自家最强的Gemini 1.0 Ultra才发布没几天，谷歌又放大招了。

  不难想象，在百万级token上下文的加持下，我们大家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。

  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，谷歌成功将这一个数字大幅度的提高——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。

  首先，我们一起看看Gemini 1.5 Pro在多模态海底捞针测试中的成绩。

  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。

  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来说比较稳定的表现。

  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。

  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、代码这一些信息的基础构建。

  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，大幅度的提高了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。

  脱胎换骨的Gemini 1.5 Pro，已能轻松地分析给定提示中的海量内容！

  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。

  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，就让模型可处理更多详细的信息，从而让输出结果更加一致、相关且实用。

  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》。

  模型不仅仅可以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，然后告诉我关于这一个细节的信息。

  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。

  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。

  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，它不仅仅可以深入分析各个示例，提出实用的修改意见，还能详细解释代码的每个部分是如何协同工作的。

  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。

  Gemini 1.5的架构创新带来的，不单单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高效。

  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。

  借助这个代码库作为背景，系统可以帮助用户深入理解代码，并可以依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。」

  在这个例子中，模型可处理整个包含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，在进一步探索一个陌生的代码库或日常工作中使用的代码库时，长上下文解决能力的价值不言而喻。

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

  同时，模型在分析长篇、复杂的文本文档方面也很出色，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？」

  卡拉曼语是新几内亚西部、印度尼西亚巴布亚东部不足200人使用的语言，几乎未在网络上留下足迹。

  Gemini Pro 1.5通过上下文学习掌握了Kalamang语的知识，其翻译质量可与使用相同材料学习的人相媲美。

  在英语到卡拉曼语的翻译中，Gemini Pro 1.5的ChrF达到了58.3，大幅超过了以往最好的模型得分45.8 ChrF，并略高于MTOB论文报告的57.0 ChrF人类基准。

  Gemini 1.5的诞生，意味着性能的阶段飞跃，标志着谷歌在研究和工程创新上，又迈出了登月般的一步。