先做个广告：需要购买Gemini帐号或代充值Gemini会员，请加微信：gptchongzhi
北京时间12.6午夜，本来今天准备早睡了，结果没法早睡。
推荐使用Gemini中文版,国内可直接访问：https://ai.gpt86.top
Google发布了它憋了很久出的多模态大模型-Gemini，剑指Openai的GPT4-turbo，甚至在测评中只选取了GPT4-turbo作为唯一的测评对象，这是Google对Gemini的横幅：“Gemini 简介：我们最大、能力最强的人工智能模型”，那我们一起来看看谷歌的这个Gemini究竟是什么模样。
Gemini介绍
Gemini 是整个 Google 团队大规模协作努力的成果。它是从头开始构建的多模态，这意味着它可以概括和无缝地理解、操作和组合不同类型的信息，包括文本、代码、音频、图像和视频，也就是说Gemini是从架构的最底层一层一层的搭起积木盖起了Gemini，从中协调了Google各产品技术团队的技术产出。
Gemini推出了三种型号：
Gemini Ultra——Gemini最大、最有能力的模型，适用于高度复杂的任务，对标GPT4-turbo，预计在明年初推出上市。
Gemini Pro——可扩展各种任务的最佳模型，对标GPT3.5-turbo-1106，现已更新到Bard，可免费使用，API将于12.13日上市提供给开发者和企业用户。
Gemini Nano——最高效的设备端Gemini模型，作为移动端或边缘计算的本地LLM，Nano 的两个版本，参数分别为 1.8B (Nano-1) 和 3.25B (Nano-2)，分别针对低内存和高内存设备，采用 4 位量化进行部署。适配于Google前段时间推出的Piexl 8 Pro手机上，看了眼手机价格，1699刀。
Gemini性能对比
Gemini在文本的数学和编程任务上表现出色，无论是Ultra版本或是Pro版本，都大幅领先于相同level的Openai系列LLM，可以说Gemini和GPT不相上下、平分秋色，是Openai迄今为止最大的竞争者，当然也威胁着Openai背后的微软，最近总是在搞些不痛不痒的动作。
多模态能力
文本
Gemini能够筛选大量科学文献以找到与特定研究相关的论文，示例中对2021年以来新增的200,000篇论文进行筛选。Gemini被用来阅读这些论文并从中提取关键数据，并且在提取的数据上添加注释，说明信息是从论文的哪个部分获取的。最后Gemini从200,000篇文献中筛选出250篇，这仅仅花费不到一个小时，检索到高相关性的论文，远超目前各家Long context的性能，并且能够给出来源。
编码
Gemini可以理解、解释和生成流行编程语言（如 Python、Java、C++ 和 Go）中的高质量代码。Gemini Ultra 在多个编码基准测试中表现出色，包括 HumanEval（评估编码任务性能的重要行业标准）和 Natural2Code。
图像
对于含有文本内容的图像识别，Gemini Ultra 的性能优于以前最先进的模型，能够无需OCR的帮助，自己原生具备识别图像中文本内容的能力。
对于图像像素内容的理解，Gemini也展示出了非常震撼的能力。
Case1：全流程的识别用户动作，并实时的语音交互。
示例：用户在纸上全程手绘出一只鸭子，从线条、轮廓到最后成型的鸭子，Gemini都能实时的和用户进行对话，告诉用户这是曲线、动物轮廓、鸭子，和用户深度的语音交流反馈，不仅语音延迟低到可忽略不计，而且Gemini的声音和语音都像是你的一位老朋友在和你沟通那般亲切，文字语言没有一种冷漠的机械感。
Case2：用户和Gemini进行猜国家的游戏互动，Gemini给出了某个国家的特色，用户在地图上指出即可验证回答的是否正确。
示例：Gemini用语音的方式告诉用户某个国家的特色有袋鼠、考拉等，猜猜是哪一个国家？用户在地图上手指指向澳大利亚，Gemini立刻就回答：”Bingo！“，你答对啦！
Case3：用户和Gemini玩纸团在哪个杯子里的游戏，很像人们平常玩的游戏。
示例：用户将一个纸团放在了某个杯子下，随后快速的移动杯子，试图混淆在三个杯子中，但最后蒙不了Gemini，Gemini同学准确地识别出了盖住纸团的杯子，仿佛在说：就这？
Case4：Gemini创意发挥的将物品结合起来。
示例：用户提供两个彩色线球，需要Gemini发挥想象，将他们织成一个动物形象的线球，Gemini给出了一个粉色猪头蓝耳朵的线球玩偶，funny。
音频
Case1：Gemini根据手绘的图像来生成相应风格的音频。
示例：用户在纸上手绘了一个吉他，Gemini立刻生成了一首吉他的曲子音频；然后用户继续手绘了鼓，Gemini也立刻更新了音频，融入了鼓点；最后，纸上出现了一一棵热带植物棕榈树，Gemini也心领神会，立刻将音频更新为热带海滩风格的音乐，而且整个过程交互体验非常棒，perfect！
视频
Case1：考考Gemini知不知道手机里播放的这段视频是什么？看看Gemini的爱好有没有看电影呢
示例：用户手机播放了一段来自电影《黑客帝国》的”子弹镜头“时间片段，视频还没放完，Gemini已经懂了，精确的识别出了这个视频片段的动作，这个能力秒杀微软AI Search中的视频搜索的，不客气地说，微软的Video Search是残废了。
总结
Gemini展现出来的多模态能力尤为亮眼，在最近一众图像、视频的AI模型中可以说鹤立鸡群，多模态给予了大模型视力和听力，更具备人类的生物特征，看看Openai方面会有什么动静？GPT5？拭目以待。
