Google presenta su modelo de próxima generación: Gemini 1.5 195

Apenas dos meses después del lanzamiento de Gemini (con el que Google espera situarse en la cima del sector de la IA), la compañía ya ha anunciado una nueva versión. Google presentó hoy Gemini 1.5 y la puso a disposición de desarrolladores y usuarios empresariales antes del inminente lanzamiento de una versión completa para consumidores.

Gemini 1.5 cuenta con una capacidad de comprensión de contexto de 1 millón de tokens, ¡la más potente hasta la fecha! Gemini 1.5 ofrece comprensión y razonamiento multimodales: es capaz de comprender y razonar con gran complejidad sobre texto, código, imágenes, audio y vídeo. Permite analizar 1 hora de vídeo, 11 horas de audio, más de 30.000 líneas de código o más de 700.000 palabras de texto.

Introducción a Gemini 1.5:

1. Mejora de rendimiento: Gemini 1.5 muestra mejoras significativas de rendimiento en múltiples dimensiones, especialmente un avance importante en la capacidad de procesar información de contexto largo, pudiendo procesar de forma continua hasta 1 millón de tokens, ostentando la ventana de contexto más larga de todos los grandes modelos基础 existentes hasta la fecha.

2. Arquitectura eficiente: Gemini 1.5 está diseñado con una nueva arquitectura de Mezcla de Expertos (MoE), lo que hace que su entrenamiento y servicio sean más eficientes. Al mismo tiempo, reduce los requisitos computacionales manteniendo una calidad similar a la del modelo 1.0 Ultra.

Al ser evaluado en un conjunto de pruebas de texto, código, imágenes, audio y vídeo, Gemini 1.5 Pro superó a Gemini 1.0 Pro en las pruebas de referencia de LLM con una puntuación del 87%. Y su rendimiento es roughly comparable al del modelo más grande, 1.0 Ultra.

3. Capacidad de aprendizaje en contexto: Esta característica permite a Gemini 1.5 procesar y analizar grandes volúmenes de información, como 1 hora de vídeo, 11 horas de audio, una base de código de más de 30.000 líneas o más de 700.000 palabras de texto.

Cuando se le proporcionó a Gemini 1.5 Pro un manual de gramática de la lengua Kalamang, fue capaz de aprender nuevas habilidades a partir de la información facilitada y de realizar tareas de traducción del inglés al Kalamang, con un nivel de traducción similar al de una persona que aprende a partir del mismo contenido.

¡Kalamang es una lengua minoritaria con menos de 200 hablantes en todo el mundo!

Este logro pone de relieve la capacidad de Gemini 1.5 Pro para manejar lenguas raras o minoritarias, y demuestra al mismo tiempo su sólido rendimiento en la comprensión y aplicación de información textual compleja y extensa. Esta capacidad tiene una gran importancia para aplicaciones de aprendizaje de idiomas, procesamiento del lenguaje natural e intercambio cultural intercultural.

4. Comprensión y razonamiento multimodales: Gemini 1.5 es capaz de comprender y razonar con gran complejidad sobre contenidos de distintas modalidades (incluidos texto, código, imágenes, audio y vídeo); por ejemplo, analizar 44 minutos de cine mudo y captar con precisión los puntos clave y los detalles de la trama.

5. Rendimiento mejorado: Al probarlo en un panel integral de evaluación de texto, código, imágenes, audio y vídeo, es capaz de comprender y razonar con gran complejidad sobre texto, código, imágenes, audio y vídeo. Gemini 1.5 puede analizar con precisión los puntos clave de la trama en 44 minutos de cine mudo, mostrando una comprensión profunda de contenidos de distintos medios.

Cómo funciona Gemini 1.5:

Tecnología MoE: al dividir el modelo en redes neuronales "expertas" más pequeñas y activar selectivamente las rutas de expertos más relevantes según el tipo de entrada, la tecnología MoE mejora en gran medida la eficiencia del modelo. Gracias a una serie de innovaciones en aprendizaje automático, Gemini 1.5 puede procesar y analizar volúmenes de información sin precedentes, ofreciendo nuevas capacidades a desarrolladores y clientes empresariales que les ayuden con sus modelos y aplicaciones. Esta capacidad de ventana de contexto largo es especialmente adecuada para escenarios de aplicación que requieren procesar grandes volúmenes de datos y situaciones complejas, como el análisis profundo de documentos extensos, la comprensión de contenido de vídeo, el análisis complejo de código y la fusión de datos multimodales.

Google está inmersa actualmente en una intensa competición por construir las mejores herramientas de inteligencia artificial, ya que empresas de todo el mundo intentan esclarecer su propia estrategia de IA y decidir si firman acuerdos con OpenAI, Google u otras compañías. El mismo día en que Google lanzó Gemini Pro 1.5, apenas 2 horas después, OpenAI anunció su modelo de generación de vídeo a partir de texto: Sora, un modelo diseñado para permitir a los usuarios de la web generar vídeos de alta calidad con IA mediante simples indicaciones de texto.