Google Python GenAI 1.11.0版本发布:增强AI模型交互能力
Google Python GenAI项目是Google提供的用于与生成式AI模型交互的Python客户端库。该项目为开发者提供了便捷的API,用于访问Google的各种AI模型服务,包括文本生成、多模态处理等功能。最新发布的1.11.0版本带来了一系列重要的功能增强和优化,进一步提升了开发者的使用体验。
核心功能增强
模型选择配置支持
新版本在GenerateContentConfig中增加了对model_selection_config的支持。这一改进允许开发者在请求内容生成时更精细地控制模型选择行为。通过配置model_selection_config,开发者可以指定模型选择的策略和偏好,使AI服务能够根据特定需求选择最合适的模型版本。
JSON Schema便捷访问
Schema类新增了json_schema快速访问器,这是一个非常实用的功能改进。开发者现在可以轻松地将Google的Schema类转换为标准的JSONSchema类。这一特性在处理数据验证和API交互时特别有用,它简化了模式定义在不同格式间的转换过程,提高了开发效率。
实时音频转录支持
1.11.0版本为Vertex Live API增加了音频转录功能。这意味着开发者现在可以通过API处理音频输入,将其转换为文本。这一功能扩展了库的多模态处理能力,使其能够支持更丰富的输入类型,为构建语音交互应用提供了基础支持。
开发者体验优化
HTTP客户端配置增强
新版本改进了底层HTTP客户端的配置方式。开发者现在可以通过HttpOptions传递客户端参数,实现对httpx客户端的细粒度控制。这一改进提供了更大的灵活性,允许开发者根据具体需求调整HTTP连接的各种参数,如超时设置、代理配置等。
实时输入配置支持
在语音处理方面,1.11.0版本增加了对RealtimeInputConfig的支持,并在SpeechConfig中添加了language_code参数。这些改进使得语音处理功能更加完善,开发者可以更精确地控制语音输入的实时处理行为,并指定语音识别的语言,提高了语音交互应用的准确性和可用性。
异步函数调用支持
对于使用异步编程的开发者,新版本增加了对异步函数的支持。开发者现在可以将异步函数直接传递给async generate_content和async generate_content_stream方法,实现自动函数调用。这一改进简化了异步编程模式下的AI服务集成,使代码更加简洁和直观。
重要问题修复
在基础架构方面,1.11.0版本修复了SSL证书处理的问题。现在库会正确获取SSL_CERT_FILE或SSL_CERT_DIR环境变量,确保API客户端的SSL握手过程能够正常进行。这一修复提高了库在不同环境下的兼容性和稳定性。
测试套件也进行了更新,现在使用gemini-2.5-pro-preview-03-25模型进行测试,确保库与最新模型版本的兼容性。
总结
Google Python GenAI 1.11.0版本通过新增功能和优化改进,显著提升了开发者在生成式AI应用开发中的体验。从模型选择配置到多模态处理,从HTTP客户端优化到异步编程支持,这些改进都体现了Google对开发者需求的深入理解。该版本的发布进一步巩固了Python GenAI作为与Google AI服务交互的首选工具库的地位。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00