Google が次世代モデル「Gemini 1.5」を発表 190

Gemini（GoogleがAI業界の頂点へ押し上げようとしているモデル）を発表してからわずか2か月後、同社はすでに新バージョンのリリースを発表しました。Googleは本日、Gemini 1.5を発表し、完全なコンシューマー版のリリースに先駆けて、開発者や企業ユーザーに提供を開始しました。

Gemini 1.5は100万トークンというコンテキスト理解能力を備えており、現在最も強力です！Gemini 1.5はテキスト、コード、画像、音声、動画を高度に複雑な理解と推論を行うことができ、1時間の動画、11時間の音声、30,000行以上のコード、700,000語以上のテキストの分析が可能です。

Gemini 1.5の紹介：

1、パフォーマンスの向上：Gemini 1.5は複数の次元で顕著なパフォーマンス向上を示しており、特に長文コンテキスト情報を処理する能力において大きな飛躍を遂げ、最大100万トークンを連続処理することができ、これまでのすべての大規模基盤モデルの中で最長のコンテキストウィンドウを誇ります。

2、効率的なアーキテクチャ：Gemini 1.5は新しいMixture of Experts（MoE）アーキテクチャを採用して設計されており、トレーニングとサービス提供の効率が向上しています。同時に、1.0 Ultraモデルと同等の品質を維持しながら、計算要件を削減しています。

テキスト、コード、画像、音声、動画の評価セットのテストにおいて、Gemini 1.5 ProはLLMベンチマークテストで87%のスコアでGemini 1.0 Proを上回りました。また、最大モデルである1.0 Ultraとほぼ同等の性能を発揮します。

3、文脈内学習能力：この特徴により、Gemini 1.5は1時間の動画、11時間の音声、30,000行以上のコードベース、700,000語以上のテキストなど、大量の情報を処理・分析することができます。

Gemini 1.5 ProにKalamang語の文法マニュアルが与えられた場合、提供された情報から新しいスキルを学習し、英語からKalamang語への翻訳タスクを実行することができます。その翻訳能力は、同じ内容から学習した人間と同水準です。

Kalamang語は世界全体で200人未満の話者しかいない希少言語です！

この成果は、Gemini 1.5 Proが希少言語やマイナー言語を処理する能力を強調するだけでなく、長文で複雑なテキスト情報を理解し応用する強力な性能を証明しています。この能力は、言語学習、自然言語処理、異文化交流の応用にとって重要な意味を持ちます。

4、クロスモーダル理解と推論：Gemini 1.5は、テキスト、コード、画像、音声、動画など異なるモーダルの内容に対して高度な複雑な理解と推論を行うことができます。例えば、44分間の無声映画を分析し、物語の要点や詳細を正確に捉えることができます。

5、パフォーマンスの強化：テキスト、コード、画像、音声、動画の評価を含む総合パネルでテストした結果、テキスト、コード、画像、音声、動画の高度な複雑な理解と推論が可能です。Gemini 1.5は、44分間の無声映画のプロット要点を正確に分析し、異なるメディアコンテンツに対する深い理解を示します。

Gemini 1.5の仕組み：

MoE技術：モデルを小さな「エキスパート」ニューラルネットワークに分割し、入力タイプに応じて最も関連性の高いエキスパート経路を選択的にアクティブ化することで、MoE技術はモデルの効率を大幅に向上させます。一連の機械学習の革新を通じて、Gemini 1.5は前例のない量の情報を処理・分析することができ、開発者や企業顧客にモデルやアプリケーションのための新たな能力を提供します。この長文コンテキストウィンドウ機能は、大規模なドキュメントの深い分析、動画コンテンツの理解、複雑なコード分析、マルチモーダルデータ融合など、大量のデータと複雑な状況の処理を必要とするアプリケーションシナリオに特に適しています。

Googleは現在、最高の人工知能ツールを構築するための激しい競争を展開しています。世界の企業がAI戦略や、OpenAI、Google、あるいは他の企業との開発者契約の締結について検討しているからです。GoogleがGemini Pro 1.5を発表してからわずか2時間後、OpenAIはテキストから動画生成モデル：Soraを発表しました。このモデルは、ウェブユーザーがテキストプロンプトのみで高品質なAI動画を生成できるようにすることを目的としています。