Thanawat Wongchai

Posted on Sep 3 Originally published at apidog.com

เจมิไน 3.8 แฟลช: เปรียบเทียบระดับการคิด ต่ำ ปานกลาง สูง พร้อมเหตุผลที่ระดับ Minimal หายไป

#gemini #llm #ai

ตั้งค่า `thinking_level` ของ Gemini 3.8 Flash ให้เหมาะกับแต่ละเส้นทาง

Gemini 3.8 Flash มีระดับการคิดสามระดับ ได้แก่ low, medium และ high การตั้งค่านี้ควบคุมปริมาณการให้เหตุผลภายในก่อนโมเดลตอบกลับ และส่งผลโดยตรงต่อความหน่วง โทเค็นเอาต์พุต และค่าใช้จ่าย Google ออกแบบ 3.8 Flash ให้ “ทำงานหนักขึ้น” กับงานซับซ้อน ดังนั้นการเลือกระดับจึงสำคัญกว่าเดิมเมื่อเทียบกับ 3.7 Flash หากต้องการดูภาพรวมการเปิดตัว โปรดอ่าน ภาพรวม Gemini 3.8 Flash ส่วนบทความนี้จะเน้นเฉพาะการตั้งค่าระดับการคิด

ลองใช้ Apidog วันนี้

มีสองประเด็นที่มักทำให้ทีมสับสน:

ค่าเริ่มต้นของ 3.8 Flash คือ medium ไม่ใช่ high โดย Gemini 3 Pro ใช้ high เป็นค่าเริ่มต้น
minimal ซึ่งเคยใช้กับ Gemini 3.7 Flash ไม่รองรับใน 3.8 Flash อีกต่อไป คำขอจะล้มเหลวตั้งแต่การตรวจสอบความถูกต้อง ก่อนสร้างโทเค็นใดๆ ดูรายละเอียดได้ที่ มีอะไรใหม่ใน Gemini 3.8 Flash

บทความนี้ครอบคลุมสิ่งที่แต่ละระดับทำ ค่าใช้จ่าย วิธีตั้งค่าใน API ทั้งสองแบบ กลยุทธ์การเลือกใช้ และการทดสอบที่ทำซ้ำได้ใน Apidog

ระดับการคิดโดยสรุป

ระดับ	คำแนะนำของ Google	ค่าใช้จ่ายต่อภารกิจ (AA)	เวลาต่อภารกิจ (AA)	เหมาะกับ
`low`	ลดความหน่วงและค่าใช้จ่าย เหมาะกับคำสั่งง่าย แชท และงานปริมาณสูง	$0.24	0.8 นาที	งานที่ผู้ใช้รอผลโดยตรง การค้นหาจากข้อความถอดเสียง การจัดหมวดหมู่
`medium` (ค่าเริ่มต้น)	สมดุลสำหรับโค้ดซับซ้อนและงานแบบเอเจนต์	$0.41	ไม่ระบุ	เส้นทางส่วนใหญ่ การถามตอบวิดีโอทั่วไป
`high`	ให้เหตุผลลึกที่สุดสำหรับปัญหาหลายขั้นตอน	$0.58	2.5 นาที	การถามตอบภาพหนาแน่น วิดีโอยาวกว่า 60 นาที และขั้นตอนวางแผนสำคัญ
`minimal`	ไม่รองรับใน 3.8 Flash	n/a	n/a	ห้ามใช้ ให้แมปเป็น `low`

ค่าใช้จ่ายและเวลาเป็นค่าเฉลี่ยจากการทดสอบ Intelligence Index ของ Artificial Analysis โดยใช้ราคาโทเค็นเบื้องต้นของ Google ตัวเลขนี้ไม่ใช่ข้อมูลจาก Google และไม่ได้อ้างอิงพรอมต์ของคุณโดยตรง ให้ใช้เพื่อดูอัตราส่วน แล้ววัดเส้นทางจริงของคุณเอง

แต่ละระดับควบคุมอะไร

คำตอบของ 3.8 Flash อาจมี thinking tokens ซึ่งเป็นการให้เหตุผลที่โมเดลสร้างขึ้นก่อนคำตอบที่ผู้ใช้มองเห็น โทเค็นเหล่านี้ถูกคิดเป็น output tokens:

$3.75 ต่อล้านโทเค็น ตามราคาแนะนำจนถึงวันที่ 2026-12-31
$7.50 ต่อล้านโทเค็น ตั้งแต่วันที่ 2027-01-01

API รายงานจำนวนดังกล่าวแยกต่างหากใน usageMetadata.thoughtsTokenCount

ระดับการคิดทำหน้าที่เป็นคำแนะนำว่าโมเดลควรใช้การให้เหตุผลมากน้อยเพียงใด:

low: ใช้กระบวนการคิดสั้นลง โทเค็นแรกมาถึงเร็ว และค่าใช้จ่ายเอาต์พุตต่ำ เหมาะกับแชท คำสั่งง่าย และระบบปริมาณสูง
medium: จุดสมดุลและเป็นค่าเริ่มต้น เหมาะกับโค้ดซับซ้อนและงานแบบเอเจนต์
high: ใช้การให้เหตุผลเชิงลึกที่สุด เหมาะกับปัญหาหลายขั้นตอนที่ยาก

พฤติกรรมที่ทำให้ 3.8 Flash แตกต่างคือ ในงานซับซ้อน โมเดลอาจ:

ดำเนินขั้นตอนการให้เหตุผลเพิ่มเติม
เรียกใช้เครื่องมือซ้ำหลายรอบ
ตรวจสอบการทำงานตลอดกระบวนการ
ใช้โทเค็นมากขึ้นตามความซับซ้อนของงาน โดยเฉพาะเมื่อเลือกระดับสูง

หากจำนวนโทเค็นเพิ่มขึ้นมาก คำแนะนำแรกของ Google คือ ลด thinking_level และคำแนะนำถัดมาคือใช้ 3.7 Flash ต่อไป ซึ่งยังได้รับการสนับสนุนอย่างเต็มที่

thinking_level เป็น enum ไม่ใช่งบประมาณโทเค็น

thinking_budget แบบจำนวนเต็มจากโมเดลรุ่นก่อนถูกนำออกใน Gemini 3 ดังนั้นคุณไม่สามารถกำหนดว่า “ใช้ thinking tokens สูงสุด 2,000 โทเค็น” ได้ ต้องเลือกระดับแล้ววัดผลจริง

ค่าเริ่มต้นคือ `medium` ไม่ใช่ `high`

หากไม่ส่งฟิลด์นี้ 3.8 Flash จะใช้ medium ซึ่งอาจสร้างปัญหาได้สองกรณี:

ทีมที่ย้ายจาก Gemini 3 Pro อาจคาดหวังว่าโมเดลจะใช้ high
ทีมที่ลบ thinking_budget ระหว่างย้ายจาก 3.7 Flash อาจใช้ medium โดยไม่ตั้งใจ แม้แต่ในเส้นทางแชทที่ควรใช้ low

วิธีแก้คือกำหนด thinking_level อย่างชัดเจนในทุกคำขอและทุกเส้นทาง ควรเก็บค่าไว้ในไฟล์กำหนดค่าหรือ routing config แทนการกระจายไว้ในโค้ด เพื่อให้โปรไฟล์ค่าใช้จ่ายไม่เปลี่ยนโดยไม่ตั้งใจเมื่อค่าเริ่มต้นของ Google เปลี่ยน

`minimal` ไม่รองรับแล้ว: วิธีแก้ข้อผิดพลาด

Gemini 3.8 Flash รองรับเฉพาะ low, medium และ high ตาม หน้าโมเดล

หากส่ง minimal ผ่าน REST API คำขอจะถูกปฏิเสธด้วยสถานะ 400 INVALID_ARGUMENT:

Thinking level MINIMAL is not supported for this model.
Please retry with other thinking level.

ข้อผิดพลาดนี้ตรวจสอบแล้วด้วยการเรียกใช้งานจริงเมื่อวันที่ 3 กันยายน 2026 SDK อาจห่อหุ้มข้อผิดพลาดไว้ใน exception ของตัวเอง ดังนั้นควรตรวจสอบสถานะ 400 หรือรหัส INVALID_ARGUMENT ไม่ควรผูกกับข้อความอย่างเดียว

ก่อนย้ายข้อมูล

{
  "model": "gemini-3.8-flash",
  "input": "Classify this ticket as billing, bug, or feature.",
  "generation_config": { "thinking_level": "minimal" }
}

หลังย้ายข้อมูล

{
  "model": "gemini-3.8-flash",
  "input": "Classify this ticket as billing, bug, or feature.",
  "generation_config": { "thinking_level": "low" }
}

Google แนะนำให้แมปโดยตรง:

minimal → low

อย่าพยายามใช้ thinking_budget เพื่อสร้างระดับที่ต่ำกว่า และอย่าลด temperature เพื่อให้โมเดล “ใจเย็นลง” Google แนะนำให้คงค่าเริ่มต้น 1.0 ในโมเดล Gemini 3 ทั้งหมด เพราะการลดค่าอาจทำให้เกิดการวนซ้ำหรือเอาต์พุตด้อยคุณภาพ

รายละเอียดเรื่อง thought signatures และข้อกำหนด call_id ใน function response อยู่ใน คู่มือการย้ายข้อมูล 3.7 ไป 3.8 Flash

เนื่องจากข้อผิดพลาดเกิดขึ้นตั้งแต่ขั้นตอน validation คุณสามารถเพิ่มคำขอทดสอบที่ใช้ minimal เพื่อจับการตั้งค่าที่ถอยกลับไปใช้ค่าที่ไม่รองรับได้โดยไม่ต้องรอให้เกิดการสร้างโทเค็น

ค่าใช้จ่ายของแต่ละระดับ

ราคาต่อโทเค็นไม่ได้เปลี่ยนตามระดับ ตาม หน้าการกำหนดราคา:

Input: $0.75 ต่อล้านโทเค็น ตามราคาแนะนำ
Output: $3.75 ต่อล้านโทเค็น ตามราคาแนะนำ
ตั้งแต่วันที่ 2027-01-01 ราคาเพิ่มเป็น $1.50 และ $7.50 ตามลำดับ

สิ่งที่แตกต่างระหว่างระดับคือจำนวน output tokens ที่โมเดลสร้างขึ้น

โมเดลและระดับ	ค่าใช้จ่ายต่อภารกิจ	เวลาต่อภารกิจ
Gemini 3.8 Flash `low`	$0.24	0.8 นาที
Gemini 3.8 Flash `medium`	$0.41	ไม่ระบุ
Gemini 3.8 Flash `high`	$0.58	2.5 นาที
Gemini 3.7 Flash `high`	$0.40	2.2 นาที

ที่มา: Artificial Analysis, การทดสอบ Intelligence Index โดยใช้ราคาแนะนำ

ข้อสังเกตสำคัญจากตาราง:

low มีค่าใช้จ่ายประมาณ 41% ของ high และใช้เวลาประมาณหนึ่งในสาม จึงเป็นตัวเลือกสำคัญสำหรับงานที่ไวต่อความหน่วง
medium บน 3.8 Flash มีค่าใช้จ่ายใกล้เคียงกับ high บน 3.7 Flash ($0.41 เทียบกับ $0.40)
high บน 3.8 Flash แพงกว่า high บน 3.7 Flash ประมาณ 45% แม้ราคาต่อโทเค็นเท่ากัน เนื่องจากสร้าง output tokens มากขึ้นประมาณ 30% หรือเฉลี่ยราว 48k โทเค็นต่อภารกิจในดัชนี

อย่าสรุปว่าคุณภาพจะเพิ่มหรือลดเป็นเส้นตรงตามค่าใช้จ่าย คะแนน Intelligence Index ของ Artificial Analysis ที่ 59 สำหรับ 3.8 Flash มาจากการรันด้วย high พวกเขาไม่ได้เผยแพร่คะแนนของ medium หรือ low ดังนั้นควรประเมินงานของคุณเองก่อนลดระดับ

สำหรับตัวอย่างการคำนวณค่าใช้จ่าย 1,000 ภารกิจต่อวัน และการเปลี่ยนราคาในวันที่ 31 ธันวาคม โปรดดู การกำหนดราคา Gemini 3.8 Flash

ตั้งค่า `thinking_level` ใน Interactions API

Interactions API เป็นอินเทอร์เฟซหลักของ Google สำหรับ Gemini 3.x ระดับจะอยู่ใน generation_config และใช้รูปแบบ snake_case

cURL

curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-[REDACTED CREDENTIAL] -H 'Content-Type: application/json' \
  -d '{"model":"gemini-3.8-flash","input":"Explain HTTP caching in 3 sentences.","generation_config":{"thinking_level":"low"}}'

Python

interaction = client.interactions.create(
    model="gemini-3.8-flash",
    input="Explain HTTP caching in 3 sentences.",
    generation_config={"thinking_level": "low"},
)
print(interaction.output_text)

thinking_level เป็นฟิลด์ระดับคำขอ จึงต้องส่งทุกครั้ง รวมถึงการโต้ตอบต่อเนื่องที่ใช้ previous_interaction_id

การตอบกลับจะเป็นรายการขั้นตอน เช่น thoughts และ tool calls ก่อนจบด้วย model_output โดย SDK จะแสดงข้อความสุดท้ายผ่าน output_text ดูตัวอย่างการใช้งานแบบเต็ม รวมถึง multi-turn และ streaming ได้ที่ วิธีใช้ Gemini 3.8 Flash API

ตั้งค่าใน `generateContent` แบบดั้งเดิม

โค้ด Gemini ส่วนใหญ่ยังใช้ generateContent ซึ่ง Google เรียกว่า legacy API แต่ยังได้รับการสนับสนุนอย่างเต็มที่และยังไม่มีวันยุติการใช้งาน

ใน API นี้ ฟิลด์จะอยู่ลึกลงไปอีกหนึ่งระดับและใช้รูปแบบ camelCase

cURL

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.8-flash:generateContent" \
  -H "x-goog-[REDACTED CREDENTIAL]" -H 'Content-Type: application/json' -X POST \
  -d '{"contents":[{"parts":[{"text":"Explain HTTP caching in 3 sentences."}]}],
       "generationConfig":{"thinkingConfig":{"thinkingLevel":"low","includeThoughts":true}}}'

Python

from google.genai import types

response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents="Explain HTTP caching in 3 sentences.",
    config=types.GenerateContentConfig(
        thinking_config=types.ThinkingConfig(thinking_level="low")
    ),
)
print(response.usage_metadata.thoughts_token_count)

includeThoughts: true จะเพิ่ม thought summaries เข้าไปใน response ซึ่งมีประโยชน์ตอนปรับระดับ แต่ไม่จำเป็นเมื่อใช้งานจริง

ฟิลด์ที่ควรเฝ้าดูคือ:

usageMetadata.thoughtsTokenCount

นี่คือจำนวน thinking tokens ที่ถูกเรียกเก็บเป็น output tokens และควรเป็นหนึ่งในตัวชี้วัดหลักของการทดสอบ

กลยุทธ์เลือกใช้ตามเส้นทาง

ให้มอง thinking_level เป็น การตัดสินใจระดับเส้นทาง ไม่ใช่การตั้งค่ากลางทั้งระบบ

แชทและ autocomplete: ใช้ low เมื่อผู้ใช้กำลังรอผลและ first-token latency สำคัญ
การจัดหมวดหมู่ การดึงข้อมูล และการค้นหาจากข้อความถอดเสียง: เริ่มด้วย low แล้วทำ evaluation เพื่อยืนยันความแม่นยำ ตัวอย่างวิดีโอของ Google ก็ใช้ low สำหรับการค้นหาจากข้อความถอดเสียง
Coding agents และ tool loops: ใช้ medium เป็นค่าเริ่มต้น ยกระดับเฉพาะขั้นตอนวางแผนที่กำหนดทุกขั้นตอนถัดไปเป็น high แล้วลดกลับลงมา การใช้ high ตลอด tool loop อาจเพิ่มค่าใช้จ่ายอย่างรวดเร็ว
เวิร์กโฟลว์เอกสารขนาดใหญ่และใช้เวลานาน: ใช้ high ร่วมกับ Batch API ซึ่งลดค่าใช้จ่ายได้ 50% เมื่อไม่ใช่งานแบบโต้ตอบ
วิดีโอ:
- high: การถามตอบภาพที่มีข้อมูลหนาแน่น หรือวิดีโอยาวกว่า 60 นาที
- medium: การถามตอบวิดีโอทั่วไป
- low: การค้นหาจากข้อความถอดเสียง

หากแม้แต่ low ของ 3.8 Flash ยังช้าหรือแพงเกินไป ให้พิจารณาตระกูล Flash-Lite คู่มือ Gemini 3.1 Flash-Lite ครอบคล้าดูจำนวนโทเค็นหลังอัปเกรด

ลดระดับหรือเปลี่ยนโมเดลได้โดยไม่ต้องดีพลอยโค้ดใหม่

ทดสอบทั้งสามระดับใน Apidog

ข้อมูลจาก Artificial Analysis ช่วยบอกอัตราส่วน แต่มีเพียงพรอมต์จริงของคุณเท่านั้นที่จะบอกค่า latency, token usage และค่าใช้จ่ายที่ใช้งานได้จริง

สร้างสถานการณ์ทดสอบใน Apidog โดยส่ง golden prompt เดียวกันด้วยทั้งสามระดับ:

เก็บคีย์เป็น environment variable สร้าง GEMINI_API_KEY ใน Apidog และอ้างอิงใน header เป็น {{GEMINI_API_KEY}}
สร้างตัวแปร THINKING_LEVEL เพื่อใช้ request เดียวกับทั้งสามขั้นตอน
บันทึก request แบบ POST ไปยัง /v1beta/models/gemini-3.8-flash:generateContent โดยกำหนดค่า:

   {
     "thinkingConfig": {
       "thinkingLevel": "{{THINKING_LEVEL}}"
     }
   }

สร้าง test scenario สามขั้นตอน โดยใช้ค่า THINKING_LEVEL เป็น low, medium และ high
ตรวจสอบผลลัพธ์ในทุกขั้นตอน:
- HTTP status เป็น 200
- มี usageMetadata.thoughtsTokenCount
- low อยู่ภายใต้ขีดจำกัด latency และ token ที่เส้นทางยอมรับได้
- high ใช้การให้เหตุผลอย่างน้อยเท่ากับ low

หลังการรันครั้งแรก ให้เก็บค่าของแต่ละขั้นตอนไว้ในตัวแปร เพื่อให้การตรวจสอบทำได้อัตโนมัติ หาก low ใช้โทเค็นมากกว่า high ให้ถือว่าโมเดลหรือค่าเริ่มต้นอาจเปลี่ยนโดยไม่รู้ตัว

เพิ่ม negative test ด้วย:

   {
     "thinkingLevel": "minimal"
   }

จากนั้นยืนยันว่าการตอบกลับไม่ใช่ 200 เมื่อเปลี่ยน model ID ในอนาคต ขั้นตอนนี้ช่วยตรวจสอบว่าโมเดลใหม่ยังปฏิเสธค่าที่ไม่รองรับหรือไม่

ตั้งเวลาให้ scenario รันทุกวัน เพื่อให้การเปลี่ยนแปลงพฤติกรรมหรือ configuration regression ปรากฏเป็น failed run แทนที่จะไปปรากฏในใบแจ้งหนี้ ดูวิธีตั้งค่าได้ที่ วิธีตั้งเวลาทดสอบ API ใน Apidog

สำหรับ streaming response สามารถใช้แนวทางเดียวกันกับ SSE ได้ ดูรายละเอียดที่ วิธีทดสอบ LLM APIs ที่สตรีมผ่าน SSE

ดาวน์โหลด Apidog เพื่อเริ่มทดสอบ โดยแผนฟรีรองรับ scenario เหล่านี้

คำถามที่พบบ่อย

ระดับการคิดเปลี่ยนราคาต่อโทเค็นหรือไม่

ไม่ ราคาของ 3.8 Flash ยังคงเป็น $0.75 ต่อล้าน input tokens และ $3.75 ต่อล้าน output tokens ตามราคาแนะนำ โดยไม่ขึ้นกับระดับ

ระดับจะเปลี่ยนจำนวน output tokens ที่โมเดลสร้างขึ้นเพื่อการคิด และโทเค็นเหล่านั้นจะถูกคิดในราคา output รายละเอียดเรื่องการแคช การประมวลผลแบบแบตช์ และการขึ้นราคาในวันที่ 1 มกราคมอยู่ใน หน้าการกำหนดราคา

กำหนดงบประมาณ thinking tokens แบบตายตัวได้หรือไม่

ไม่ได้ ใน Gemini 3 thinking_budget ถูกแทนที่ด้วย enum thinking_level และ 3.8 Flash รองรับเฉพาะ low, medium และ high

หากต้องการจำกัดเพดาน ให้บังคับใช้ผ่าน evaluation, monitoring และ alerting แทนการกำหนดใน request

คะแนน Artificial Analysis ที่ 59 ใช้ระดับใด

ใช้ high Artificial Analysis รัน Intelligence Index ด้วยระดับ high เพื่อสร้างคะแนนหลัก และเผยแพร่ค่าใช้จ่ายกับเวลาของ low และ medium แต่ไม่ได้เผยแพร่คะแนนดัชนีของสองระดับนั้น

จึงควรถือว่าคุณภาพของ low และ medium ยังไม่ได้รับการยืนยันบน benchmark เดียวกัน จนกว่าคุณจะทดสอบเอง

ควรลด `temperature` เพื่อลดการคิดหรือไม่

ไม่ควร Google แนะนำให้คง temperature ที่ค่าเริ่มต้น 1.0 ในโมเดล Gemini 3 ทั้งหมด การลดค่าอาจทำให้เกิดการวนซ้ำหรือเอาต์พุตด้อยคุณภาพ

ใช้ thinking_level เพื่อควบคุมความลึกของการให้เหตุผล

ถ้าแม้แต่ `low` ยังช้าหรือแพงเกินไปควรทำอย่างไร

มีสองทางเลือก:

ใช้ Gemini 3.7 Flash ต่อไป ซึ่ง Google ระบุว่ายังได้รับการสนับสนุนอย่างเต็มที่และไม่มีวันยุติการใช้งาน
ย้ายเส้นทางไปยังโมเดล Flash-Lite

อ่านการเปรียบเทียบเพิ่มเติมได้ที่ การเปรียบเทียบ Gemini 3.8 Flash กับ Gemini 3.7 Flash

สรุป: เลือกระดับต่อเส้นทาง แล้ววัดผล

Gemini 3.8 Flash มีสามระดับการคิดและใช้ medium เป็นค่าเริ่มต้น โมเดลยังสามารถใช้โทเค็นมากขึ้นในงานซับซ้อนตามการออกแบบ

แนวทางที่ควรทำ:

กำหนด thinking_level อย่างชัดเจนในทุกเส้นทาง
แมปค่า minimal ที่ยังหลงเหลืออยู่เป็น low
อย่าใช้ thinking_budget กับ Gemini 3
คง temperature ไว้ที่ 1.0
ตรวจสอบ usageMetadata.thoughtsTokenCount
ทดสอบ low, medium และ high ด้วยพรอมต์จริงของคุณ
ใช้ Apidog ตั้ง scenario แบบทำซ้ำได้และรันตามเวลา

ตัวเลขจาก Artificial Analysis—$0.24, $0.41 และ $0.58 ต่อภารกิจ—ช่วยให้เห็นรูปแบบโดยรวม ส่วนการทดสอบสามขั้นตอนใน Apidog จะบอกต้นทุนและ latency ของระบบคุณเอง ก่อนการเปลี่ยนแปลงราคาในวันที่ 31 ธันวาคมจะทำให้ผลลัพธ์เหล่านี้สำคัญยิ่งขึ้น

DEV Community

เจมิไน 3.8 แฟลช: เปรียบเทียบระดับการคิด ต่ำ ปานกลาง สูง พร้อมเหตุผลที่ระดับ Minimal หายไป

ตั้งค่า `thinking_level` ของ Gemini 3.8 Flash ให้เหมาะกับแต่ละเส้นทาง

ระดับการคิดโดยสรุป

แต่ละระดับควบคุมอะไร

ค่าเริ่มต้นคือ `medium` ไม่ใช่ `high`

`minimal` ไม่รองรับแล้ว: วิธีแก้ข้อผิดพลาด

ก่อนย้ายข้อมูล

หลังย้ายข้อมูล

ค่าใช้จ่ายของแต่ละระดับ

ตั้งค่า `thinking_level` ใน Interactions API

cURL

Python

ตั้งค่าใน `generateContent` แบบดั้งเดิม

cURL

Python

กลยุทธ์เลือกใช้ตามเส้นทาง

ทดสอบทั้งสามระดับใน Apidog

คำถามที่พบบ่อย

ระดับการคิดเปลี่ยนราคาต่อโทเค็นหรือไม่

กำหนดงบประมาณ thinking tokens แบบตายตัวได้หรือไม่

คะแนน Artificial Analysis ที่ 59 ใช้ระดับใด

ควรลด `temperature` เพื่อลดการคิดหรือไม่

ถ้าแม้แต่ `low` ยังช้าหรือแพงเกินไปควรทำอย่างไร

สรุป: เลือกระดับต่อเส้นทาง แล้ววัดผล

Top comments (0)

ตั้งค่า thinking_level ของ Gemini 3.8 Flash ให้เหมาะกับแต่ละเส้นทาง

ระดับการคิดโดยสรุป

แต่ละระดับควบคุมอะไร

ค่าเริ่มต้นคือ medium ไม่ใช่ high

minimal ไม่รองรับแล้ว: วิธีแก้ข้อผิดพลาด

ก่อนย้ายข้อมูล

หลังย้ายข้อมูล

ค่าใช้จ่ายของแต่ละระดับ

ตั้งค่า thinking_level ใน Interactions API

cURL

Python

ตั้งค่าใน generateContent แบบดั้งเดิม

cURL

Python

กลยุทธ์เลือกใช้ตามเส้นทาง

ทดสอบทั้งสามระดับใน Apidog

คำถามที่พบบ่อย

ระดับการคิดเปลี่ยนราคาต่อโทเค็นหรือไม่

กำหนดงบประมาณ thinking tokens แบบตายตัวได้หรือไม่

คะแนน Artificial Analysis ที่ 59 ใช้ระดับใด

ควรลด temperature เพื่อลดการคิดหรือไม่

ถ้าแม้แต่ low ยังช้าหรือแพงเกินไปควรทำอย่างไร

สรุป: เลือกระดับต่อเส้นทาง แล้ววัดผล

ตั้งค่า `thinking_level` ของ Gemini 3.8 Flash ให้เหมาะกับแต่ละเส้นทาง

ค่าเริ่มต้นคือ `medium` ไม่ใช่ `high`

`minimal` ไม่รองรับแล้ว: วิธีแก้ข้อผิดพลาด

ตั้งค่า `thinking_level` ใน Interactions API

ตั้งค่าใน `generateContent` แบบดั้งเดิม

ควรลด `temperature` เพื่อลดการคิดหรือไม่

ถ้าแม้แต่ `low` ยังช้าหรือแพงเกินไปควรทำอย่างไร