hay không, và nó có thể chạy mã trong backend của API. Điều này đơn giản hơn nhiều so với thiết lập một môi trường phát triển và thực hiện nhiều cuộc gọi API.

2. Linh hoạt: Với thực thi mã, mô hình có thể lặp lại mã và tinh chỉnh kết quả, trong khi gọi hàm chỉ giới hạn trong một yêu cầu API duy nhất.

3. Cách ly: Việc thực thi mã diễn ra trong một môi trường hoàn toàn cách ly, điều này có nghĩa là các nhà phát triển không cần phải lo lắng về cơ sở hạ tầng cơ bản.

Tuy nhiên, tính năng thực thi mã cũng có một số hạn chế:

• Hiện tại chỉ giới hạn ở Python và một tập hợp cụ thể các thư viện (NumPy và SciPy).
• Không thể trả về các tài sản như tệp phương tiện hoặc xử lý đầu ra không phải là văn bản (ví dụ: biểu đồ dữ liệu).
• Thực thi mã bị giới hạn tối đa 30 giây, điều này có thể không phù hợp với tất cả các trường hợp sử dụng.

Mặc dù có những hạn chế này, tính năng thực thi mã có thể rất mạnh mẽ đối với các nhà phát triển, đặc biệt khi xây dựng các tác nhân với các mô hình Gemini 1.5 Flash hoặc Pro. Các ví dụ được cung cấp trong bản ghi âm cho thấy cách mô hình có thể tạo và thực thi mã để giải quyết các vấn đề khác nhau, bao gồm tính toán toán học, thao tác chuỗi, phân tích dữ liệu, thu thập dữ liệu từ web và thậm chí là huấn luyện mô hình học máy.

Bằng cách tận dụng khả năng thực thi mã, các nhà phát triển có thể tạo ra các ứng dụng tinh vi và có khả năng hơn, có thể hưởng lợi từ khả năng lý luận và giải quyết vấn đề lặp đi lặp lại của mô hình.

Các khác biệt chính giữa thực thi mã và gọi hàm thông thường trong bối cảnh các mô hình ngôn ngữ lớn (LLM) như Gemini là:

1. Thực thi mã:

   • LLM có thể tạo và thực thi mã trực tiếp trong backend của API.
   • Mô hình quyết định xem liệu nó có cần viết mã để thực hiện một hoạt động nhất định hay không và có thể chạy mã.
   • Đây là một yêu cầu API duy nhất, và việc thực thi mã diễn ra trong backend, cho phép mô hình lặp lại giải pháp.
   • Hiện tại chỉ giới hạn ở Python và các thư viện cụ thể như NumPy và SciPy.
   • Có các hạn chế như không có I/O tệp, không có đầu ra không phải là văn bản và giới hạn thời gian thực thi 30 giây.

2. Gọi hàm:

   • Cho phép tương tác với các API hoặc công cụ thực tế bằng cách sử dụng các hàm bên ngoài.
   • Yêu cầu cung cấp danh sách các công cụ mà mô hình có thể truy cập và thiết lập môi trường phát triển.
   • Có thể cần thực hiện nhiều cuộc gọi API để hoàn thành một nhiệm vụ.
   • Cung cấp linh hoạt hơn về ngôn ngữ, framework và chức năng.
   • Yêu cầu nhiều cài đặt và quản lý môi trường bên ngoài hơn.

Google khuyên nên sử dụng thực thi mã nếu nhiệm vụ có thể được thực hiện trong các khả năng được cung cấp, vì nó đơn giản hơn để sử dụng và không yêu cầu quản lý môi trường bên ngoài. Tuy nhiên, gọi hàm cung cấp nhiều linh hoạt hơn khi nhiệm vụ yêu cầu truy cập vào các tài nguyên hoặc chức năng bên ngoài không có sẵn trong môi trường thực thi mã.

API Gemini của Google cung cấp một tính năng mạnh mẽ được gọi là "thực thi mã" cho phép các nhà phát triển tạo và chạy mã Python trong API. Khả năng này cho phép xây dựng các ứng dụng hưởng lợi từ lý luận dựa trên mã, chẳng hạn như giải phương trình hoặc xử lý văn bản.

Hãy khám phá một số ví dụ về cách sử dụng tính năng này:

Toán học đơn giản

API Gemini có thể tạo và thực thi mã để thực hiện các phép toán cơ bản, chẳng hạn như tính tổng của 200 số nguyên tố đầu tiên.

# Tạo và thực thi mã để tính tổng
result = """
import math

primes = []
num = 2
while len(primes) < 200:
    is_prime = True
    for i in range(2, int(math.sqrt(num)) + 1):
        if num % i == 0:
            is_prime = False
            break
    if is_prime:
        primes.append(num)
    num += 1

total_sum = sum(primes)
print(f"The sum of the first 200 prime numbers is: {total_sum}")
"""

Kết quả hiển thị tổng của 200 số nguyên tố đầu tiên được tính toán.

Thao tác chuỗi

API Gemini cũng có thể tạo và thực thi mã để thực hiện các tác vụ thao tác chuỗi khác nhau, chẳng hạn như chuyển đổi một chuỗi thành chữ hoa, đếm số ký tự "o" và đảo ngược chuỗi.

# Tạo và thực thi mã để thao tác chuỗi
result = """
text = "hello world, welcome to Gemini API"

# Chuyển đổi thành chữ hoa
upper_text = text.upper()
print(f"Uppercase text: {upper_text}")

# Đếm số ký tự 'o'
o_count = text.count('o')
print(f"Number of 'o' characters: {o_count}")

# Đảo ngược chuỗi
reversed_text = text[::-1]
print(f"Reversed text: {reversed_text}")
"""

Kết quả hiển thị kết quả của các tác vụ thao tác chuỗi.

Phân tích dữ liệu

API Gemini có thể tạo và thực thi mã để thực hiện các tác vụ phân tích dữ liệu cơ bản, chẳng hạn như tạo số ngẫu nhiên, tính toán thống kê (trung bình, trung vị, chế độ) và tạo biểu đồ phân phối.

# Tạo và thực thi mã để phân tích dữ liệu
result = """
import numpy as np
import matplotlib.pyplot as plt

# Tạo số ngẫu nhiên trong khoảng từ 100 đến 1000
numbers = np.random.randint(100, 1001, size=1000)

# Tính toán thống kê
mean = np.mean(numbers)
median = np.median(numbers)
mode = stats.mode(numbers)[0]
min_value = np.min(numbers)
max_value = np.max(numbers)
total_sum = np.sum(numbers)

print(f"Mean: {mean:.2f}")
print(f"Median: {median:.2f}")
print(f"Mode: {mode}")
print(f"Minimum: {min_value}")
print(f"Maximum: {max_value}")
print(f"Sum: {total_sum}")

# Tạo biểu đồ phân phối
plt.hist(numbers, bins=30)
plt.xlabel("Value")
plt.ylabel("Frequency")
plt.title("Histogram of Random Numbers")
plt.show()
"""

Kết quả bao gồm các thống kê được tính toán và biểu đồ phân phối của các số ngẫu nhiên được tạo.

Các ví dụ này minh họa sự linh hoạt của tính năng thực thi mã trong API Gemini, cho phép các nhà phát triển tận dụng khả năng của mô hình để giải quyết một loạt các vấn đề một cách hiệu quả.

Tính năng thực thi mã của API Gemini cho phép các nhà phát triển không chỉ tạo mã mà còn thực thi nó trong backend của API. Khả năng này vượt ra ngoài các phép toán toán học đơn giản hoặc thao tác chuỗi, cho phép tạo các bản trực quan hóa dữ liệu và huấn luyện các mô hình học máy.

Khi kiểm tra tính năng thực thi mã, các ví dụ lời nhắc bao gồm một yêu cầu tạo biểu đồ phân phối. Mặc dù API có thể tạo ra mã Python cần thiết để tạo biểu đồ, nó không thể trực tiếp trả về tài sản biểu đồ. Tuy nhiên, mã được tạo ra có thể được thực thi cục bộ, cho phép nhà phát triển tạo ra bản trực quan hóa mong muốn.

Tương tự, API đã chứng minh khả năng tạo dữ liệu tổng hợp, chia nó thành các tập hợp huấn luyện và kiểm tra, tạo và huấn luyện một mô hình hồi quy tuyến tính, và đánh giá hiệu suất của mô hình trên tập kiểm tra. Một lần nữa, API trả về mã Python để thực hiện các nhiệm vụ này, mà nhà phát triển có thể chạy cục bộ để nhận được kết quả cuối cùng.

Các ví dụ này thể hiện sự linh hoạt của tính năng thực thi mã trong API Gemini. Các nhà phát triển có thể tận dụng khả năng này để xây dựng các ứng dụng yêu cầu xử lý dữ liệu, trực quan hóa và khả năng học máy nâng cao, mà không cần quản lý cơ sở hạ tầng cơ bản hoặc thiết lập các môi trường phát triển phức tạp. API sẽ xử lý việc tạo và thực thi mã, cho phép các nhà phát triển tập trung vào việc giải quyết vấn đề ở mức cao hơn và thiết kế ứng dụng.

API Gemini cung cấp một gói miễn phí cho các nhà phát triển để khám phá tính năng thực thi mã. Tuy nhiên, cần lưu ý một số hạn chế:

• Giới hạn yêu cầu: Gói miễn phí có giới hạn về số lượng yêu cầu bạn có thể thực hiện mỗi phút. Điều này nhằm ngăn chặn lạm dụng và đảm bảo sử dụng công bằng API.

• Thời gian thực thi: Tính năng thực thi mã có thời gian chạy tối đa là 30 giây. Bất kỳ mã nào vượt quá thời gian đó sẽ bị hết thời gian.

• Các thư viện được hỗ trợ: Môi trường thực thi mã có quyền