Gemini 快速开始

平台提供了与 Google Gemini API 兼容的 Models 接口，开发者可以使用 Gemini SDK 或其他支持的工具直接调用 Modelverse 上的 Gemini 模型。本文将详细介绍如何快速在 UModelverse 平台发出您的第一个 Gemini API 请求，包括SDK安装、调用示例及文档理解相关操作。

快速开始

安装 Google GenAI SDK

本示例使用 Python 语言 SDK，需确保您的 Python 版本为 3.9 及更高版本，通过以下 pip 命令安装 google-genai 软件包：

pip install google-genai

调用示例

以下示例使用 generateContent 方法，通过 gemini\-3\-flash\-preview 模型向 UModelverse API 发送请求。

请确保将 $MODELVERSE\_API\_KEY 替换为您自己的 API Key，获取 API Key。

非流式调用

适用于无需实时返回结果的场景，请求完成后一次性获取完整响应。需通过 http\_options 指定 Modelverse 的 API 地址。

Python 示例

from google import genai
from google.genai import types

client = genai.Client(
  api_key="<MODELVERSE_API_KEY>",
  http_options=types.HttpOptions(
      base_url="https://api.modelverse.cn"
  ),
)

response = client.models.generate_content(
  model="gemini-3-flash-preview",
  contents=[
      {"text": "How does AI work?"},
  ],
  config=types.GenerateContentConfig(
      thinking_config=types.ThinkingConfig(thinking_budget=0),
  ),
)
print(response.text)

curl 示例

curl "https://api.modelverse.cn/v1beta/models/gemini-3-flash-preview:generateContent" \
   -H "x-goog-api-key: $MODELVERSE_API_KEY" \
   -H "Content-Type: application/json" \
   -X POST \
   -d '{
         "contents": [
           {
             "parts": [
               {
                 "text": "How does AI work?"
               }
             ]
           }
         ],
         "generationConfig": {
           "thinkingConfig": {
             "thinkingBudget": 0
           }
         }
       }'

流式调用

通过流式调用可实时获取响应结果，适用于需要即时展示输出的场景。

Python 示例

from google import genai
from google.genai import types

client = genai.Client(
   api_key="<MODELVERSE_API_KEY>",
   http_options=types.HttpOptions(
       base_url="https://api.modelverse.cn"
   ),
)

response = client.models.generate_content_stream(
   model="gemini-3-flash-preview", contents=["Explain how AI works"]
)
for chunk in response:
   print(chunk.text, end="")

curl 示例

curl "https://api.modelverse.cn/v1beta/models/gemini-3-flash-preview:GenerateContent?alt=sse" \
   -H "Authorization: Bearer $MODELVERSE_API_KEY" \
   -H "Content-Type: application/json" \
   -d '{
     "contents": [
       {
         "role": "user",
         "parts": [
           {
             "text": "Explain how AI works"
           }
         ]
       }
     ]
   }'

文档理解

Gemini 模型可以处理 PDF 格式的文档，并使用原生视觉功能来理解整个文档的上下文。这不仅仅是提取文本，还让 Gemini 能够：

分析和解读内容，包括文本、图片、图表、图表和表格，即使是长达 1,000 页的文档也能轻松应对。
以结构化输出格式提取信息。
根据文档中的视觉和文本元素总结内容并回答问题。
转写文档内容（例如转写为 HTML），同时保留布局和格式，以便在下游应用中使用。

您也可以通过相同的方式传递非 PDF 文档，但 Gemini 会将这些文档视为普通文本，从而消除图表或格式等上下文。

以内嵌方式传递 PDF 数据

您可以在向 generateContent 发出的请求中内嵌传递 PDF 数据。此方法最适合处理较小的文档或临时处理，因为您无需在后续请求中引用该文件。

从网址提取 PDF 处理（Python 示例）

from google import genai
from google.genai import types
import httpx

client = genai.Client(
   api_key="<MODELVERSE_API_KEY>",
   http_options=types.HttpOptions(
       base_url="https://api.modelverse.cn"
   ),
)

doc_url = "https://umodelverse-inference.cn-wlcb.ufileos.com/gemini-pdf.pdf"

# Retrieve and encode the PDF byte
doc_data = httpx.get(doc_url).content

prompt = "Summarize this document"
response = client.models.generate_content(
   model="gemini-3-flash-preview",
   contents=[
       types.Part.from_bytes(
           data=doc_data,
           mime_type='application/pdf',
       ),
       prompt
   ]
)

print(response.text)

从网址提取 PDF 处理（curl 示例）

DOC_URL="https://umodelverse-inference.cn-wlcb.ufileos.com/gemini-pdf.pdf"
PROMPT="Summarize this document"
DISPLAY_NAME="base64_pdf"

# Download the PDF
wget -O "${DISPLAY_NAME}.pdf" "${DOC_URL}"

# Check for FreeBSD base64 and set flags accordingly
if [[ "$(base64 --version 2>&1)" = *"FreeBSD"* ]]; then
 B64FLAGS="--input"
else
 B64FLAGS="-w0"
fi

# Base64 encode the PDF
ENCODED_PDF=$(base64 $B64FLAGS "${DISPLAY_NAME}.pdf")

# Generate content using the base64 encoded PDF
curl "https://api.modelverse.cn/v1beta/models/gemini-3-flash-preview:generateContent" \
   -H "x-goog-api-key: $MODELVERSE_API_KEY" \
   -H 'Content-Type: application/json' \
   -X POST \
   -d '{
     "contents": [{
       "parts":[
         {"inline_data": {"mime_type": "application/pdf", "data": "'"$ENCODED_PDF"'"}},
         {"text": "'$PROMPT'"}
       ]
     }]
   }' 2> /dev/null > response.json

cat response.json
echo

jq ".candidates[].content.parts[].text" response.json

# Clean up the downloaded PDF
rm "${DISPLAY_NAME}.pdf"

从本地文件读取 PDF 处理（Python 示例）

from google import genai
from google.genai import types
import pathlib

client = genai.Client(
    api_key="<MODELVERSE_API_KEY>",
    http_options=types.HttpOptions(
        base_url="https://api.modelverse.cn"
    ),
)

# Retrieve and encode the PDF byte
filepath = pathlib.Path('file.pdf')

prompt = "Summarize this document"
response = client.models.generate_content(
  model="gemini-3-flash-preview",
  contents=[
      types.Part.from_bytes(
        data=filepath.read_bytes(),
        mime_type='application/pdf',
      ),
      prompt])
print(response.text)

模型ID说明

更多受支持的 Gemini 模型，请参考【获取模型列表】。

更多字段详情，见 Gemini 官方文档。

注意事项

调用接口时，必须通过 http\_options（Python）或指定正确端点（curl）配置 Modelverse API 地址，否则会调用失败。
内嵌传递 PDF 时，建议用于较小文档；大文档建议通过其他方式处理，避免请求超时。
非 PDF 文档传递时，模型会忽略格式和图表信息，仅提取纯文本进行处理。
流式调用与非流式调用的请求参数和端点存在差异，需根据需求选择对应方式。