اگر شما یک توسعه‌دهنده اندروید هستید که به دنبال پیاده‌سازی ویژگی‌های نوآورانه هوش مصنوعی در برنامه خود هستید، ما اخیراً به‌روزرسانی‌های جدید و قدرتمندی را منتشر کرده‌ایم:

• استنتاج ترکیبی، یک API جدید برای منطق هوش مصنوعی فایربیس برای بهره‌گیری از استنتاج روی دستگاه و ابری
• پشتیبانی از مدل‌های جدید Gemini از جمله آخرین مدل‌های Nano Banana برای تولید تصویر.

بیایید بپریم داخل!

آزمایش با استنتاج ترکیبی

با API جدید Firebase برای استنتاج ترکیبی ، ما یک رویکرد مسیریابی ساده مبتنی بر قانون را به عنوان یک راه حل اولیه پیاده‌سازی کردیم تا به شما امکان دهیم از طریق یک API یکپارچه، هم از استنتاج روی دستگاه و هم از استنتاج ابری استفاده کنید. ما در حال برنامه‌ریزی برای ارائه قابلیت‌های مسیریابی پیچیده‌تر در آینده هستیم.

این به برنامه شما اجازه می‌دهد تا به صورت پویا بین Gemini Nano که به صورت محلی روی دستگاه اجرا می‌شود و مدل‌های Gemini که توسط ابر میزبانی می‌شوند، جابجا شود. اجرای روی دستگاه از Prompt API کیت ML استفاده می‌کند. استنتاج ابری از تمام مدل‌های Gemini از Firebase AI Logic هم در Vertex AI و هم در Developer API پشتیبانی می‌کند.

برای استفاده از آن، وابستگی‌های firebase-ai-ondevice را به همراه Firebase AI Logic به برنامه خود اضافه کنید:

dependencies {
 [...] 
 implementation("com.google.firebase:firebase-ai:17.10.1")
 implementation("com.google.firebase:firebase-ai-ondevice:16.0.0-beta01")
}

در طول مقداردهی اولیه، شما یک نمونه GenerativeModel ایجاد می‌کنید و آن را با حالت‌های استنتاج خاص، مانند PREFER_ON_DEVICE (در صورت عدم دسترسی به Gemini Nano در دستگاه، به فضای ابری برمی‌گردد) یا PREFER_IN_CLOUD (در صورت آفلاین بودن به استنتاج روی دستگاه برمی‌گردد) پیکربندی می‌کنید:

val model = Firebase.ai(backend = GenerativeBackend.googleAI())
    .generativeModel(
        modelName = "gemini-3.1-flash-lite",
        onDeviceConfig = OnDeviceConfig(
           mode = InferenceMode.PREFER_ON_DEVICE
        )
    )

val response = model.generateContent(prompt)

API فایربیس برای استنتاج ترکیبی برای اندروید هنوز در مرحله آزمایشی است و ما شما را تشویق می‌کنیم که آن را در برنامه خود امتحان کنید، به خصوص اگر از قبل از منطق هوش مصنوعی فایربیس استفاده می‌کنید.

در حال حاضر، مدل‌های روی دستگاه برای تولید متن تک‌نوبتی بر اساس ورودی‌های متن یا تصویر بیت‌مپ واحد، تخصصی شده‌اند. برای جزئیات بیشتر، محدودیت‌ها را بررسی کنید.

ما به تازگی یک نمونه جدید در کاتالوگ نمونه هوش مصنوعی منتشر کرده‌ایم که از API فایربیس برای هیبرید بهره می‌برد ، این نمونه نشان می‌دهد که چگونه می‌توان از API فایربیس برای استنتاج هیبرید برای تولید یک بررسی بر اساس چند موضوع انتخاب شده و سپس ترجمه آن به زبان‌های مختلف استفاده کرد. برای مشاهده آن در عمل، کد را بررسی کنید!

نمونه استنتاج ترکیبی جدید در عمل

مدل‌های جدید ما را امتحان کنید

به عنوان بخشی از مدل‌های جدید Gemini، ما دو مدل منتشر کرده‌ایم که به طور ویژه برای توسعه‌دهندگان اندروید مفید هستند و به راحتی از طریق Firebase AI Logic SDK در برنامه شما ادغام می‌شوند.

نانو موز
سال گذشته ما Nano Banana، یک مدل تولید تصویر پیشرفته، را منتشر کردیم. و چند هفته پیش، چند مدل جدید Nana Banana را منتشر کردیم.

نانو موز پرو (Gemini 3 Pro Image) برای تولید حرفه‌ای طراحی شده است و می‌تواند متن با کیفیت بالا را حتی با یک فونت خاص یا شبیه‌سازی انواع مختلف دست‌خط، رندر کند.

نانو موز ۲ (Gemini 3.1 Flash Image) نمونه‌ی هم‌رده‌ی نانو موز پرو با راندمان بالا است. این نرم‌افزار برای سرعت و موارد استفاده‌ی با حجم بالا بهینه شده است. می‌توان از آن برای طیف وسیعی از موارد استفاده (اینفوگرافیک‌ها، استیکرهای مجازی، تصاویر متنی و غیره) استفاده کرد.  

مدل‌های جدید نانو موز از دانش دنیای واقعی و قابلیت‌های استدلال عمیق برای تولید تصاویر دقیق و جزئی بهره می‌برند.

ما نمونه Magic Selfie خود (استفاده از تولید تصویر برای تغییر پس‌زمینه سلفی!) را برای استفاده از Nano Banana 2 به‌روزرسانی کردیم. تقسیم‌بندی پس‌زمینه اکنون مستقیماً با مدل تولید تصویر انجام می‌شود که پیاده‌سازی را آسان‌تر می‌کند و به قابلیت‌های بهبود یافته تولید تصویر Nano Banana 2 اجازه درخشش می‌دهد. آن را در عمل اینجا ببینید.

می‌توانید از طریق Firebase AI Logic SDK از آن استفاده کنید. برای اطلاعات بیشتر به مستندات اندروید مراجعه کنید.

جمینی ۳.۱ فلش-لایت

ما همچنین Gemini 3.1 Flash-Lite ، نسخه جدیدی از خانواده Gemini Flash-Lite، را منتشر کردیم. مدل‌های Gemini Flash-Lite به دلیل نسبت کیفیت/تاخیر خوب و هزینه استنتاج پایین، به ویژه مورد توجه توسعه‌دهندگان اندروید قرار گرفته‌اند. این نرم‌افزار توسط توسعه‌دهندگان اندروید برای موارد استفاده مختلفی مانند ترجمه پیام‌های درون برنامه‌ای یا تولید دستور غذا از روی تصویر یک غذا استفاده شده است.

Gemini 3.1 Flash-Lite که در حال حاضر در مرحله پیش‌نمایش است، موارد استفاده پیشرفته‌تری را با تأخیری قابل مقایسه با Gemini 2.5 Flash-Lite فراهم می‌کند.

برای کسب اطلاعات بیشتر در مورد این مدل، مستندات Firebase را بررسی کنید.

نتیجه‌گیری

اکنون زمان بسیار خوبی است که نمونه جدید Hybrid را در کاتالوگ ما بررسی کنید تا این قابلیت‌ها را در عمل ببینید و مزایای مسیریابی بین استنتاج روی دستگاه و ابری را درک کنید. همچنین شما را تشویق می‌کنیم تا مستندات ما را برای آزمایش مدل‌های جدید Gemini بررسی کنید.