视觉错觉也能识别？被忽略的 Gemini 1.5 Flash 有哪些神奇表现？｜AI 鲜测

文章摘要

【关 键 词】 AI模型、多模态处理、高速响应、内容生成、准确性待提

在2024年的谷歌I/O大会上，推出了名为Gemini 1.5 Flash的AI模型，该模型以其轻量级、高效率和强大的多模态处理能力著称，能够同时处理文本、图像、音频和视频。其特点包括高速响应、支持长达两百万标记的上下文窗口，以及在多种模态下的深入分析。

在场景1的测评中，Gemini 1.5 Flash被用于解析“撒切尔效应”，它能准确识别并详细解释该效应的机制和历史，但缺乏提供实际图像示例的能力，且不支持多模态输出。尽管如此，模型在视频分析中的表现依然出色，能清晰识别并科学解释现象。

场景2中，Gemini 1.5 Flash尝试通过视频指导用户玩游戏，虽然能生成详细指示，但在初次提供错误步骤后未能及时修正，显示了其在信息准确性校验方面的不足。然而，对于复杂问题，其解答可能需要进一步简化以增强易理解性。

在场景3，Gemini 1.5 Flash展现了其快速响应和内容生成能力，能在数秒内根据图片生成具有哲理性和反转性的故事，且能创作不同风格的故事。其长上下文窗口特性在创作长篇故事时表现突出，能维持故事的连贯性和一致性。在生成一个关于人类探险队发现新星球并与原住民互动的复杂故事时，模型能够在短时间内生成大纲和详细章节内容，显示出其条理性和细节处理能力。

总体来看，Gemini 1.5 Flash在多模态处理、内容生成速度和故事连贯性方面表现突出，但在信息准确性和多模态输出方面还有待提升。

原文和模型

【原文链接】 阅读原文 [ 4065字 | 17分钟 ]
【原文作者】 硅星人Pro
【摘要模型】 glm-4
【摘要评分】 ★★★★★

智谱AI

智谱AI是由清华大学计算机系技术成果转化而来的公司，致力于打造新一代认知智能通用模型。公司合作研发了双语千亿级超大规模预训练模型GLM-130B，并构建了高精度通用知识图谱，形成数据与知识双轮驱动的认知引擎，基于此模型打造了ChatGLM（chatglm.cn）。此外，智谱AI还推出了认知大模型平台Bigmodel.ai，包括CodeGeeX和CogView等产品，提供智能API服务，链接物理世界的亿级用户、赋能元宇宙数字人、成为具身机器人的基座，赋予机器像人一样“思考”的能力。