कोड से जुड़ी सहायता देने वाली Gemini की सुविधा और ज़िम्मेदारी के साथ एआई का इस्तेमाल
संग्रह की मदद से व्यवस्थित रहें
अपनी प्राथमिकताओं के आधार पर, कॉन्टेंट को सेव करें और कैटगरी में बांटें.
इस दस्तावेज़ में बताया गया है कि जनरेटिव एआई की सुविधाओं, सीमाओं, और जोखिमों को ध्यान में रखते हुए, Gemini Code Assist को कैसे डिज़ाइन किया गया है.
लार्ज लैंग्वेज मॉडल की सुविधाएं और उनसे जुड़े खतरे
लार्ज लैंग्वेज मॉडल (एलएलएम), कई काम के टास्क कर सकते हैं. जैसे:
- भाषा का अनुवाद करें.
- टेक्स्ट की खास जानकारी दें.
- कोड और क्रिएटिव लेखन जनरेट करना.
- चैटबॉट और वर्चुअल असिस्टेंट को बेहतर बनाएं.
- सर्च इंजन और सुझाव देने वाले सिस्टम के साथ काम करते हैं.
साथ ही, एलएलएम की तकनीकी क्षमताओं में हो रही बढ़ोतरी की वजह से, इनका गलत इस्तेमाल होने और अनचाहे या पहले कभी न देखे गए असर की आशंका पैदा होती है.
एलएलएम ऐसे आउटपुट जनरेट कर सकते हैं जिनकी आपको उम्मीद नहीं होती. इनमें आपत्तिजनक, संवेदनशील या तथ्यों के हिसाब से गलत टेक्स्ट शामिल हो सकता है. एलएलएम का इस्तेमाल कई तरह के कामों के लिए किया जा सकता है. इसलिए, यह अनुमान लगाना मुश्किल हो सकता है कि वे अनचाहे या अनजान आउटपुट किस तरह के दे सकते हैं.
इन जोखिमों और जटिलताओं को ध्यान में रखते हुए, Gemini Code Assist को Google के एआई के सिद्धांतों के हिसाब से डिज़ाइन किया गया है. हालांकि, उपयोगकर्ताओं के लिए यह ज़रूरी है कि वे Gemini Code Assist की कुछ सीमाओं को समझें, ताकि वे इसे सुरक्षित और ज़िम्मेदारी के साथ इस्तेमाल कर सकें.
कोड से जुड़ी सहायता देने वाली Gemini की सुविधा की सीमाएं
Gemini Code Assist का इस्तेमाल करने पर, आपको ये सीमाएं दिख सकती हैं. हालांकि, इनके अलावा और भी सीमाएं हो सकती हैं:
ऐसे मामले जिनमें कुछ खास चीज़ें होती हैं. एज केस, असामान्य, दुर्लभ या असाधारण स्थितियों को कहते हैं. ये ऐसी स्थितियां होती हैं जिन्हें ट्रेनिंग डेटा में सही तरीके से नहीं दिखाया जाता. इन मामलों की वजह से, Gemini Code Assist मॉडल के आउटपुट में सीमाएं आ सकती हैं. जैसे, मॉडल का ज़्यादा भरोसा होना, कॉन्टेक्स्ट का गलत तरीके से इस्तेमाल करना या आपत्तिजनक आउटपुट देना.
मॉडल में भ्रम, भरोसेमंद स्रोतों से ली गई जानकारी, और तथ्यों के सही होने का आकलन करने की सुविधा जोड़ें.
Gemini Code Assist मॉडल में, असल दुनिया के बारे में जानकारी, भौतिक प्रॉपर्टी या सटीक जानकारी के बारे में भरोसेमंद स्रोतों से जानकारी लेने और तथ्यों के सही होने के सिद्धांत का पालन नहीं किया जा सकता. इस सीमितता की वजह से, मॉडल में गलत जानकारी जनरेट हो सकती है. जैसे, Gemini Code Assist ऐसे आउटपुट जनरेट कर सकता है जो सही लगते हैं, लेकिन असल में गलत, काम के नहीं, आपत्तिजनक या बेमतलब के होते हैं. भ्रम में, ऐसे वेब पेजों के लिंक भी शामिल हो सकते हैं जो मौजूद नहीं हैं और कभी मौजूद भी नहीं थे. ज़्यादा जानकारी के लिए, Gemini for Google Cloud के लिए बेहतर प्रॉम्प्ट लिखना लेख पढ़ें.
डेटा क्वालिटी और ट्यूनिंग. Gemini Code Assist प्रॉडक्ट में डाले गए प्रॉम्प्ट डेटा की क्वालिटी, सटीक होने की संभावना, और पक्षपात का असर, इसकी परफ़ॉर्मेंस पर पड़ सकता है. अगर उपयोगकर्ता गलत या अधूरे प्रॉम्प्ट डालते हैं, तो हो सकता है कि Gemini Code Assist गलत या अधूरे जवाब दिखाए.
बायस को बढ़ाना. भाषा मॉडल, ट्रेनिंग डेटा में मौजूद मौजूदा पक्षपात को अनजाने में बढ़ा सकते हैं. इससे ऐसे आउटपुट मिल सकते हैं जिनसे समाज में मौजूद पूर्वाग्रहों को बढ़ावा मिल सकता है और कुछ ग्रुप के साथ भेदभाव हो सकता है.
भाषा की क्वालिटी. Gemini Code Assist की मदद से, जिन मानदंडों का हमने आकलन किया है उनमें कई भाषाओं में काम करने की बेहतर सुविधाएं मिलती हैं. हालांकि, हमारे ज़्यादातर मानदंड अमेरिकन इंग्लिश में हैं. इनमें निष्पक्षता के आकलन के सभी मानदंड भी शामिल हैं.
भाषा मॉडल, अलग-अलग उपयोगकर्ताओं को अलग-अलग क्वालिटी की सेवा दे सकते हैं.
उदाहरण के लिए, हो सकता है कि टेक्स्ट जनरेशन की सुविधा कुछ बोलियों या भाषाओं के लिए उतनी असरदार न हो, क्योंकि ट्रेनिंग डेटा में इनका इस्तेमाल कम किया गया है.
अंग्रेज़ी के अलावा अन्य भाषाओं या अंग्रेज़ी की उन किस्मों के लिए परफ़ॉर्मेंस खराब हो सकती है जिनका इस्तेमाल कम किया जाता है.
फ़ेयरनेस के मानदंड और सबग्रुप. Google Research के Gemini मॉडल के निष्पक्षता विश्लेषण में, अलग-अलग संभावित जोखिमों के बारे में पूरी जानकारी नहीं दी जाती. उदाहरण के लिए, हम लिंग, नस्ल, जातीयता, और धर्म के आधार पर होने वाली गड़बड़ियों पर फ़ोकस करते हैं. हालांकि, हम सिर्फ़ अमेरिकन इंग्लिश भाषा के डेटा और मॉडल के आउटपुट पर विश्लेषण करते हैं.
डोमेन के बारे में सीमित जानकारी. Gemini मॉडल को Google Cloud टेक्नोलॉजी पर ट्रेनिंग दी गई है. हालांकि, हो सकता है कि इसमें ज़्यादा खास या तकनीकी विषयों के बारे में सटीक और पूरी जानकारी देने के लिए ज़रूरी जानकारी न हो. इस वजह से, आपको अधूरी या गलत जानकारी मिल सकती है.
Gemini पर सुरक्षा और नुकसान पहुंचाने वाले कॉन्टेंट को फ़िल्टर करने की सुविधा
Gemini Code Assist के प्रॉम्प्ट और जवाबों की जांच, सुरक्षा एट्रिब्यूट की पूरी सूची के हिसाब से की जाती है. यह सूची, इस्तेमाल के हर उदाहरण के लिए लागू होती है. सुरक्षा से जुड़े इन एट्रिब्यूट का मकसद, स्वीकार किए जा सकने वाले इस्तेमाल से जुड़ी नीति का उल्लंघन करने वाले कॉन्टेंट को फ़िल्टर करना है. अगर किसी आउटपुट को नुकसान पहुंचाने वाला माना जाता है, तो जवाब को ब्लॉक कर दिया जाएगा.
आगे क्या करना है
जब तक कुछ अलग से न बताया जाए, तब तक इस पेज की सामग्री को Creative Commons Attribution 4.0 License के तहत और कोड के नमूनों को Apache 2.0 License के तहत लाइसेंस मिला है. ज़्यादा जानकारी के लिए, Google Developers साइट नीतियां देखें. Oracle और/या इससे जुड़ी हुई कंपनियों का, Java एक रजिस्टर किया हुआ ट्रेडमार्क है.
आखिरी बार 2025-08-31 (UTC) को अपडेट किया गया.
[null,null,["आखिरी बार 2025-08-31 (UTC) को अपडेट किया गया."],[[["\u003cp\u003eGemini, a large language model (LLM), is designed with Google's AI principles to offer capabilities like language translation, text summarization, and code generation, while acknowledging the risks of misapplication and unintended outputs.\u003c/p\u003e\n"],["\u003cp\u003eGemini for Google Cloud has limitations such as producing unexpected output in edge cases, potentially generating inaccurate information, and lacking factuality, which can include hallucinated information or links.\u003c/p\u003e\n"],["\u003cp\u003eThe quality of Gemini's output is influenced by the data quality and accuracy of user prompts, and there is a potential for the amplification of societal biases present in its training data.\u003c/p\u003e\n"],["\u003cp\u003eGemini's performance can vary across languages and dialects, as it primarily evaluates fairness in American English, potentially resulting in inconsistent service quality for underrepresented language varieties.\u003c/p\u003e\n"],["\u003cp\u003eDespite being trained on Google Cloud technology, Gemini may lack the specialized knowledge required to offer accurate details on highly technical topics, and it does not have awareness of the user's specific environment in the Google Cloud console.\u003c/p\u003e\n"]]],[],null,["# Gemini Code Assist and responsible AI\n\nThis document describes how Gemini Code Assist is designed in\nview of the capabilities, limitations, and risks that are associated with\ngenerative AI.\n\nCapabilities and risks of large language models\n-----------------------------------------------\n\nLarge language models (LLMs) can perform many useful tasks such as the\nfollowing:\n\n- Translate language.\n- Summarize text.\n- Generate code and creative writing.\n- Power chatbots and virtual assistants.\n- Complement search engines and recommendation systems.\n\nAt the same time, the evolving technical capabilities of LLMs create the\npotential for misapplication, misuse, and unintended or unforeseen consequences.\n\nLLMs can generate output that you don't expect, including text that's offensive,\ninsensitive, or factually incorrect. Because LLMs are incredibly versatile, it\ncan be difficult to predict exactly what kinds of unintended or unforeseen\noutputs they might produce.\n\nGiven these risks and complexities, Gemini Code Assist is\ndesigned with [Google's AI principles](https://ai.google/responsibility/principles/)\nin mind. However, it's important for users to understand some of the limitations\nof Gemini Code Assist to work safely and responsibly.\n\nGemini Code Assist limitations\n------------------------------\n\nSome of the limitations that you might encounter using\nGemini Code Assist include (but aren't limited to) the following:\n\n- **Edge cases.** Edge cases refer to unusual, rare, or exceptional situations\n that aren't well represented in the training data. These cases can lead to\n limitations in the output of Gemini Code Assist models, such as\n model overconfidence, misinterpretation of context, or inappropriate outputs.\n\n- **Model hallucinations, grounding, and factuality.**\n Gemini Code Assist models might lack grounding and factuality\n in real-world knowledge, physical properties, or accurate understanding. This\n limitation can lead to model hallucinations, where\n Gemini Code Assist might generate outputs that are\n plausible-sounding but factually incorrect, irrelevant, inappropriate, or\n nonsensical. Hallucinations can also include fabricating links to web pages\n that don't exist and have never existed. For more information, see\n [Write better prompts for Gemini for Google Cloud](https://cloud.google.com/gemini/docs/discover/write-prompts).\n\n- **Data quality and tuning.** The quality, accuracy, and bias of the prompt\n data that's entered into Gemini Code Assist products can have a\n significant impact on its performance. If users enter inaccurate or incorrect\n prompts, Gemini Code Assist might return suboptimal or false\n responses.\n\n- **Bias amplification.** Language models can inadvertently amplify existing\n biases in their training data, leading to outputs that might further reinforce\n societal prejudices and unequal treatment of certain groups.\n\n- **Language quality.** While Gemini Code Assist yields\n impressive multilingual capabilities on the benchmarks that we evaluated\n against, the majority of our benchmarks (including all of the fairness\n evaluations) are in American English.\n\n Language models might provide inconsistent service quality to different users.\n For example, text generation might not be as effective for some dialects or\n language varieties because they are underrepresented in the training data.\n Performance might be worse for non-English languages or English language\n varieties with less representation.\n- **Fairness benchmarks and subgroups.** Google Research's fairness analyses of\n Gemini models don't provide an exhaustive account of the various\n potential risks. For example, we focus on biases along gender, race,\n ethnicity, and religion axes, but perform the analysis only on the American\n English language data and model outputs.\n\n- **Limited domain expertise.** Gemini models have been trained on\n Google Cloud technology, but it might lack the depth of knowledge that's\n required to provide accurate and detailed responses on highly specialized or\n technical topics, leading to superficial or incorrect information.\n\nGemini safety and toxicity filtering\n------------------------------------\n\nGemini Code Assist prompts and responses are checked against a\ncomprehensive list of safety attributes as applicable for each use case. These\nsafety attributes aim to filter out content that violates our\n[Acceptable Use Policy](https://cloud.google.com/terms/aup). If an output is\nconsidered harmful, the response will be blocked.\n\nWhat's next\n-----------\n\n- Learn more about [how Gemini Code Assist cites sources when helps you generate code](/gemini-code-assist/docs/works#how-when-gemini-cites-sources)."]]
