夢晨 西風 發(fā)自 凹非寺量子位 | 公眾號 QbitAI
谷歌下一代大模型，無預警降臨。
Gemini 1.5，除了性能顯著增強，還在長上下文理解方面取得突破，甚至能僅靠提示詞學會一門訓練數(shù)據(jù)中沒有的新語言。
此時距離去年12月Gemini 1.0發(fā)布，還不到3個月。
現(xiàn)在僅僅中杯1.5 Pro版就能越級打平上一代大杯1.0 Ultra版，更是在27項測試中超越平級的1.0 Pro。
支持100萬token上下文窗口，迄今為止大模型中最長，直接甩開對手一個量級。
這還只是對外發(fā)布的版本，谷歌更是透露了內部研究版本已經(jīng)能直沖1000萬。
現(xiàn)在Gemini能處理的內容，可換算成超過70萬單詞，或1小時視頻、11小時音頻、超過3萬行代碼。
沒錯，這些數(shù)據(jù)模態(tài)Gemini 1.5都已經(jīng)內建支持。
從今天起，開發(fā)者和客戶就可以在Vertex API或AI Studio申請試用。
剛剛收到消息還在震驚中的網(wǎng)友們 be like：
還有人直接@了OpenAI的奧特曼，這你們不跟進一波？
上下文理解能力拉滿
目前谷歌已放出三個不同任務的演示視頻，只能說Gemini 1.5是個抽象派（doge）。
在第一段演示視頻中，展示的是Gemini 1.5處理長視頻的能力。
使用的視頻是巴斯特·基頓（Buster Keaton）的44分鐘電影，共696161 token。
演示中直接上傳了電影，并給了模型這樣的提示詞：
找到從人的口袋中取出一張紙的那一刻，并告訴我一些關于它的關鍵信息以及時間碼。
隨后，模型立刻處理，輸入框旁邊帶有一個“計時器”實時記錄所耗時間：
不到一分鐘，模型做出了回應，指出12:01的時候有個人從兜里掏出了一張紙，內容是高盛典當經(jīng)紀公司的一張當票，并且還給出了當票上的時間、成本等詳細信息。
隨后經(jīng)查證，確認模型給出的12:01這個時間點準確無誤：
除了純文字prompt，還有更多玩法。直接給模型一張抽象“場景圖”，詢問“發(fā)生這種情況時的時間碼是多少？”。
同樣不到一分鐘，模型準確給出了的電影對應的時間點15:34。
在第二段演示視頻中，谷歌展示了Gemini 1.5分析和理解復雜代碼庫的能力。用到的是Three.js，這是一個3D Javascript庫，包含約100000行代碼、示例、文檔等。
演示中他們將所有內容放到了一個txt文件中，共816767 token，輸入給模型并要求它“找到三個示例來學習角色動畫”。
結果模型查看了數(shù)百個示例后篩選出了三個關于混合骨骼動畫、姿勢、面部動畫的示例。
這只是開胃小菜。接下來只用文字詢問模型“動畫Little Tokyo的demo是由什么控制？”
模型不僅找到了這個demo，并且解釋了動畫嵌入在gLTF模型中。
并且還能實現(xiàn)“定制代碼”。讓模型“給一些代碼，添加一個滑塊來控制動畫的速度。使用其它演示所具有的那種GUI”。
Gemini 1.5分分鐘給出了可以成功運行的代碼，動畫右上角出現(xiàn)了一個可控速的滑塊：
當然也可以做“代碼定位”。僅靠一張demo的圖片，Gemini 1.5就能在代碼庫中從數(shù)百個demo中，找到該圖對應動畫的代碼：
還能修改代碼，讓地形變得平坦，并解釋其中的工作原理：
修改代碼這一塊，對文本幾何體的修改也不在話下：
第三個演示視頻展示的是Gemini 1.5的文檔處理能力。
選用的是阿波羅11號登月任務的402頁PDF記錄，共326658 token。
要求Gemini 1.5“找到三個搞笑時刻，并列出文字記錄以及表情符號引述”：
30秒，模型給出了回應，其一是邁克爾·柯林斯的這句話“我敢打賭你一定要喝一杯咖啡”，經(jīng)查詢文檔中的確有記錄：
更抽象一點，繪制一個靴子的圖片，詢問模型“這是什么時刻”。
模型正確地將其識別為這是Neil在月球上的第一步：
最后同樣可以詢問模型快速定位這一時刻在文檔中對應的時間位置：
差不多的抽象風同樣適用于1382頁、732000 token的《悲慘世界》，一張圖定位小說位置。
僅從提示詞中學會一門新語言
對于Gemini 1.5的技術細節(jié)，谷歌遵循了OpenAI開的好頭，只發(fā)布技術報告而非論文。
其中透露Gemini 1.5使用了MoE架構，但沒有更多細節(jié)。
與上代1.0 Pro相比，1.5 Pro在數(shù)學、科學、推理、多語言、視頻理解上進步最大，并達到1.0 Ultra層次。
為驗證長上下文窗口的性能，使用了開源社區(qū)通行的大海撈針測試，也就是在長文本中準確找到可以藏起來的一處關鍵事實。
結果50萬token之前的表現(xiàn)非常完美，一直到千萬token，Gemini 1.5也只失誤了5次。
此外還將測試擴展到多模態(tài)版本，如在視頻畫面的某一幀中藏一句話，給的例子是在阿爾法狗的紀錄片中藏了“The secret word is ‘needle’”字樣。
結果在視頻、音頻測試中都實現(xiàn)了100%的召回率。
特別是音頻中，對比GPT-4+Whisper的結果，差距非常明顯。
此外谷歌DeepMind團隊還測試了一項高難任務，僅通過長提示詞讓模型學會全新的技能。
輸入一整本語法書，Gemini 1.5 Pro就能在翻譯全球不到200人使用的Kalamang上達到人類水平。
相比之下，GPT-4 Turbo和Claude 2.1一次只能看完半本書，想獲得這個技能就必須要微調或者使用外部工具了。
也難怪有網(wǎng)友看過后驚呼，“哥們這是要把RAG玩死啊”。
One More Thing
谷歌還公布了一波已在業(yè)務中采用Gemini大模型的客戶。
其中有三星手機這樣的大廠，也有像Jasper這種靠GPT起家的創(chuàng)業(yè)公司，甚至OpenAI董事Adam D‘Angelo旗下的Quora。
與OpenAI形成了直接競爭關系。
對此，一位網(wǎng)友道出了大家的心聲：
真希望這能促使OpenAI發(fā)布他們的下一代大模型。
參考鏈接：
[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
