运行基于计算的评估流水线 | Gemini Enterprise Agent Platform | Google Cloud Documentation

跳至主要内容

技术领域

AI 和机器学习
应用开发
应用托管
计算
数据分析和流水线
数据库
分布式云、混合云和多云
行业解决方案
迁移
网络
可观测性和监控
安全
Storage

跨产品工具

访问权限和资源管理
费用和用量管理
基础设施即代码
SDK、语言、框架和工具

/

控制台

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

免费开始使用吧

概览 Studio 代理模型笔记本

Agent Platform
生成式 AI

工程博客

技术领域
- 更多
- 概览
- Studio
- 代理
- 模型
- 笔记本
- 价格
  - 更多
- 工程博客
跨产品工具
- 更多
控制台

概览
新手指南
开始使用
开始使用 Agent Platform
使用 Gen AI SDK 开发 Gemini API 代码
获取 API 密钥
配置应用默认凭证
从 Google AI Studio 迁移到 Agent Platform
开始使用 Gemini 3
Gemini 3 提示指南
Google GenAI 库
生成式 AI 实战宝典
使用 OpenAI 库访问 Gemini 模型
快速模式
选择模型
- Model Garden
- Model Garden 概览
- 使用 Model Garden 中的模型
- 测试模型功能
- Google 模型
- 所有 Google 模型
- Gemini
- Veo
- Lyria
  - Lyria 2
  - Lyria 3
- 模型版本
- 合作伙伴模型
- 合作伙伴模式概览
- Claude
- Grok
  - 概览
  - Responses API
  - 函数调用
  - 结构化输出
  - 推理
  - 模型详情
  - Grok 4.1 Fast
  - Grok 4.20
  - Grok 4.3
- Mistral AI
  - 概览
  - 模型详情
  - Mistral Medium 3
  - Mistral OCR (25.05)
  - Mistral Small 3.1 (25.03)
  - Codestral 2
- 从 Model Garden 部署合作伙伴模型
- 合作伙伴模型弃用
- 开放式模型
- 概览
- AlphaGenome
- DeepSeek
- 嵌入 (e5)
  - Multilingual E5 Small
  - Multilingual E5 Large
- Google Gemma
- Kimi
  - 概览
  - Kimi K2 思考
- Llama
  - 概览
  - 请求预测
  - 模型详情
  - Llama 4 Maverick
  - Llama 4 Scout
  - Llama 3.3
- MiniMax
  - 概览
  - MiniMax M2
- OpenAI
- Qwen
- ZAI.org
- 受管理的开放模型 (MaaS)
- 自行部署的开放模型
构建
- 提示设计
- 提示简介
- 提示策略
- 针对特定任务的提示指导
  - 设计多模态提示
  - 设计聊天提示
- 功能
- 安全
- 文本和代码生成
- 图片生成
- 视频生成
- 音乐生成
- 媒体分析
- 落地
- 网址上下文
- 思考型
  - 概览
  - 思考签名
- 计算机使用
- Live API
- Embeddings
  - 概览
  - 文本嵌入
    获取文本嵌入
    选择嵌入任务类型
  - 获取多模态嵌入
  - 获取批量嵌入推理结果
- 翻译
- 根据文本生成语音
- 语音转写
- 开发工具
- 使用 AI 赋能的提示撰写工具
  - 概览
  - 优化提示
    概览
    零样本优化器
    少样本优化器
    数据驱动的优化器
  - 使用提示模板
- 模型调优
- 调优简介
- 调优 Gemini 模型
  - 监督式微调
    监督式微调简介
    准备数据
    使用监督式微调
    
    支持的模态
    文本调优
    文档调整
    图片调优
    音频调谐
    视频调优
    调优函数调用
  - 强化学习微调
    强化学习微调简介
    快速入门
    
    强化学习微调作业
    概览
    调参数据集
    超参数
    奖励函数
    指标和监控
    持续调优
  - 偏好调优
    关于偏好调优
    准备数据
    使用偏好调优
  - 使用调优检查点
  - 使用持续调优
  - 关于 LoRA 和 QLoRA 的调优建议
  - 蒸馏
- 开放模型
  - 监督式微调和提炼微调
- 嵌入模型
  - 调优文本嵌入模型
- 翻译模型
- 迁移
- 使用 OpenAI 库调用 Agent Platform 模型
评估
- 概览
- 教程：使用控制台执行评估
- 使用 Agent Platform SDK 中的生成式 AI 客户端执行评估
- 其他评估方法
- 使用 Agent Platform SDK 中的评估模块执行评估
- 运行 AutoSxS 流水线
- 运行基于计算的评估流水线
部署
管理
构建您自己的模型
- 概览
- Agent Platform 上的 MLOps
- Agent Platform 的接口
- Agent Platform 初学者指南
  - 训练 AutoML 模型
  - 训练自定义模型
  - 通过自定义模型获取推理结果
  - 使用 Agent Platform 和 Python SDK 训练模型
    简介
    前提条件
    创建笔记本
    创建数据集
    创建训练脚本
    训练模型
    进行推理
- 集成式机器学习框架
  - PyTorch
  - TensorFlow
- 面向 BigQuery 用户的 Agent Platform
- 术语库
- 开始使用
- 设置项目和开发环境
- 安装 Agent Platform SDK for Python
- 向 Agent Platform 进行身份验证
- 选择训练方法
- 试用教程
  - 教程概览
  - AutoML 教程
    
    Hello 图片数据
    概览
    设置您的项目和环境
    创建数据集并导入图片
    训练 AutoML 图片分类模型
    评估和分析模型性能
    将模型部署到端点并进行推理
    清理您的项目
    
    Hello 表格数据
    概览
    设置您的项目和环境
    创建数据集并训练 AutoML 分类模型
    部署模型并请求推理
    清理您的项目
  - 自定义训练教程
    训练自定义表格模型
    
    训练 TensorFlow Keras 图片分类模型