Google升级Gemini 1.5 Pro和即将推出新的 Gemini 1.5 Flash 模型以及Gemma 2

Google 在I/O大会上发布了一系列更新，包括对 Gemini 1.5 Pro 的改进、新的 Gemini 1.5 Flash 模型、Gemma 系列的新模型以及 Gemini API 的新功能和定价选项。

Gemini 1.5 Pro 改进和 1.5 Flash 模型

Gemini 1.5 Pro

• 质量提升：针对翻译、编程、推理等关键用例进行了质量改进，使其能够处理更广泛和复杂的任务。
• 100 万标记上下文窗口：支持长上下文的输入，允许在单个请求中处理更多的信息。
• 多模态支持：能够处理文本、图像、音频和视频等多种输入形式。
• 200 万标记上下文窗口：在私人预览中提供，用户可以通过 Google AI Studio 或 Vertex AI 加入候补名单获取访问权限。

Gemini 1.5 Flash

• 简介：Gemini 1.5 Flash是一个轻量级模型，旨在优化速度和效率。它适用于高频、大量任务，并在API中是最快的Gemini模型。
• 特点：
  • 具备突破性的长上下文窗口（1百万个令牌），适用于多模态推理。
  • 通过“蒸馏”过程从1.5 Pro中提取最重要的知识和技能，转移到更小、更高效的模型中。
• 应用：摘要生成、聊天应用、图像和视频字幕生成、长文档和表格的数据提取等。

• 优化响应时间：适用于需要快速响应的高频任务。
• 100 万标记上下文窗口：与 1.5 Pro 相同，支持长上下文的输入。
• 多模态支持：同样支持文本、图像、音频和视频等多种输入形式。
• 全球可用：这两个模型已经在 200 多个国家和地区提供预览，将于 6 月正式推出。

Gemini Nano

• 多模态输入：Gemini Nano现在不仅支持文本输入，还支持图像输入。这意味着模型可以通过文字、图像、声音和口语来理解世界。
• 平台支持：首先在Pixel设备上推出，利用设备的多模态能力提升用户体验。

以下是关于Google AI在Android上的新功能和改进的详细介绍。

Circle to Search 和作业帮助

• 功能：Circle to Search通过简单的手势，可以帮助用户搜索手机上的任何内容，而无需切换应用。
• 新能力：现在可以帮助学生解决作业问题，提供逐步解决物理和数学问题的指导。未来将扩展到更复杂的问题，包括符号公式、图表等。
• 现状：Circle to Search已在超过1亿台设备上使用，计划到年底将覆盖量翻倍。
  
  视频播放器

  00:00

  00:00

  00:00

  使用上/下箭头键来增高或降低音量。

Gemini on Android 更新

• 功能：Gemini是一个新的AI助手，利用生成式AI帮助用户提升创造力和生产力。
• 改进：增强了对屏幕内容和应用上下文的理解。用户可以在使用应用时直接调用Gemini，如拖放生成的图像到Gmail或Google Messages，或在YouTube视频中查找特定信息。
• 高级功能：Gemini Advanced允许用户在PDF中快速找到答案，无需滚动多页。

Gemini Nano的全多模态能力

• 功能：Android是第一个内置设备基础模型的移动操作系统。Gemini Nano的多模态功能即将推出，首先在Pixel设备上应用。
• 能力：不仅能处理文本输入，还能理解图像、声音和口语等上下文信息。

TalkBack的更清晰描述

• 更新：Gemini Nano的多模态功能将帮助视觉障碍用户获得更清晰的图像描述，无论是家庭照片还是网购的衣物细节。
• 优势：这些描述快速且无需网络连接。
  视频播放器

  00:00

  00:00

  00:00

  使用上/下箭头键来增高或降低音量。

电话诈骗检测警报

• 功能：通过Gemini Nano在通话过程中检测常见的诈骗对话模式，实时发出警报，如银行代表要求紧急转账或提供个人信息。
• 隐私：此功能在设备上进行处理，确保对话隐私。

新的开发者功能和定价选项

新开发者功能

• 视频帧提取：允许从视频中提取帧，用于进一步的分析和处理。
• 并行函数调用：支持同时返回多个函数调用结果，提高处理效率。
• 上下文缓存：从 6 月起，开发者可以将大文件或长提示仅发送一次给模型，提高长上下文的使用效率和经济性。

定价选项

• 免费访问：在符合条件的地区，通过 Google AI Studio 免费提供 Gemini API 访问。
• 按需付费服务：推出新的按需付费服务，支持更高的速率限制，使得开发者可以根据需要灵活使用。
• 详细价格情况

Gemma 系列的新增模型

PaliGemma

• 视觉语言开放模型：优化用于图像字幕生成、视觉问答和其他图像标注任务。
• 预训练变体：加入了 CodeGemma 和 RecurrentGemma 等预训练的 Gemma 变体，提供更多选择。

Gemma 2

• 下一代 Gemma 模型：采用全新架构设计，提供突破性的性能和效率，27亿参数的Gemma 2在性能上可与Llama 3 70B媲美。
• 高效运行：能够在在NVIDIA的GPU或单个TPU主机上高效运行，使更多用户能够以更低的成本部署，适用于开发者和研究人员。
• 6 月推出：将于 6 月正式发布，满足开发者对更大且易用模型的需求。

详细：https://blog.google/technology/developers/gemini-gemma-developer-updates-may-2024/