Gemini 2.5 dirilis dengan penyempurnaan pada Vertex AI, termasuk kemampuan penyetelan untuk input gambar, audio, dan video. Pembaruan ini juga memungkinkan pengguna untuk menyempurnakan model bahasa berskala besar (LLM) dengan data mereka sendiri, sehingga memungkinkan mereka untuk membangun model yang dikhususkan untuk konteks dan tugas bisnis tertentu. Fitur-fitur baru ini memudahkan pengembangan berbagai aplikasi, termasuk ringkasan video otomatis, pengenalan kejadian terperinci, moderasi konten, dan teks video yang ditingkatkan.

Perusahaan menguraikan praktik terbaik untuk melakukan eksperimen penyetelan yang efektif dengan input video. Ini termasuk membuat perintah yang tepat yang secara jelas mendefinisikan konteks tugas, definisi tugas, dan spesifikasi output. Untuk tugas video multilabel, mereka merekomendasikan penyeimbangan distribusi label dan penggunaan formulasi multilabel untuk tugas dengan kurang dari 10 label per video. Untuk tugas video label tunggal, mereka merekomendasikan penyeimbangan distribusi data untuk menghindari bias terhadap kelas mayoritas.

Dalam persiapan untuk penyetelan video, Anda harus menggunakan file .jsonl untuk set data pelatihan dan validasi Anda dan memastikan tidak ada tumpang tindih di antara keduanya. Saat menyetel model untuk Gemini 2.0 dan yang lebih baru, kami sarankan untuk menggunakan pengaturan MEDIA_RESOLUTION_LOW untuk pelatihan yang efisien. Pengaturan ini menghasilkan lebih sedikit token yang mewakili setiap bingkai, yang dapat mempercepat proses pelatihan tanpa memengaruhi kinerja secara signifikan.

Terakhir, perusahaan memberikan panduan tentang pengaturan hiperparameter untuk penyetelan, merekomendasikan untuk memulai dengan pengaturan default cerdas yang disediakan oleh Vertex AI. Pengaturan default ini didasarkan pada karakteristik kumpulan data dan berfungsi sebagai dasar yang kuat untuk pengoptimalan lebih lanjut. Pengguna dapat mengevaluasi kinerja model yang disetel menggunakan grafik kerugian dan akurasi, dan menyesuaikan format, konteks, dan distribusi perintah inferensi agar sesuai dengan kumpulan data penyetelan mereka untuk mencapai hasil yang optimal.