- 所有 Gemini 模型都能处理和使用不仅仅是文字的内容。它们在多种音频、图像和视频、庞大的代码库以及不同语言的文本上进行了预训练和微调。
- Gemini 的应用和模型也完全独立于 Imagen 2，可以在公司的一些开发工具和环境中使用。
- 由于 Gemini 模型是多模态的，理论上它们可以执行一系列多模态任务。
谷歌正试图利用 Gemini 引起轰动，这是一个旗舰级的生成式 AI 模型、应用和服务套件。然而，尽管 Gemini 在某些方面看起来很有前途，但根据我们的非正式评测，它在其他方面表现不佳。那么什么是 Gemini？如何使用它？它与竞争对手相比如何？
什么是 Gemini？
Gemini 是谷歌长期承诺的下一代 GenAI 模型系列，由谷歌的人工智能研究实验室 DeepMind 和 Google Research 开发。它有三个版本：
- Gemini Ultra，旗舰级 Gemini 模型
- Gemini Pro，一个“活”的 Gemini 模型
- Gemini Nano，一个较小的“精简版”模型，可在 Pixel 8 Pro 等移动设备上运行
所有 Gemini 模型都经过训练，具有“天然的多模态性”——换句话说，能够处理和使用不仅仅是文字的内容。它们在多种音频、图像和视频、庞大的代码库以及不同语言的文本上进行了预训练和微调。这使得 Gemini 有别于谷歌自己的 LaMDA 等模型，后者专门针对文本数据进行训练。LaMDA 无法理解或生成文本以外的任何内容（例如文章、电子邮件草稿），但 Gemini 模型则没有这种限制。
Gemini 应用与 Gemini 模型有什么区别？
谷歌再次展示了其在品牌塑造上的欠缺，从一开始就没有明确指出 Gemini 与 Web 和移动平台上的 Gemini 应用（前身为 Bard）是分开的。Gemini 应用只是一个界面，通过它可以访问某些模型——你可以将其想象为谷歌 GenAI 客户端。
顺便提一下，Gemini 的应用和模型也完全独立于 Imagen 2，后者是谷歌的文本到图像模型，可以在公司的一些开发工具和环境中使用。别担心，感到困惑的不止你一个人。
Gemini 能做什么？
由于 Gemini 模型是多模态的，理论上它们可以执行一系列多模态任务，从转录语音到为图像和视频添加字幕，再到生成艺术作品。这些功能尚未达到生产阶段（稍后会详细介绍），但谷歌承诺在不久的将来会实现所有这些以及更多功能。谷歌在最初的 Bard 发布中表现严重不佳。最近，该公司还发布了一段视频，声称展示了 Gemini 的能力，但结果证明视频被大量篡改，或多或少只是愿景。