谷歌Gemini 1.5爆炸上线，多模态硬刚GPT-5！MoE首破100万极限上下文纪录

刚刚，我们经历了LLM划时代的一夜。谷歌又在深夜发炸弹，Gemini Ultra发布还没几天，Gemini 1.5就来了。卯足劲和OpenAI微软一较高下的谷歌，开始进入了高产模式。

自家最强的Gemini 1.0 Ultra才发布没几天，谷歌又放大招了。

就在刚刚，谷歌DeepMind首席科学家Jeff Dean，以及联创兼CEO的Demis Hassabis激动地宣布了最新一代多模态大模型——Gemini 1.5系列的诞生。

其中，最高可支持10,000K token超长上下文的Gemini 1.5 Pro，也是谷歌最强的MoE大模型。

不难想象，在百万级token上下文的加持下，我们可以更加轻易地与数十万字的超长文档、拥有数百个文件的数十万行代码库、一部完整的电影等等进行交互。

同时，为了介绍这款划时代的模型，谷歌还发布了长达58页的技术报告。

论文地址：https://storage.googleapis.com/deepmind-media/gemini/gemini_v1_5_report.pdf

毫不夸张地说，大语言模型领域从此将进入一个全新的时代！

1,000,000 token超超超长上下文，全面碾压GPT-4 Turbo

在上下文窗口方面，此前的SOTA模型已经「卷」到了200K token（20万）。

如今，谷歌成功将这个数字大幅提升——能够稳定处理高达100万token（极限为1000万token），创下了最长上下文窗口的纪录。

1000万token极限海底捞针几乎全绿

首先，我们看看Gemini 1.5 Pro在多模态海底捞针测试中的成绩。

对于文本处理，Gemini 1.5 Pro在处理高达530,000 token的文本时，能够实现100%的检索完整性，在处理1,000,000 token的文本时达到99.7%的检索完整性。

甚至在处理高达10,000,000 token的文本时，检索准确性仍然高达99.2%。

在音频处理方面，Gemini 1.5 Pro能够在大约11小时的音频资料中，100%成功检索到各种隐藏的音频片段。

在视频处理方面，Gemini 1.5 Pro能够在大约3小时的视频内容中，100%成功检索到各种隐藏的视觉元素。

此外，谷歌研究人员还开发了一个更通用的版本的「大海捞针」测试。

在这个测试中，模型需要在一定的文本范围内检索到100个不同的特定信息片段。

在这个测试中，Gemini 1.5 Pro在较短的文本长度上的性能超过了GPT-4-Turbo，并且在整个100万token的范围内保持了相对稳定的表现。

与之对比鲜明的是，GPT-4 Turbo的性能则飞速下降，且无法处理超过128,000 token的文本，表现惨烈。

大模型视野，被「史诗级」拓宽

LLM发展到这个阶段，模型的上下文窗口已经成为了关键的掣肘。

模型的上下文窗口由许多token组成，它们是处理单词、图像、视频、音频、代码这些信息的基础构建。

模型的上下文窗口越大，它处理给定提示时能够接纳的信息就越多——这就使得它的输出更加连贯、相关和实用。

而这次，谷歌通过一系列机器学习的创新，大幅提升了1.5 Pro的上下文窗口容量，从Gemini 1.0的原始32,000 token，直接提升到了惊人的1,000,000 token。

这就意味着，1.5 Pro能够一次性处理海量信息——比如1小时的视频、11小时的音频、超过30,000行的代码库，或是超过700,000个单词。

甚至，谷歌曾经一度成功测试了高达10,000,000的token。

深入理解海量信息

脱胎换骨的Gemini 1.5 Pro，已经可以轻松地分析给定提示中的海量内容！

它能够洞察文档中的对话、事件和细节，展现出对复杂信息的深刻理解。

我们甩给它一份阿波罗11号任务到月球的402页飞行记录，它对于多复杂的信息，都能表现出深刻的理解。

让它从文件中列举出3个喜剧性的时刻，接下来，就是见证奇迹的时刻——

才过了30秒出头，答案就已经生成了！

接下来，看看它的多模态功能。

把这张图输入进去，问它：这是什么时刻？

它会回答，这是阿姆斯特朗迈上月球的一小步，也是人类的一大步。

这次，谷歌还新增了一个功能，允许开发者上传多个文件（比如PDF），并提出问题。

更大的上下文窗口，就让模型能够处理更多信息，从而让输出结果更加一致、相关且实用。

横跨各种不同媒介

与此同时，Gemini 1.5 Pro还能够在视频中展现出深度的理解和推理能力！

得益于Gemini的多模态能力，上传的视频会被拆分成数千个画面（不包括音频），以便执行复杂的推理和问题解决任务。

比如，输入这部44分钟的无声电影——Buster Keaton主演的经典之作《小神探夏洛克》。

模型不仅能够精准地捕捉到电影的各个情节和发展，还能洞察到极易被忽略的细微之处。

我们可以问它：找到一张纸从主角口袋中被拿出的瞬间，然后告诉我关于这个细节的信息。

令人惊喜的是，模型大约用了60秒左右就准确地找出，这个镜头是在电影的12:01，还描述出了相关细节。

果然，模型精准找出了这个镜头的时间点，所述细节也完全准确！

输入一张粗略的涂鸦，要求模型找到电影中的对应场景，模型也在一分钟内找到了答案。

高效处理更长代码

不仅如此，Gemini 1.5 Pro在处理长达超过100,000行的代码时，还具备极强的问题解决能力。

面对如此庞大的代码量，它不仅能够深入分析各个示例，提出实用的修改建议，还能详细解释代码的各个部分是如何协同工作的。

开发者可以直接上传新的代码库，利用这个模型快速熟悉、理解代码结构。

高效架构的秘密：MoE

Gemini 1.5的设计，基于的是谷歌在Transformer和混合专家（MoE）架构方面的前沿研究。

不同于传统的作为一个庞大的神经网络运行的Transformer，MoE模型由众多小型的「专家」神经网络组成。

这些模型可以根据不同的输入类型，学会仅激活最相关的专家网络路径。

这样的专门化，就使得模型效率大幅提升。

而谷歌通过Sparsely-Gated MoE、GShard-Transformer、Switch-Transformer、M4研究，早已成为深度学习领域中MoE技术的领航者。

Gemini 1.5的架构创新带来的，不仅仅是更迅速地掌握复杂任务、保持高质量输出，在训练和部署上也变得更加高效。

因此，团队才能以惊人的速度，不断迭代和推出更先进的Gemini版本。

性能比肩Ultra，大幅超越1.0 Pro

在涵盖文本、代码、图像、音频和视频的综合性测试中，1.5 Pro在87%的基准测试上超越了1.0 Pro。

与1.0 Ultra在相同基准测试的比较中，1.5 Pro的表现也相差无几。

Gemini 1.5 Pro在扩大上下文窗口后，依然保持了高水平的性能。在「大海捞针 (NIAH)」测试中，它能够在长达100万token的文本块中，在99%的情况下，准确找出隐藏有特定信息的文本片段。

此外，Gemini 1.5 Pro展现了卓越的「上下文学习」能力，能够仅凭长提示中提供的信息掌握新技能，无需进一步细化调整。

这一能力在「从一本书学习机器翻译 (MTOB)」基准测试中得到了验证，该测试检验了模型学习从未接触过的信息的能力。

对于一本关于全球不足200人使用的Kalamang语的语法手册，模型能够学会将英语翻译成Kalamang，学习效果与人类学习相似。

谷歌的研究者成功地增强了模型处理长文本的能力，而且这种增强并没有影响到模型的其他功能。

虽然这项改进只用了Gemini 1.0 Ultra模型训练时间的一小部分，但1.5 Pro模型在31项性能测试中的17项上超过了1.0 Ultra模型。

与1.0 Pro模型相比，1.5 Pro在31项测试中的27项上，表现更佳。

具体结果如下：

细节表现如何？

分析和掌握复杂代码库

这款模型能够迅速吸收大型代码库，并解答复杂的问题，这一点非常引人注目。

例如，three.js是一个包含约10万行代码、示例和文档等的3D Javascript库。

借助这个代码库作为背景，系统能够帮助用户深入理解代码，并能够根据人们提出的高层次要求来修改复杂的示例。

比如：「展示一些代码，用于添加一个滑块控制动画速度。采用和其他演示相同的GUI风格。」

或者精确地指出需要修改的代码部分，以改变另一个示例中生成的地形的高度。

浏览庞大而陌生的代码库

并且，模型能够帮我们理解代码，或定位某个特定功能的实现位置。

在这个例子中，模型能够处理整个包含116个文件的JAX代码库（746k token），并协助用户找到实现自动微分反向传播的确切代码位置。

显然，在深入了解一个陌生的代码库或日常工作中使用的代码库时，长上下文处理能力的价值不言而喻。

许多Gemini团队成员已经发现，Gemini 1.5 Pro的长上下文处理功能，对于Gemini 代码库大有裨益。

长篇复杂文档的推理

同时，模型在分析长篇、复杂的文本文档方面也非常出色，例如雨果的五卷本小说《悲惨世界》（共1382页，含732,000个token）。

下面这个简单的实验，就展示了模型的多模态能力：粗略地画出一个场景，并询问「请看这幅图画中的事件发生在书的哪一页？」

模型就能给出准确的答案——1099页！

AI