梦晨 西风 发自 凹非寺量子位 | 公众号 QbitAI
谷歌下一代大模型，无预警降临。
Gemini 1.5，除了性能显著增强，还在长上下文理解方面取得突破，甚至能仅靠提示词学会一门训练数据中没有的新语言。
此时距离去年12月Gemini 1.0发布，还不到3个月。
![]()
现在仅仅中杯1.5 Pro版就能越级打平上一代大杯1.0 Ultra版，更是在27项测试中超越平级的1.0 Pro。
![]()
支持100万token上下文窗口，迄今为止大模型中最长，直接甩开对手一个量级。
这还只是对外发布的版本，谷歌更是透露了内部研究版本已经能直冲1000万。
![]()
现在Gemini能处理的内容，可换算成超过70万单词，或1小时视频、11小时音频、超过3万行代码。
没错，这些数据模态Gemini 1.5都已经内建支持。
从今天起，开发者和客户就可以在Vertex API或AI Studio申请试用。
刚刚收到消息还在震惊中的网友们 be like：
![]()
还有人直接@了OpenAI的奥特曼，这你们不跟进一波？
![]()
上下文理解能力拉满
目前谷歌已放出三个不同任务的演示视频，只能说Gemini 1.5是个抽象派（doge）。
在第一段演示视频中，展示的是Gemini 1.5处理长视频的能力。
使用的视频是巴斯特·基顿（Buster Keaton）的44分钟电影，共696161 token。
![]()
演示中直接上传了电影，并给了模型这样的提示词：
找到从人的口袋中取出一张纸的那一刻，并告诉我一些关于它的关键信息以及时间码。
![]()
随后，模型立刻处理，输入框旁边带有一个“计时器”实时记录所耗时间：
![]()
不到一分钟，模型做出了回应，指出12:01的时候有个人从兜里掏出了一张纸，内容是高盛典当经纪公司的一张当票，并且还给出了当票上的时间、成本等详细信息。
![]()
随后经查证，确认模型给出的12:01这个时间点准确无误：
![]()
除了纯文字prompt，还有更多玩法。直接给模型一张抽象“场景图”，询问“发生这种情况时的时间码是多少？”。
同样不到一分钟，模型准确给出了的电影对应的时间点15:34。
![]()
在第二段演示视频中，谷歌展示了Gemini 1.5分析和理解复杂代码库的能力。用到的是Three.js，这是一个3D Javascript库，包含约100000行代码、示例、文档等。
![]()
演示中他们将所有内容放到了一个txt文件中，共816767 token，输入给模型并要求它“找到三个示例来学习角色动画”。
结果模型查看了数百个示例后筛选出了三个关于混合骨骼动画、姿势、面部动画的示例。
![]()
这只是开胃小菜。接下来只用文字询问模型“动画Little Tokyo的demo是由什么控制？”
模型不仅找到了这个demo，并且解释了动画嵌入在gLTF模型中。
![]()
并且还能实现“定制代码”。让模型“给一些代码，添加一个滑块来控制动画的速度。使用其它演示所具有的那种GUI”。
![]()
Gemini 1.5分分钟给出了可以成功运行的代码，动画右上角出现了一个可控速的滑块：
![]()
当然也可以做“代码定位”。仅靠一张demo的图片，Gemini 1.5就能在代码库中从数百个demo中，找到该图对应动画的代码：
![]()
还能修改代码，让地形变得平坦，并解释其中的工作原理：
![]()
修改代码这一块，对文本几何体的修改也不在话下：
![]()
第三个演示视频展示的是Gemini 1.5的文档处理能力。
选用的是阿波罗11号登月任务的402页PDF记录，共326658 token。
![]()
要求Gemini 1.5“找到三个搞笑时刻，并列出文字记录以及表情符号引述”：
![]()
30秒，模型给出了回应，其一是迈克尔·柯林斯的这句话“我敢打赌你一定要喝一杯咖啡”，经查询文档中的确有记录：
![]()
更抽象一点，绘制一个靴子的图片，询问模型“这是什么时刻”。
![]()
模型正确地将其识别为这是Neil在月球上的第一步：
![]()
最后同样可以询问模型快速定位这一时刻在文档中对应的时间位置：
![]()
差不多的抽象风同样适用于1382页、732000 token的《悲惨世界》，一张图定位小说位置。
![]()
仅从提示词中学会一门新语言
对于Gemini 1.5的技术细节，谷歌遵循了OpenAI开的好头，只发布技术报告而非论文。
![]()
其中透露Gemini 1.5使用了MoE架构，但没有更多细节。
![]()
与上代1.0 Pro相比，1.5 Pro在数学、科学、推理、多语言、视频理解上进步最大，并达到1.0 Ultra层次。
![]()
为验证长上下文窗口的性能，使用了开源社区通行的大海捞针测试，也就是在长文本中准确找到可以藏起来的一处关键事实。
结果50万token之前的表现非常完美，一直到千万token，Gemini 1.5也只失误了5次。
![]()
此外还将测试扩展到多模态版本，如在视频画面的某一帧中藏一句话，给的例子是在阿尔法狗的纪录片中藏了“The secret word is ‘needle’”字样。
![]()
结果在视频、音频测试中都实现了100%的召回率。![]()
特别是音频中，对比GPT-4+Whisper的结果，差距非常明显。
![]()
此外谷歌DeepMind团队还测试了一项高难任务，仅通过长提示词让模型学会全新的技能。
![]()
输入一整本语法书，Gemini 1.5 Pro就能在翻译全球不到200人使用的Kalamang上达到人类水平。
相比之下，GPT-4 Turbo和Claude 2.1一次只能看完半本书，想获得这个技能就必须要微调或者使用外部工具了。![]()
也难怪有网友看过后惊呼，“哥们这是要把RAG玩死啊”。
![]()
One More Thing
谷歌还公布了一波已在业务中采用Gemini大模型的客户。
其中有三星手机这样的大厂，也有像Jasper这种靠GPT起家的创业公司，甚至OpenAI董事Adam D‘Angelo旗下的Quora。
与OpenAI形成了直接竞争关系。
![]()
对此，一位网友道出了大家的心声：
真希望这能促使OpenAI发布他们的下一代大模型。
![]()
参考链接：[1] https://twitter.com/JeffDean/status/1758146022726041615[2] https://storage.googleapis.com/deepmind-media/gemini/gemini_v1_5_report.pdf[3] https://blog.google/technology/ai/google-gemini-next-generation-model-february-2024/#gemini-15
— 完 —
点这里👇关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~
![]()
谷歌下一代大模型，无预警降临。
Gemini 1.5，除了性能显著增强，还在长上下文理解方面取得突破，甚至能仅靠提示词学会一门训练数据中没有的新语言。
此时距离去年12月Gemini 1.0发布，还不到3个月。
现在仅仅中杯1.5 Pro版就能越级打平上一代大杯1.0 Ultra版，更是在27项测试中超越平级的1.0 Pro。
支持100万token上下文窗口，迄今为止大模型中最长，直接甩开对手一个量级。
这还只是对外发布的版本，谷歌更是透露了内部研究版本已经能直冲1000万。
现在Gemini能处理的内容，可换算成超过70万单词，或1小时视频、11小时音频、超过3万行代码。
没错，这些数据模态Gemini 1.5都已经内建支持。
从今天起，开发者和客户就可以在Vertex API或AI Studio申请试用。
刚刚收到消息还在震惊中的网友们 be like：
还有人直接@了OpenAI的奥特曼，这你们不跟进一波？
上下文理解能力拉满
目前谷歌已放出三个不同任务的演示视频，只能说Gemini 1.5是个抽象派（doge）。
在第一段演示视频中，展示的是Gemini 1.5处理长视频的能力。
使用的视频是巴斯特·基顿（Buster Keaton）的44分钟电影，共696161 token。
演示中直接上传了电影，并给了模型这样的提示词：
找到从人的口袋中取出一张纸的那一刻，并告诉我一些关于它的关键信息以及时间码。
随后，模型立刻处理，输入框旁边带有一个“计时器”实时记录所耗时间：
不到一分钟，模型做出了回应，指出12:01的时候有个人从兜里掏出了一张纸，内容是高盛典当经纪公司的一张当票，并且还给出了当票上的时间、成本等详细信息。
随后经查证，确认模型给出的12:01这个时间点准确无误：
除了纯文字prompt，还有更多玩法。直接给模型一张抽象“场景图”，询问“发生这种情况时的时间码是多少？”。
同样不到一分钟，模型准确给出了的电影对应的时间点15:34。
在第二段演示视频中，谷歌展示了Gemini 1.5分析和理解复杂代码库的能力。用到的是Three.js，这是一个3D Javascript库，包含约100000行代码、示例、文档等。
演示中他们将所有内容放到了一个txt文件中，共816767 token，输入给模型并要求它“找到三个示例来学习角色动画”。
结果模型查看了数百个示例后筛选出了三个关于混合骨骼动画、姿势、面部动画的示例。
这只是开胃小菜。接下来只用文字询问模型“动画Little Tokyo的demo是由什么控制？”
模型不仅找到了这个demo，并且解释了动画嵌入在gLTF模型中。
并且还能实现“定制代码”。让模型“给一些代码，添加一个滑块来控制动画的速度。使用其它演示所具有的那种GUI”。
Gemini 1.5分分钟给出了可以成功运行的代码，动画右上角出现了一个可控速的滑块：
当然也可以做“代码定位”。仅靠一张demo的图片，Gemini 1.5就能在代码库中从数百个demo中，找到该图对应动画的代码：
还能修改代码，让地形变得平坦，并解释其中的工作原理：
修改代码这一块，对文本几何体的修改也不在话下：
第三个演示视频展示的是Gemini 1.5的文档处理能力。
选用的是阿波罗11号登月任务的402页PDF记录，共326658 token。
要求Gemini 1.5“找到三个搞笑时刻，并列出文字记录以及表情符号引述”：
30秒，模型给出了回应，其一是迈克尔·柯林斯的这句话“我敢打赌你一定要喝一杯咖啡”，经查询文档中的确有记录：
更抽象一点，绘制一个靴子的图片，询问模型“这是什么时刻”。
模型正确地将其识别为这是Neil在月球上的第一步：
最后同样可以询问模型快速定位这一时刻在文档中对应的时间位置：
差不多的抽象风同样适用于1382页、732000 token的《悲惨世界》，一张图定位小说位置。
仅从提示词中学会一门新语言
对于Gemini 1.5的技术细节，谷歌遵循了OpenAI开的好头，只发布技术报告而非论文。
其中透露Gemini 1.5使用了MoE架构，但没有更多细节。
与上代1.0 Pro相比，1.5 Pro在数学、科学、推理、多语言、视频理解上进步最大，并达到1.0 Ultra层次。
为验证长上下文窗口的性能，使用了开源社区通行的大海捞针测试，也就是在长文本中准确找到可以藏起来的一处关键事实。
结果50万token之前的表现非常完美，一直到千万token，Gemini 1.5也只失误了5次。
此外还将测试扩展到多模态版本，如在视频画面的某一帧中藏一句话，给的例子是在阿尔法狗的纪录片中藏了“The secret word is ‘needle’”字样。
结果在视频、音频测试中都实现了100%的召回率。
特别是音频中，对比GPT-4+Whisper的结果，差距非常明显。
此外谷歌DeepMind团队还测试了一项高难任务，仅通过长提示词让模型学会全新的技能。
输入一整本语法书，Gemini 1.5 Pro就能在翻译全球不到200人使用的Kalamang上达到人类水平。
相比之下，GPT-4 Turbo和Claude 2.1一次只能看完半本书，想获得这个技能就必须要微调或者使用外部工具了。
也难怪有网友看过后惊呼，“哥们这是要把RAG玩死啊”。
One More Thing
谷歌还公布了一波已在业务中采用Gemini大模型的客户。
其中有三星手机这样的大厂，也有像Jasper这种靠GPT起家的创业公司，甚至OpenAI董事Adam D‘Angelo旗下的Quora。
与OpenAI形成了直接竞争关系。
对此，一位网友道出了大家的心声：
真希望这能促使OpenAI发布他们的下一代大模型。
参考链接：[1] https://twitter.com/JeffDean/status/1758146022726041615[2] https://storage.googleapis.com/deepmind-media/gemini/gemini_v1_5_report.pdf[3] https://blog.google/technology/ai/google-gemini-next-generation-model-february-2024/#gemini-15
— 完 —
点这里👇关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~