Gemini API で Veo 3 を利用できるようになりました。詳細

このページは Cloud Translation API によって翻訳されました。

Gemini の思考

Gemini 2.5 シリーズのモデルは、推論と多段階計画の能力を大幅に向上させる内部の「思考プロセス」を使用します。これにより、コーディング、高度な数学、データ分析などの複雑なタスクに非常に効果的です。

このガイドでは、Gemini API を使用して Gemini の思考能力を操作する方法について説明します。

始める前に

思考にはサポートされている 2.5 シリーズモデルを使用してください。API に取り組む前に、AI Studio でこれらのモデルを試してみることをおすすめします。

思考を伴うコンテンツの生成

思考モデルでリクエストを開始する手順は、他のコンテンツ生成リクエストと同様です。主な違いは、次のテキスト生成の例に示すように、model フィールドで思考サポート付きモデルのいずれかを指定することです。

Python

from google import genai

client = genai.Client()
prompt = "Explain the concept of Occam's Razor and provide a simple, everyday example."
response = client.models.generate_content(
    model="gemini-2.5-pro",
    contents=prompt
)

print(response.text)

JavaScript

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({});

async function main() {
  const prompt = "Explain the concept of Occam's Razor and provide a simple, everyday example.";

  const response = await ai.models.generateContent({
    model: "gemini-2.5-pro",
    contents: prompt,
  });

  console.log(response.text);
}

main();

Go

package main

import (
  "context"
  "fmt"
  "log"
  "os"
  "google.golang.org/genai"
)

func main() {
  ctx := context.Background()
  client, err := genai.NewClient(ctx, nil)
  if err != nil {
      log.Fatal(err)
  }

  prompt := "Explain the concept of Occam's Razor and provide a simple, everyday example."
  model := "gemini-2.5-pro"

  resp, _ := client.Models.GenerateContent(ctx, model, genai.Text(prompt), nil)

  fmt.Println(resp.Text())
}

REST

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-2.5-pro:generateContent" \
 -H "x-goog-api-key: $GEMINI_API_KEY" \
 -H 'Content-Type: application/json' \
 -X POST \
 -d '{
   "contents": [
     {
       "parts": [
         {
           "text": "Explain the concept of Occam\'s Razor and provide a simple, everyday example."
         }
       ]
     }
   ]
 }'
 ```

思考予算

thinkingBudget パラメータは、回答の生成時に使用する思考トークンの数に関するガイダンスをモデルに提供します。一般的に、トークン数が多いほど、より詳細な推論が可能になり、より複雑なタスクに取り組むのに役立ちます。レイテンシが重要な場合は、予算を減らすか、thinkingBudget を 0 に設定して思考を無効にします。thinkingBudget を -1 に設定すると、動的思考が有効になります。つまり、モデルはリクエストの複雑さに基づいて予算を調整します。

thinkingBudget は、Gemini 2.5 Flash、2.5 Pro、2.5 Flash-Lite でのみサポートされています。プロンプトによっては、モデルがトークン予算を超過または下回る可能性があります。

以下に、各モデルタイプの thinkingBudget 構成の詳細を示します。

モデル	デフォルト設定（思考予算が設定されていない）	範囲	思考プロセスを無効にする	動的思考をオンにする
2.5 Pro	動的思考: モデルが思考のタイミングと量を決定する	`128` から `32768`	N/A: 思考を無効にすることはできません	`thinkingBudget = -1`
2.5 Flash	動的思考: モデルが思考のタイミングと量を決定する	`0` から `24576`	`thinkingBudget = 0`	`thinkingBudget = -1`
2.5 Flash Lite	モデルは考えない	`512` から `24576`	`thinkingBudget = 0`	`thinkingBudget = -1`

Python

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
    model="gemini-2.5-pro",
    contents="Provide a list of 3 famous physicists and their key contributions",
    config=types.GenerateContentConfig(
        thinking_config=types.ThinkingConfig(thinking_budget=1024)
        # Turn off thinking:
        # thinking_config=types.ThinkingConfig(thinking_budget=0)
        # Turn on dynamic thinking:
        # thinking_config=types.ThinkingConfig(thinking_budget=-1)
    ),
)

print(response.text)

JavaScript

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({});

async function main() {
  const response = await ai.models.generateContent({
    model: "gemini-2.5-pro",
    contents: "Provide a list of 3 famous physicists and their key contributions",
    config: {
      thinkingConfig: {
        thinkingBudget: 1024,
        // Turn off thinking:
        // thinkingBudget: 0
        // Turn on dynamic thinking:
        // thinkingBudget: -1
      },
    },
  });

  console.log(response.text);
}

main();

Go

package main

import (
  "context"
  "fmt"
  "google.golang.org/genai"
  "os"
)

func main() {
  ctx := context.Background()
  client, err := genai.NewClient(ctx, nil)
  if err != nil {
      log.Fatal(err)
  }

  thinkingBudgetVal := int32(1024)

  contents := genai.Text("Provide a list of 3 famous physicists and their key contributions")
  model := "gemini-2.5-pro"
  resp, _ := client.Models.GenerateContent(ctx, model, contents, &genai.GenerateContentConfig{
    ThinkingConfig: &genai.ThinkingConfig{
      ThinkingBudget: &thinkingBudgetVal,
      // Turn off thinking:
      // ThinkingBudget: int32(0),
      // Turn on dynamic thinking:
      // ThinkingBudget: int32(-1),
    },
  })

fmt.Println(resp.Text())
}

REST

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-2.5-pro:generateContent" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H 'Content-Type: application/json' \
-X POST \
-d '{
  "contents": [
    {
      "parts": [
        {
          "text": "Provide a list of 3 famous physicists and their key contributions"
        }
      ]
    }
  ],
  "generationConfig": {
    "thinkingConfig": {
          "thinkingBudget": 1024
          # Thinking off:
          # "thinkingBudget": 0
          # Turn on dynamic thinking:
          # "thinkingBudget": -1
    }
  }
}'

考えの要約

思考の要約は、モデルの生の思考を合成したもので、モデルの内部推論プロセスに関する分析情報を提供します。思考予算は、モデルの生の思考に適用され、思考の要約には適用されません。

リクエスト構成で includeThoughts を true に設定すると、思考の要約を有効にできます。サマリーにアクセスするには、response パラメータの parts を反復処理し、thought ブール値を確認します。

ストリーミングなしで思考の要約を有効にして取得する方法を示す例を次に示します。この例では、レスポンスとともに単一の最終的な思考の要約が返されます。

Python

from google import genai
from google.genai import types

client = genai.Client()
prompt = "What is the sum of the first 50 prime numbers?"
response = client.models.generate_content(
  model="gemini-2.5-pro",
  contents=prompt,
  config=types.GenerateContentConfig(
    thinking_config=types.ThinkingConfig(
      include_thoughts=True
    )
  )
)

for part in response.candidates[0].content.parts:
  if not part.text:
    continue
  if part.thought:
    print("Thought summary:")
    print(part.text)
    print()
  else:
    print("Answer:")
    print(part.text)
    print()

JavaScript

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({});

async function main() {
  const response = await ai.models.generateContent({
    model: "gemini-2.5-pro",
    contents: "What is the sum of the first 50 prime numbers?",
    config: {
      thinkingConfig: {
        includeThoughts: true,
      },
    },
  });

  for (const part of response.candidates[0].content.parts) {
    if (!part.text) {
      continue;
    }
    else if (part.thought) {
      console.log("Thoughts summary:");
      console.log(part.text);
    }
    else {
      console.log("Answer:");
      console.log(part.text);
    }
  }
}

main();

Go

package main

import (
  "context"
  "fmt"
  "google.golang.org/genai"
  "os"
)

func main() {
  ctx := context.Background()
  client, err := genai.NewClient(ctx, nil)
  if err != nil {
      log.Fatal(err)
  }

  contents := genai.Text("What is the sum of the first 50 prime numbers?")
  model := "gemini-2.5-pro"
  resp, _ := client.Models.GenerateContent(ctx, model, contents, &genai.GenerateContentConfig{
    ThinkingConfig: &genai.ThinkingConfig{
      IncludeThoughts: true,
    },
  })

  for _, part := range resp.Candidates[0].Content.Parts {
    if part.Text != "" {
      if part.Thought {
        fmt.Println("Thoughts Summary:")
        fmt.Println(part.Text)
      } else {
        fmt.Println("Answer:")
        fmt.Println(part.Text)
      }
    }
  }
}

ストリーミングで思考する例を次に示します。この例では、生成中にローリング増分要約が返されます。

Python

from google import genai
from google.genai import types

client = genai.Client()

prompt = """
Alice, Bob, and Carol each live in a different house on the same street: red, green, and blue.
The person who lives in the red house owns a cat.
Bob does not live in the green house.
Carol owns a dog.
The green house is to the left of the red house.
Alice does not own a cat.
Who lives in each house, and what pet do they own?
"""

thoughts = ""
answer = ""

for chunk in client.models.generate_content_stream(
    model="gemini-2.5-pro",
    contents=prompt,
    config=types.GenerateContentConfig(
      thinking_config=types.ThinkingConfig(
        include_thoughts=True
      )
    )
):
  for part in chunk.candidates[0].content.parts:
    if not part.text:
      continue
    elif part.thought:
      if not thoughts:
        print("Thoughts summary:")
      print(part.text)
      thoughts += part.text
    else:
      if not answer:
        print("Answer:")
      print(part.text)
      answer += part.text

JavaScript

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({});

const prompt = `Alice, Bob, and Carol each live in a different house on the same
street: red, green, and blue. The person who lives in the red house owns a cat.
Bob does not live in the green house. Carol owns a dog. The green house is to
the left of the red house. Alice does not own a cat. Who lives in each house,
and what pet do they own?`;

let thoughts = "";
let answer = "";

async function main() {
  const response = await ai.models.generateContentStream({
    model: "gemini-2.5-pro",
    contents: prompt,
    config: {
      thinkingConfig: {
        includeThoughts: true,
      },
    },
  });

  for await (const chunk of response) {
    for (const part of chunk.candidates[0].content.parts) {
      if (!part.text) {
        continue;
      } else if (part.thought) {
        if (!thoughts) {
          console.log("Thoughts summary:");
        }
        console.log(part.text);
        thoughts = thoughts + part.text;
      } else {
        if (!answer) {
          console.log("Answer:");
        }
        console.log(part.text);
        answer = answer + part.text;
      }
    }
  }
}

await main();

Go

package main

import (
  "context"
  "fmt"
  "log"
  "os"
  "google.golang.org/genai"
)

const prompt = `
Alice, Bob, and Carol each live in a different house on the same street: red, green, and blue.
The person who lives in the red house owns a cat.
Bob does not live in the green house.
Carol owns a dog.
The green house is to the left of the red house.
Alice does not own a cat.
Who lives in each house, and what pet do they own?
`

func main() {
  ctx := context.Background()
  client, err := genai.NewClient(ctx, nil)
  if err != nil {
      log.Fatal(err)
  }

  contents := genai.Text(prompt)
  model := "gemini-2.5-pro"

  resp := client.Models.GenerateContentStream(ctx, model, contents, &genai.GenerateContentConfig{
    ThinkingConfig: &genai.ThinkingConfig{
      IncludeThoughts: true,
    },
  })

  for chunk := range resp {
    for _, part := range chunk.Candidates[0].Content.Parts {
      if len(part.Text) == 0 {
        continue
      }

      if part.Thought {
        fmt.Printf("Thought: %s\n", part.Text)
      } else {
        fmt.Printf("Answer: %s\n", part.Text)
      }
    }
  }
}

思考シグネチャ

標準の Gemini API のテキストとコンテンツ生成の呼び出しはステートレスであるため、マルチターンのインタラクション（チャットなど）で思考を使用する場合、モデルは前のターンの思考コンテキストにアクセスできません。

思考シグネチャを使用して思考コンテキストを維持できます。思考シグネチャは、モデルの内部思考プロセスの暗号化された表現です。思考と関数呼び出しが有効になっている場合、モデルはレスポンスオブジェクトで思考シグネチャを返します。モデルが会話の複数のターンにわたってコンテキストを維持できるようにするには、後続のリクエストで思考シグネチャをモデルに返す必要があります。

次の場合に思考シグネチャが届きます。

思考が有効になり、思考が生成されます。
リクエストに関数宣言が含まれています。

関数呼び出しを使用した思考の例については、関数呼び出しのページをご覧ください。

関数呼び出しで考慮すべきその他の使用量上限は次のとおりです。

シグネチャは、レスポンスの他の部分（関数呼び出しやテキスト部分など）内でモデルから返されます。後続のターンで、すべての部分を含むレスポンス全体をモデルに返します。
署名付きの部分を連結しないでください。
署名付きのパートと署名なしのパートを結合しないでください。

料金

思考がオンになっている場合、レスポンスの料金は出力トークンと思考トークンの合計になります。生成された思考トークンの合計数は、thoughtsTokenCount フィールドから取得できます。

Python

# ...
print("Thoughts tokens:",response.usage_metadata.thoughts_token_count)
print("Output tokens:",response.usage_metadata.candidates_token_count)

JavaScript

// ...
console.log(`Thoughts tokens: ${response.usageMetadata.thoughtsTokenCount}`);
console.log(`Output tokens: ${response.usageMetadata.candidatesTokenCount}`);

Go

// ...
usageMetadata, err := json.MarshalIndent(response.UsageMetadata, "", "  ")
if err != nil {
  log.Fatal(err)
}
fmt.Println("Thoughts tokens:", string(usageMetadata.thoughts_token_count))
fmt.Println("Output tokens:", string(usageMetadata.candidates_token_count))

思考モデルは、最終的なレスポンスの質を高めるために完全な思考を生成し、思考プロセスに関する分析情報を提供するために要約を出力します。そのため、API から出力されるのは要約のみですが、料金はモデルが要約を作成するために生成する必要があるすべての思考トークンに基づいて計算されます。

トークンの詳細については、トークン数のカウントのガイドをご覧ください。

サポートされているモデル

Thinking 機能は、2.5 シリーズのすべてのモデルでサポートされています。すべてのモデル機能については、モデルの概要ページをご覧ください。

ベストプラクティス

このセクションでは、思考モデルを効率的に使用するためのガイダンスを紹介します。いつものように、プロンプトのガイダンスとベストプラクティスに従うことで、最良の結果が得られます。

デバッグとステアリング

推論を確認する: 思考モデルから期待どおりのレスポンスが得られない場合は、Gemini の思考の要約を慎重に分析すると役立ちます。タスクをどのように分解して結論に達したかを確認し、その情報を使用して正しい結果が得られるように修正できます。
推論のガイダンスを提供する: 特に長い出力を希望する場合は、プロンプトでガイダンスを提供して、モデルが使用する思考の量を制限することをおすすめします。これにより、レスポンス用にトークン出力の多くを予約できます。

タスクの複雑さ

簡単なタスク（思考をオフにできる）: 事実の取得や分類など、複雑な推論を必要としない簡単なリクエストの場合、思考は必要ありません。次に例を示します。
- 「DeepMind はどこで設立されましたか？」
- 「このメールは会議を依頼しているのか、それとも情報を提供しているだけなのか？」
中程度のタスク（デフォルト/ある程度の思考）: 多くの一般的なリクエストは、段階的な処理や深い理解によってメリットが得られます。Gemini は、次のようなタスクに思考能力を柔軟に活用できます。
- 光合成と成長を例え話で説明します。
- 電気自動車とハイブリッド車を比較対照します。
難しいタスク（思考能力を最大限に活用）: 複雑な数学の問題やコーディングタスクなど、非常に複雑な課題の場合は、思考予算を高く設定することをおすすめします。このようなタスクでは、モデルが推論と計画の機能を最大限に活用する必要があります。多くの場合、回答を提供する前に多くの内部ステップが必要になります。次に例を示します。
- AIME 2025 の問題 1 を解きます。17_b が 97_b の約数となるすべての整数基数 b > 9 の合計を求めます。
- ユーザー認証を含む、リアルタイムの株式市場データを可視化するウェブアプリケーションの Python コードを記述します。できるだけ効率的にします。

ツールと機能の活用

思考モデルは、Gemini のすべてのツールと機能で動作します。これにより、モデルは外部システムと対話したり、コードを実行したり、リアルタイムの情報にアクセスしたりして、その結果を推論と最終的な回答に組み込むことができます。

検索ツールを使用すると、モデルは Google 検索にクエリを送信して、最新情報やトレーニングデータ以外の情報を検索できます。これは、最近のイベントや非常に具体的なトピックに関する質問に役立ちます。
コード実行ツールを使用すると、モデルは Python コードを生成して実行し、計算の実行、データの操作、アルゴリズムで処理するのが最適な問題の解決を行うことができます。モデルはコードの出力を受け取り、レスポンスで使用できます。
構造化出力を使用すると、Gemini が JSON で応答するように制約できます。これは、モデルの出力をアプリケーションに統合する場合に特に便利です。
関数呼び出しは、思考モデルを外部ツールや API に接続し、適切な関数を呼び出すタイミングと提供するパラメータを推論できるようにします。
URL コンテキストは、プロンプトの追加コンテキストとして URL をモデルに提供します。モデルは URL からコンテンツを取得し、そのコンテンツを使用してレスポンスを生成します。

思考モデルでツールを使用する例については、思考クックブックをご覧ください。

次のステップ

次のような詳細な例を試すには:
- ツールを思考とともに使用する
- 思考を伴うストリーミング
- さまざまな結果に合わせて思考予算を調整する
思考のクックブックをご覧ください。
Thinking のカバレッジについては、OpenAI 互換性ガイドをご覧ください。
Gemini 2.5 Pro、Gemini Flash 2.5、Gemini 2.5 Flash-Lite の詳細については、モデルページをご覧ください。

Gemini の思考

始める前に

思考を伴うコンテンツの生成

Python

JavaScript

Go

REST

思考予算

Python

JavaScript

Go

REST

考えの要約

Python

JavaScript

Go

Python

JavaScript

Go

思考シグネチャ

料金

Python

JavaScript

Go

サポートされているモデル

ベスト プラクティス

デバッグとステアリング

タスクの複雑さ

ツールと機能の活用

次のステップ

ベストプラクティス