Pathways Language Model (PaLM):

La disponibilidad del Pathways Language Model (PaLM) y los modelos de incorporación que se indican a continuación se extendió del 9 de octubre de 2024 al 9 de abril de 2025 con limitaciones. Esto te brinda más tiempo para probar y migrar a nuestros modelos Gemini 1.5 más recientes.

A partir del 9 de abril de 2025, ya no se podrá acceder a estos modelos. Deberás migrar a un modelo más reciente para evitar interrupciones del servicio.

A continuación, incluimos recursos sobre cómo migrar a modelos más recientes.

Qué debes saber

El 9 de octubre de 2024, realizaremos los siguientes cambios en los modelos heredados:

Bloquea el uso de estos modelos desde un proyecto creado recientemente.
Rechaza las solicitudes de aumento de cuota nuevas.
Disminuye la cuota predeterminada a 60 QPM.
- Si ya solicitaste un aumento de cuota, NO se te afectará.
Bloquea los nuevos trabajos de ajuste en estos modelos.
- De todos modos, puedes usar modelos ya entrenados.

Los modelos de PaLM que se indican a continuación estarán disponibles hasta la nueva fecha extendida del 9 de abril de 2025:

Código	Texto	Chat
code-bison@001 codechat-bison@001 code-gecko@001 code-bison@002 code-bison-32k@002 codechat-bison@002 codechat-bison-32k@002 code-gecko@002 code-gecko@002	text-bison@001 text-bison@002 text-bison-32k@002 textembedding-gecko@002 textembedding-gecko@001 text-unicorn@001	chat-bison@001 chat-bison@002 chat-bison-32k@002

Qué debes hacer

Te recomendamos que migres a Gemini 1.5 Flash y Gemini 1.5 Pro para mejorar el rendimiento en la mayoría de las tareas, aumentar significativamente la ventana de contexto a más de 1 millón de tokens y obtener multimodalidad nativa. Además, verás ahorros de costos sustanciales junto con estas mejoras.

Además, puedes usar el servicio de evaluación de Vertex AI para comparar el rendimiento entre modelos en tus propios conjuntos de datos de evaluación.

Consulta nuestra guía completa para migrar de la API de PaLM a la API de Gemini en Vertex AI.

PaLM Gemini

PaLM	Gemini
`from vertexai.language_models import TextGenerationModel model=TextGenerationModel.from_pretrained("text-bison@002") response=model.predict(prompt="The opposite of hot is") print(response.text)`	`from vertexai.generative_models import GenerativeModel model=GenerativeModel("gemini-1.5-flash-001") response=model.generate_content("The opposite of hot is") for response in responses: print(response.text)`


          
from vertexai.language_models import TextGenerationModel

model=TextGenerationModel.from_pretrained("text-bison@002")

response=model.predict(prompt="The opposite of hot is")
print(response.text)


          
from vertexai.generative_models import GenerativeModel

model=GenerativeModel("gemini-1.5-flash-001")

response=model.generate_content("The opposite of hot is")

for response in responses:
print(response.text)