Gemini enthüllt erweitertes Modell, erweiterter Kontext, AI -Agenten

1.5 Flash glänzt bei Aufgaben wie Zusammenfassungen, Chat-Anwendungen und der Beschriftung von Bildern und Videos. Es ist auch geschickt darin, Daten aus langen Dokumenten und Tabellen zu extrahieren. Diese Vielseitigkeit stammt aus der Schulung durch 1.5 Pro durch „Destillation“, bei der das Kernwissen und die Fähigkeiten eines größeren Modells an ein effizienteres, kleineres Modell weitergegeben werden.

Für weitere Details zu 1.5 Flash siehe unseren aktualisierten technischen Bericht zu Gemini 1.5, die Gemini-Technologieseite und erfahre mehr über Verfügbarkeit und Preise.

Deutliche Verbesserung von 1.5 Pro

In den letzten Monaten haben wir bedeutende Fortschritte bei der Verbesserung von 1.5 Pro, unserem Spitzenreiter bei einer Vielzahl von Aufgaben, gemacht.

Wir haben sein Kontextfenster auf 2 Millionen Token erweitert und seine Fähigkeiten in der Codegenerierung, logischen Argumentation, Planung, mehrstufigen Konversationen sowie dem Verständnis von Audio und Bildern verbessert. Diese Verbesserungen werden durch Fortschritte in Daten und Algorithmen unterstützt, die deutliche Verbesserungen bei öffentlichen und internen Benchmarks zeigen.

1.5 Pro kann nun zunehmend komplexe und nuancierte Anweisungen verarbeiten, einschließlich solcher, die produktbezogene Verhaltensweisen wie Rolle, Format und Stil definieren. Wir haben die Kontrolle über die Antworten des Modells für spezifische Anwendungsfälle verfeinert, wie etwa die Anpassung von Chat-Agent-Personas oder die Automatisierung von Arbeitsabläufen mit mehreren Funktionsaufrufen. Nutzer können das Verhalten des Modells nun mit Systemanweisungen steuern.

Wir haben auch Audioverständnis in die Gemini-API und Google AI Studio integriert, sodass 1.5 Pro sowohl Bilder als auch Audio aus Videos, die in Google AI Studio hochgeladen wurden, verarbeiten kann. Wir integrieren 1.5 Pro in Google-Produkte wie Gemini Advanced und Workspace-Apps.

Für mehr über 1.5 Pro siehe unseren aktualisierten technischen Bericht zu Gemini 1.5 und die Gemini-Technologieseite.

Gemini Nano versteht multimodale Eingaben

Gemini Nano verbessert sein Spiel und geht über reine Texteingaben hinaus, um auch Bilder zu umfassen. Beginnend mit Pixel werden Apps, die Gemini Nano mit Multimodalität nutzen, die Welt auf menschlichere Weise interpretieren können, durch Text, Bilder, Ton und gesprochene Sprache.

Erfahre mehr über Gemini 1.0 Nano auf Android.

Nächste Generation offener Modelle

Heute aktualisieren wir auch Gemma, unsere Familie offener Modelle, die auf derselben Forschung und Technologie wie die Gemini-Modelle basieren.

Wir starten Gemma 2, unsere nächste Generation offener Modelle für verantwortungsvolle KI-Innovation. Gemma 2 verfügt über eine neue Architektur für überlegene Leistung und Effizienz und wird in neuen Größen verfügbar sein.

Die Gemma-Familie wächst mit PaliGemma, unserem ersten Vision-Sprache-Modell, inspiriert von PaLI-3. Wir haben auch unser Responsible Generative AI Toolkit mit LLM Comparator aufgerüstet, um die Qualität der Modellantworten zu bewerten.

Für weitere Details besuche den Entwickler-Blog.

Fortschritte bei der Entwicklung universeller KI-Agenten

Bei Google DeepMind ist unsere Mission, KI verantwortungsvoll zum Wohle der Menschheit zu entwickeln. Wir haben stets darauf abgezielt, universelle KI-Agenten zu schaffen, die im Alltag unterstützen können. Deshalb teilen wir unsere Fortschritte in der Zukunft von KI-Assistenten mit Project Astra (fortgeschrittener sehender und sprechender reaktionsfähiger Agent).

Damit ein KI-Agent wirklich hilfreich ist, muss er die Welt wie ein Mensch verstehen und darauf reagieren, indem er wahrnimmt und sich an das erinnert, was er sieht und hört, um Kontext zu erfassen und entsprechend zu handeln. Er sollte auch proaktiv, lernfähig und persönlich sein und natürliche, verzögerungsfreie Gespräche ermöglichen.

Obwohl wir große Fortschritte bei der Verarbeitung multimodaler Informationen gemacht haben, ist das Erreichen von Gesprächsantwortzeiten eine schwierige technische Herausforderung. Über die Jahre haben wir verfeinert, wie unsere Modelle wahrnehmen, argumentieren und konversieren, um Interaktionen natürlicher wirken zu lassen.