Udforskning af Gemini 1.5: Hvordan Googles seneste multimodale AI-model udvikler AI-landskabet ud over sin forgænger

I det hurtigt udviklende landskab af kunstig intelligens fortsætter Google (GOOGL ) med at føre an med sine banebrydende udviklinger inden for multimodal AI-teknologier. Kort efter debuten af Gemini 1.0, deres banebrydende multimodal store sprogmodel, har Google nu præsenteret Gemini 1.5. Denne iteration udvider ikke kun kapaciteten, der er etableret af Gemini 1.0, men bringer også betydelige forbedringer i Googles metode til behandling og integration af multimodal data. Denne artikel giver en udforskning af Gemini 1.5, der kaster lys over dets innovative tilgang og særlige funktioner.

Gemini 1.0: Læggingen af fundamentet

Lanceret af Google DeepMind og Google Research den 6. december 2023, introducerede Gemini 1.0 en ny type multimodal AI-modeller, der kan forstå og generere indhold i forskellige formater, såsom tekst, lyd, billeder og video. Dette markerede et betydeligt skridt i AI, der udvider omfanget for håndtering af forskellige informations typer.

Gemini’s fremhævede funktion er dens evne til at sammenføje multiple data typer uden problemer. I modsætning til konventionelle AI-modeller, der kan specialisere sig i en enkelt dataformat, integrerer Gemini tekst, visuelle og lyd. Denne integration giver det mulighed for at udføre opgaver som analyse af håndskrevne noter eller tydning af komplekse diagrammer, og løser således et bredt spektrum af komplekse udfordringer.

Gemini-familien tilbyder modeller til forskellige anvendelser: Ultra-modellen til komplekse opgaver, Pro-modellen til hastighed og skalerbarhed på større platforme som Google Bard, og Nano-modellerne (Nano-1 og Nano-2) med 1,8 milliarder og 3,25 milliarder parametre, henholdsvis, designet til integration i enheder som Google Pixel 8 Pro-smarttelefonen.

Springet til Gemini 1.5

Googles seneste udgivelse, Gemini 1.5, udvider funktionerne og den operationelle effektivitet af sin forgænger, Gemini 1.0. Denne version antager en ny Mixture-of-Experts (MoE)-arkitektur, der adskiller sig fra den samlede, store model-tilgang set i dens forgænger. Denne arkitektur inkorporerer en samling af mindre, specialiserede transformer-modeller, hver med evnen til at håndtere bestemte segmenter af data eller distinkte opgaver. Denne opsætning giver Gemini 1.5 mulighed for dynamisk at engagere den mest passende ekspert baseret på den indkommende data, og strømliner modellens evne til at lære og behandle information.

Denne innovative tilgang hæver betydeligt modellens trænings- og implementerings-effektivitet ved at aktivere kun de nødvendige eksperter til opgaver. Som følge heraf er Gemini 1.5 i stand til hurtigt at mestre komplekse opgaver og levere højkvalitetsresultater mere effektivt end konventionelle modeller. Sådanne fremskridt giver Googles forskningshold mulighed for at accelerere udviklingen og forbedringen af Gemini-modellen, og udvider mulighederne inden for AI-domænet.

Udvidelse af kapaciteter

En bemærkelsesværdig forbedring i Gemini 1.5 er dens udvidede informationsbehandlingskapacitet. Modellens kontekstvindue, der er mængden af brugerdata, den kan analysere for at generere svar, udvides nu til op til 1 million tokens — en betydelig øgning fra de 32.000 tokens i Gemini 1.0. Denne forbedring betyder, at Gemini 1.5 Pro kan samtidigt behandle omfattende mængder af data, såsom en time videoindhold, elleve timers lyd eller store kodebaser og tekstlige dokumenter. Den er også blevet testet med op til 10 millioner tokens, og viser derved sin enestående evne til at forstå og fortolke enorme datasæt.

Et glimt af Gemini 1.5’s kapaciteter

Gemini 1.5’s arkitektoniske forbedringer og den udvidede kontekstvindue giver det mulighed for at udføre sofistikerede analyser over store informationsmængder. Uanset om det er at dykke ned i de intrikate detaljer af Apollo 11-missionens transkriptioner eller at fortolke en stumfilm, demonstrerer Gemini 1.5 enestående problemløsningsfærdigheder, især med lange kodeblokke.

Udviklet på Googles avancerede TPUv4-acceleratorer, er Gemini 1.5 Pro blevet trænet på en divers dataset, der omfatter forskellige domæner og inkluderer multimodal og multilingual indhold. Denne brede træningsbase, kombineret med finjustering baseret på menneskelige præferencedata, sikrer, at Gemini 1.5 Pro’s udgangspunkter resonerer godt med menneskelige perceptioner.

Gennem rigorøs benchmark-testning mod en række opgaver, udfører Gemini 1.5 Pro ikke kun bedre end sin forgænger i en overvældende majoritet af evalueringer, men står også på niveau med den større Gemini 1.0 Ultra-model. Gemini 1.5 Pro viser stærke “in-context-læring”-evner, og kan således effektivt tilegne sig ny viden fra detaljerede prompts uden behov for yderligere justeringer. Dette var særligt tydeligt i dets præstation på Machine Translation from One Book (MTOB)-benchmarket, hvor det oversatte fra engelsk til Kalamang — et sprog talt af et lille antal mennesker — med en færdighed, der var sammenlignelig med den, mennesker har, og understregede derved sin tilpasnings- og lærings-effektivitet.

Begrænset forhåndsvisningadgang

Gemini 1.5 Pro er nu tilgængelig i en begrænset forhåndsvisning for udviklere og virksomheds-kunder gennem AI Studio og Vertex AI, med planer om en bredere udgivelse og tilpassede muligheder på horisonten. Denne forhåndsvisningsfase giver en unik mulighed for at udforske dens udvidede kontekstvindue, med forbedringer i behandlingshastighed forventet. Udviklere og virksomheds-kunder, der er interesseret i Gemini 1.5 Pro, kan tilmelde sig gennem AI Studio eller kontakte deres Vertex AI-kontoteams for yderligere information.

Det endelige punkt

Gemini 1.5 repræsenterer et bemærkelsesværdigt skridt fremad i udviklingen af multimodal AI. Bygget på fundamentet lagt af Gemini 1.0, bringer denne nye version forbedrede metoder til behandling og integration af forskellige data typer. Introduktionen af en ny arkitektonisk tilgang og udvidede data-behandlingskapaciteter understreger Googles fortsatte bestræbelser på at forbedre AI-teknologien. Med sin potentiale for mere effektiv opgavehåndtering og avanceret læring, viser Gemini 1.5 den kontinuerlige udvikling af AI. I øjeblikket er det kun tilgængeligt for en begrænset gruppe udviklere og virksomheds-kunder, men det signalerer spændende muligheder for fremtiden af AI, med en bredere udgivelse og yderligere fremskridt på horisonten.