顯示具有 LLM 標籤的文章。 顯示所有文章
顯示具有 LLM 標籤的文章。 顯示所有文章

2025年10月12日 星期日

Gemini 模型功能 vs 價格比對表

 

Gemini 模型功能 vs 價格比對表

模型名稱是否支援影像／多模態輸入輸出型態輸入 token / 影像 價格輸出 token 價格備註 /限制 /來源
gemini-2.5-flash是（文字 + 影像 + 視頻 + 音訊）文字輸出與文字 token 價格相同（按 token 計）按 token 定價Token 上下文上限：輸入 1,048,576 token，輸出 65,536 token Google AI for Developers
gemini-2.5-flash-image是（影像 + 文字 輸入；文字 + 影像 輸出）文字 + 影像同 token 定價（影像會拆 token 處理）同 token 定價輸入 / 輸出最大 token 上限 32,768 Google AI for Developers
gemini-2.5-flash-lite是（文字 + 影像 + 視頻 + 音訊）文字輸出同 token 定價同 token 定價為成本效率優化版本（輕量 Flash） Google AI for Developers+1
gemini-1.5-flash是（多模態）文字輸出輸入 $0.075 / 1M token（128K 以下情況）輸出 $0.30 / 1M token（128K 以下）2024 年 8 月起大幅降價：輸入降 78%、輸出降 71% Google 開發者部落格
gemini-1.5-pro是文字輸出輸入、輸出 token 價格較高輸出較高曾為更高能力版本，有 context caching 等功能 Google 開發者部落格+2neuroflash+2
gemini-1.0-pro-vision是（視覺 + 文字）文字 / 視覺輸出圖像輸入固定費用（每張圖像固定 token 費） + 文字 token 費用文字輸出按 token 費用在 Vertex AI 可見此模型為 mult i modal 模型 console.cloud.google.com

價格摘要與特殊條件

  • 圖像輸入常被拆成若干 token 處理（按像素區塊 tile 拆分），然後按 token 費率計價。 Google AI for Developers+2Google AI for Developers+2

  • Gemini 影像輸入 / 處理價格官方文檔：圖像輸出為 $30 / 1,000,000 token（視為影像 token） Google AI for Developers

  • Gemini 模型在 Free Tier（免費等級）有 token 上限與速率限制，不適用所有功能或高量運作。 Google AI for Developers+1

  • 對於大型 prompt（超過某 token 閾值）或高輸入需求，部分模型會有溢價（較高費率）。例如 Gemini 2.5 Pro 在超額 token 上會有不同價格。 techcrunch.com

- 沒有留言:
標籤：

2025年8月3日 星期日

Prompt_提示詞變數的格式與應用

 提示詞變數的格式與應用

你使用的 A=( 說個有關 (B)的(C)) ,B=電腦 ,C=笑話 這種格式，是一種非常直觀且有效的方法，用來定義和替換提示詞（Prompt）中的變數。它讓你可以模組化你的指令，使提示詞更具彈性和重用性。

格式說明

這種格式可以分解為幾個部分：

  1. 主提示詞模板 (A)：

    • 這是一個包含佔位符（也就是你的變數）的基礎句子或短語。

    • 在你的例子中，A=( 說個有關 (B)的(C)) 就是主提示詞模板。其中的 (B) 和 (C) 是佔位符。

    • 括號 () 用來明確標示出變數名稱，讓系統知道這是一個需要替換的部分。

  2. 變數定義 (B=值, C=值)：

    • 這部分用來定義每個佔位符對應的實際內容。

    • 你透過 , 符號將不同的變數定義區隔開來。

    • 例如，B=電腦 定義了變數 B 的值為「電腦」，C=笑話 定義了變數 C 的值為「笑話」。

應用方式

這種變數格式的核心應用是將泛化的指令轉化為具體的指令，其主要優勢在於：

  • 提高效率：你不需要每次都重新輸入完整的提示詞，只需修改變數的值即可。

  • 保持一致性：當你需要針對不同主題生成相似內容時，使用相同的模板可以確保輸出格式的一致性。

  • 簡化複雜指令：將複雜的提示詞拆解成獨立的變數，更容易理解和管理。

範例說明

我們用你之前的例子來具體說明它的應用：

範例 1：說笑話

  • 主提示詞模板 (A): 說個有關 (B)的(C)

  • 第一次應用:

    • B=電腦

    • C=笑話

    • 組合後實際提示詞: 說個有關 電腦的笑話

    • 輸出: 你得到了關於電腦的笑話。

  • 第二次應用:

    • B=老人

    • C=笑話

    • 組合後實際提示詞: 說個有關 老人的笑話

    • 輸出: 你得到了關於老人的笑話。

範例 2：生成不同主題的詩

假設你有一個模板是：「A=( 寫一首關於 (B)，風格是 (C) 的詩。)」

  • 應用情境 1:

    • B=春天

    • C=浪漫

    • 組合後實際提示詞: 寫一首關於 春天，風格是 浪漫 的詩。

    • AI 輸出: 一首關於春天、風格浪漫的詩。

  • 應用情境 2:

    • B=科技

    • C=科幻

    • 組合後實際提示詞: 寫一首關於 科技，風格是 科幻 的詩。

    • AI 輸出: 一首關於科技、帶有科幻色彩的詩。

範例 3：生成不同角色的對話

假設你有一個模板是：「A=( (B) 對 (C) 說：'(D)')」

  • 應用情境 1:

    • B=老師

    • C=學生

    • D=請繳交作業。

    • 組合後實際提示詞: 老師 對 學生 說：'請繳交作業。'

    • AI 輸出: 老師對學生說話的場景或對白。

  • 應用情境 2:

    • B=騎士

    • C=龍

    • D=我會打敗你！

    • 組合後實際提示詞: 騎士 對 龍 說：'我會打敗你！'

    • AI 輸出: 騎士與龍對話的場景。

透過這種方式，你可以設計出各種彈性的提示詞，來應對多變的內容生成需求。這種變數化的設計在許多大型語言模型（LLM）的應用中都非常常見，它能幫助使用者更精確、更有效率地控制模型的輸出。

JSON TYPE PROMPT
==================================================================

A={ "template": "說個有關 {B} 的 {C}", "variables": { "B": "老人", "C": "笑話" } }

好的，根據你提供的JSON模板：

解析出  說個有關 {B} 的 {C} → 說個有關 老人 的 笑話



- 沒有留言:
標籤： ,
訂閱： 文章 (Atom)